人工智能促进ALS研究中的运动神经元分析和筛选

研究人员将基于小分子的方法与转录因子转导相结合，培养了复制ALS神经元生理和功能的lmn。与传统方法相比，他们在短短两周内实现了80%的LMNs诱导效率。

　　

从肌萎缩性侧索硬化症（ALS）患者身上直接提取的干细胞中培养运动神经元，为更好地理解和治疗这种致命的神经退行性疾病提供了新的希望。日本庆应义塾大学的研究人员，由Hideyuki Okano博士领导，现在报告了一种利用诱导多能干细胞（iPSCs）培养功能性脊髓下运动神经元（lmn）的新方法，其诱导效率高，同时显著缩短了产生功能性神经元所需的时间。

通讯作者Satoru Morimoto博士与GEN分享说：“我们的目标是开发一种简化和强大的方法，以加速ALS的研究，并对这种毁灭性疾病进行大规模的药物筛选，特别是在散发性ALS患者中。”

新方法和分析的细节发表在干细胞报告中，标题为“通过单细胞成像快速诱导人类脊髓下运动神经元和强大的ALS细胞筛选”。

森本的团队强烈希望找到治疗ALS的方法，这是一种具有挑战性的疾病，因为超过90%的病例是散发性的，导致患者群体的高度异质性。他说，为了有效地研究这种疾病，研究人员“需要分析大量病例，以弥补个体差异”。

培养LMNs

为了创造能够复制ALS神经元生理和功能的培养lmn，日本团队将基于小分子的方法与转录因子转导相结合。与传统方法相比，研究人员在短短两周内实现了80%的LMNs诱导效率。

结果发现lmn具有复制als特异性病理，如TDP-43和FUS蛋白的异常聚集。研究小组使用多电极阵列（MEA）系统来测量放电活动和网络活动，证实了lmn的功能，发现它们与成熟神经元相似。

对培养的LMNs的进一步分析表明，除了维持ALS细胞标志物外，与健康细胞相比，LMNs的存活率降低，模仿ALS运动神经元的反应。

作者写道：“我们的方法为研究als特异性细胞脆弱性提供了一个强大的平台，并为药物筛选提供了前所未有的机会。”本研究显示在lmn中再现ALS表型。该研究小组在2023年发表的研究中，使用相同的方法诱导细胞，结果显示与临床药物反应呈正相关。然而，目前的研究并没有直接评估“表型的严重程度是否与患者的临床进展相关”。

使用人工智能来改善结果 

Morimoto告诉gen说：“主要的挑战是在短时间内实现高诱导效率，同时保持细胞纯度，克服大规模多样本分析的异质性。此外，有必要建立可靠的单细胞分析技术，以准确评估诱导运动神经元的表型，并消除lmn以外的细胞。”

研究人员利用机器学习和人工智能驱动的图像分析技术进行实时成像和单细胞跟踪，以评估lmn的形态和活力，并将非lmn细胞排除在分析之外。森本的团队使用人工智能“通过提高识别细胞表型、检测细微变化和预测疾病进展的准确性和效率来增强自动化分析。”

“看到我们的方法如何简化了以前劳动密集型的过程，使ALS研究更容易获得和扩展，这是非常有益的。”他补充说，他的团队专注于提高自动化和可重复性。

“我们设想使用人工智能驱动的工具来优化细胞培养条件，并在后续研究中分析复杂的数据集。”“这可能会被用作实际临床实践的配套工具，比如诊断和疾病追踪。”

持续的研究将包括进一步探索lmn来模拟ALS细胞对药物治疗的反应。森本有三个主要目标，即“阐明散发性ALS的病理机制；为每位散发性ALS患者开发最合适的药物；并使用iPS细胞衍生的神经元作为患者的生物标志物。”

日本的这项研究为更好地理解和治疗肌萎缩侧索硬化症和其他潜在的神经退行性疾病提供了一条途径。他们的技术为大规模分析和药物筛选打开了大门，但它也有其局限性，需要实时监测系统和减少可变性。森本向GEN指出，“自动化细胞生长和分析需要确保可重复性，并在可扩展的同时保持神经元分化所需的微妙条件。”

从积极的方面来看，Morimoto分享了他对这项研究和团队的骄傲，他说：“这个项目最令人兴奋的事情之一是见证了我们团队内部的跨学科合作，结合了干细胞生物学、延时成像和机器学习方面的专业知识。”

Morimoto的使命是“继续与世界各地的合作者合作，寻找治疗ALS的方法。”