科学家提出用于大规模制造再生医学干细胞的人工智能框架

一些干细胞具有分裂成更多细胞并发育成各种专门的血液、骨骼或肌肉细胞的天然能力。研究人员表示，这些多能干细胞为新的细胞治疗和再生医学提供了巨大的希望。

东北大学科学家小组的一项新研究表明，人工智能可用于大规模制造多能干细胞，可用于治疗癌症、阿尔茨海默氏症或帕金森氏症，修复脊髓或对抗衰老。

研究人员表示，他们的创新模块化框架“生物系统系统”为理解和预测成功的细胞培养奠定了基础。

“这是一个前沿领域，”该研究的主要研究者、机械与工业工程助理教授谢伟说。“东北大学已开始在新一代生物药物制造和自动化方面处于领先地位。”

谢和她的合著者最近发表了两篇论文，提出了一些模型，这些模型将有助于理解和预测单个细胞(发表在《生物技术和生物工程》)和细胞簇(发表在《通讯生物学》)中发生的基本机制，以实现成功培养大规模健康人诱导多能干细胞(iPSC)。

干细胞有不同类型，包括在胚胎发育早期阶段发现的胚胎干细胞;可以替代受损细胞的成体干细胞;所谓的诱导多能干细胞，是在实验室中由成体干细胞产生的，其行为类似于胚胎干细胞。

谢说，由于其再生能力和转化为体内任何细胞类型的潜力，iPSC拥有巨大的潜在市场来支持各种治疗和研究应用。它们可用于再生医学和细胞疗法，以对抗全球人口老龄化、癌症、阿尔茨海默氏症或帕金森氏症等疾病，或修复脊髓和其他损伤。她说，新药的临床试验也需要大量高质量的干细胞供应。

谢说，这就是为什么研究人员和行业合作者已经在考虑大规模iPSC制造和自动化。

“未来的制造涉及复杂的网络物理系统(它将计算和物理组件无缝集成，并将它们连接到互联网并相互连接)，”谢说。“它应该快速、灵活且稳健，这样如果iPSC需要分化为不同的细胞类型，就不需要进行大量[额外]昂贵的实验和大量时间。”

她说，人工智能和机器学习可以帮助实现这一目标。

机械与工业工程助理教授谢伟首先专注于了解细胞代谢，或单个干细胞中维持生命的生物、物理和化学过程。图片来源：MatthewModoono/东北大学

谢和她的研究团队首先专注于了解单个人类iPSC中的基础知识——细胞代谢，或维持生命的生物、物理和化学过程及其相互作用。

“细胞是一个非常复杂的系统，”谢说。

每个细胞都由复杂的代谢和基因网络组成;核糖核酸(RNA)，对大多数生物功能至关重要;蛋白质等。该系统在不同条件下表现不同。例如，这会影响细胞对营养的摄入，并最终影响所产生细胞的质量。

为了了解在实验室培养iPSC的最佳关键参数，科学家们开发了一种模型，可以预测细胞对环境变化的反应并帮助控制培养过程。该框架使用基于现有自然科学知识和可解释人工智能的机械模型。

借助该模型，科学家可以选择最佳的细胞培养条件并提高生产率，同时保证细胞产品的质量。

谢说，第一个模型描述了在实验室培养皿中在一致的环境中生长一层干细胞并从中学习。

“这意味着我们更像是缩小了第一阶段的差距，”谢说。

为了支持大规模生产，科学家们使用悬浮生物反应器或维持生物活性环境的容器来生长更复杂的三维iPSC簇或聚集体，类似于干细胞在怀孕期间的生长方式。生物反应器通过调节温度、氧气浓度、营养物供应和搅拌速率等因素提供受控环境。

细胞在生物反应器中快速生长并在三个层面上相互作用：细胞内的代谢反应、营养物质和代谢所需的其他分子物质通过细胞聚集体的扩散(细胞间相互作用)以及聚集体与周围流体的相互作用他们。

她说，培养更大的健康均匀细胞聚集体具有挑战性。位于聚集体核心的细胞接受的营养和氧气较少，同时受到额外代谢废物积累的影响。

为了考虑到复杂培养过程的各个方面，谢和她的研究团队提出了一种创新的生物系统框架(Bio-SoS)。Bio-SoS模型采用模块化设计，使其能够考虑细胞相互作用的每个级别，结合来自不同细胞生长策略的数据并改进预测。

Xie的团队利用现有iPSC增殖文献中的实验数据分别验证了每个模型。然后，他们验证了单层培养和聚合培养的集成Bio-SoS模型。

但谢说，还有其他复杂的因素，例如基因表达，当基因“打开”以产生由该基因编码的特定生物分子或蛋白质表达时。开发具有最佳策略的有效iPSC制造工艺时还需要考虑这一点。这就是解释性人工智能被集成到框架中的原因——处理和推断现有的有限数据来回答关键问题。

解释性人工智能使科学家能够理解模型做出的结果预测和决策背后的推理。谢说，未来，当人们更好地了解一个细胞内的过程和细胞相互作用，并且从其他实验和来源获得更多数据时，Bio-SoS模型可以学习、扩展并变得更好。