編輯丨&
幹細胞來源的胚胎模型的最新進展改變了發育生物學，提供了對胚胎發生的見解，而不受自然胚胎的限制。然而，模型開發的多變性對研究標準化來說並不算容易。
德國埃爾斯魯厄理工學院與美國加州理工學院的科研人員在面對這個問題時，選擇使用深度學習來提高選擇幹細胞衍生胚胎模型的可重複性。
他們效能最好的模型在細胞接種後 90 小時內達到 88% 的準確率，在初始細胞接種階段達到 65% 的準確率，預測發育軌跡。增加初始細胞數量的擾動實驗透過改善正常發育結果進一步支援了這一發現。
相關研究內容以「AI-based approach to dissect the variability of mouse stem cell-derived embryo models」為題，於 2025 年 2 月 19 日刊登於《Nature Communications》。
ETiX 胚胎模型
近年來，隨著幹細胞衍生胚胎模型的引入，發育生物學領域發生了翻天覆地的變化。這些創新模型模擬了胚胎髮育的各個階段，提供了新的研究途徑。些植入後模型進展到高階發育階段的能力使其成為轉化研究的寶貴工具，特別是在解開發育障礙和推進再生醫學方面。
由於對細胞和組織自組織初始階段的理解有限，儘管這些模型前景廣闊，但實際上正在面臨著重大挑戰。這些模型的初始開發階段至關重要，然而，缺乏對這些階段的詳細描述導致開發結果的出現多種變化。
ETiX 胚胎模型是模擬小鼠植入後發育的最先進的模型系統之一。該模型透過將胚胎幹細胞 （ESC） 與源自胚外外胚層 （ExE） 前體的滋養層幹細胞 （TSC） 聚集來構建模擬系統。
在播種後的第四天，會由淘汰過程來消除不符合標準的發育結構。這種選擇在類器官和幹細胞衍生的胚胎模型研究中很常見，通常只有最有希望的樣本才會被帶入進一步研究。選擇過程本質上是主觀的，因為個體研究人員的判斷，導致不同實驗室的結果存在差異。
透過深度學習在影像和影片分類上的應用， ETiX 胚胎模型發育的各個階段應用基於深度學習的分類，以提供對胚胎特徵的見解，預測未來成功發育。
圖示：小鼠植入後幹細胞衍生胚胎模型 （ETiX） 的部分實時成像（圖源：論文）
在三個獨立實驗中分析的 ETiX 胚胎中，只有 23% （206） 在整個觀察期間符合正常發育的標準。透過進行延時研究，他們注意到大多數 ETiX 胚胎的發育並不同步。因此，他們為處於相似發育階段的每個 ETiX 胚胎註釋了一個結束時間點，將其稱為同步資料集，並隨後用於訓練深度學習模型 StembryoNet。
深度學習模型 StembryoNet
StembryoNet，這是一種基於 ResNet18 架構構建的深度學習模型，專為在同步資料上進行訓練而設計，同時還支援對非同步資料進行預測。
StembryoNet 的一個關鍵特性是它能夠預測未同步資料的結果。它透過處理同一 ETiX 胚胎最後 25 小時的連續時間點來實現這一點，為每個時間點生成單獨的輸出。然後將這些輸出連線起來，並使用跨時間點的閾值最大機率來確定最終分類。
圖示：發育晚期基於 AI 的 ETiX 胚胎分類。（圖源：論文）
在同步資料（預先選擇的時間點）上測試 StembryoNet 並沒有產生更好的效能，這表明 StembryoNet 使迴圈中的人類成為消耗品。
像 StembryoNet 這樣的完全監督方法依賴於勞動密集型的人工註釋，這使得自我監督、無註釋的深度學習方法成為一種有吸引力的替代方案。
StembryoNet 顯著增強了現如今在高階發育階段對 ETiX 胚胎進行分類的能力，與最先進的深度學習模型相比，實現了卓越的準確性和精度。透過與胚胎學家的看法緊密結合並提供生物學見解，StembryoNet 代表了分析 ETiX 胚胎髮育的強大工具。
ETiX 胚胎髮育預測
在細胞接種後 90 小時對正常和異常 ETiX 胚胎進行基於深度學習的分類可以提高跨實驗室 ETiX 胚胎選擇的可重複性。
圖示：基於 AI 的 ETiX 胚胎髮育未來正常預測。（圖源：論文）
本質上，通道級熒光和是對初始細胞數量的估計，併成為未來發育正常和異常的 ETiX 胚胎的顯著特徵。由於實驗固有的細胞發育的隨機性，獲取準確細胞數量具有挑戰性。
隨著開發的進行，與細胞接種階段相比，分類準確性有所提高。分析還捕捉到徑向對稱性在 65 小時左右打破，其中正常的 ETiX 胚胎，最初是具有徑向對稱性的球形，開始伸長，而異常胚胎保持相似的球形度。
小結
本次研究標誌著使用深度學習對幹細胞衍生胚胎模型的實驗變異性進行分類和剖析的進步，代表了該領域的首次此類研究。所採用的 StembryoNet 模型是專門設計用於對處於晚期發育階段的 ETiX 胚胎進行分類，實現了 88% 的顯著準確性。這種效能明顯超過了其他最先進的模型。
本 AI 模型在 0 到 90 小時的不同時間點進行訓練，可以在人類選擇不可行的早期階段選擇胚胎。例如，模型在 60 小時的時間點進行資料訓練，實現了 76% 的分類準確率，可以在徑向對稱性打破時選擇 ETiX 胚胎，以進一步分析這一重要的發育里程碑。
這項研究不僅增強現如今使用深度學習可靠地分類和預測 ETiX 胚胎髮育的能力，而且還加深了科研者對所涉及的發育動力學的理解。這些見解為在整個觀察期間為進一步研究的可靠選擇 ETiX 胚胎鋪平了道路，為幹細胞衍生模型的胚胎學這一新興領域做出了貢獻。
原文連結：https://www.nature.com/articles/s41467-025-56908-5