京都大学临床应用医学系副教授Hidetoshi Sakurai团队与Epistra公司合作开发了一种非侵入式成像与机器学习系统，能够准确预测诱导性多能干细胞（iPS细胞）分化为肌肉干细胞（MuSC）的效率。这项突破性技术已发表于《科学报告》（Scientific Reports）。
iPS细胞因具有分化为人体几乎所有细胞类型的能力，被认为是再生医学的关键。尽管定向分化技术无需基因操作且模拟自然发育过程，但其低重现性和长诱导周期长期制约着研究进展。研究团队通过引入机器学习算法，利用相位对比成像技术解决了这一难题。
该系统在分化的第14至38天内采集了34个培养孔的5500余张相位对比图像。通过快速傅里叶变换（FFT）提取形态学特征后，研究人员训练随机森林分类器预测第82天MYF5阳性细胞比例——这是肌肉干细胞成功分化的关键标志物。结果显示，系统在第24天即可识别低效样本，第31或34天可准确区分高效样本。
生物验证证实了成像预测的可靠性。第38天的肌源性标志物（如MYH3和MYOD1）基因与蛋白表达水平与最终分化结果高度相关。免疫细胞化学分析进一步显示，这些标志物高表达的样本更易产生MYF5阳性细胞。该技术使低质量样本比例降低43.7%，高质量样本产量提升72%，显著优化了细胞生产流程。
这一无创技术突破传统破坏性检测的局限，不仅降低长周期培养的成本与劳动强度，还为干细胞研究与再生医学提供了可扩展的实时监测工具。研究团队表示将探索该技术在其他分化系统中的应用潜力，以推动多疾病领域的干细胞治疗发展。
【全文结束】
