計算生物學
近年來，幹細胞來源的胚胎模型取得了顯著進展，改變了發育生物學研究的面貌，使研究者能夠在不受天然胚胎限制的情況下深入理解胚胎發生過程。然而，其發育過程中的變異性對研究標準化構成了挑戰。為應對這一問題，我們利用深度學習提高幹細胞來源胚胎模型篩選的可重複性。通過活體成像和基於人工智能的模型，我們將900個小鼠著床後幹細胞來源類胚胎結構（ETiX-embryos）分類為正常和異常兩類。
我們性能最佳的模型在細胞接種後90小時達到88%的準確率，並在初始細胞接種階段實現65%的準確率，從而能夠預測其發育軌跡。我們的分析表明，正常發育的ETiX-embryos具有更高的細胞數量，並表現出明顯不同的形態學特徵，例如更大的體積和更緊湊的形狀。通過增加初始細胞數量的擾動實驗進一步支援了這一發現，該操作改善了正常發育的結果。本研究展示了深度學習在優化胚胎模型篩選中的實用價值，並揭示了ETiX-embryos自組織過程中的關鍵特徵，從而推動了這一新興領域研究一致性的提升。