计算生物学
近年来，干细胞来源的胚胎模型取得了显著进展，改变了发育生物学研究的面貌，使研究者能够在不受天然胚胎限制的情况下深入理解胚胎发生过程。然而，其发育过程中的变异性对研究标准化构成了挑战。为应对这一问题，我们利用深度学习提高干细胞来源胚胎模型筛选的可重复性。通过活体成像和基于人工智能的模型，我们将900个小鼠着床后干细胞来源类胚胎结构（ETiX-embryos）分类为正常和异常两类。
我们性能最佳的模型在细胞接种后90小时达到88%的准确率，并在初始细胞接种阶段实现65%的准确率，从而能够预测其发育轨迹。我们的分析表明，正常发育的ETiX-embryos具有更高的细胞数量，并表现出明显不同的形态学特征，例如更大的体积和更紧凑的形状。通过增加初始细胞数量的扰动实验进一步支持了这一发现，该操作改善了正常发育的结果。本研究展示了深度学习在优化胚胎模型筛选中的实用价值，并揭示了ETiX-embryos自组织过程中的关键特征，从而推动了这一新兴领域研究一致性的提升。