干细胞，包括多能干细胞和组织特异性干细胞，具有各种临床应用；人工培养干细胞的质量，在医学应用中至关重要。干细胞必须在精心控制的条件下，进行体外培养。然而，目前对干细胞培养的质量控制是基于研究人员的目视检查；这严重阻碍了干细胞培养的标准化，限制了干细胞的大规模制造。

日本东京医科齿科大学（TMDU）的研究人员发布了，一种基于 深度学习 的自动细胞跟踪(DeepACT)技术；该技术可用于识别人工培养的干细胞，且可以无创伤监测控制干细胞质量。为大规模标准化无创伤控制培养干细胞提供了重要手段。

该研究以「 Label-free quality control and identification of human keratinocyte stem cells by deep learning-based automated cell tracking」为题，于2021年2月23日发布于《干细胞》（STEM CELLS ）杂志。

干细胞能够发育成多种不同类型的成熟细胞，它们可以生长为新的组织，从而用于治疗某些伤病。角质干细胞（皮肤干细胞）是少数在实验室中生长良好的成人干细胞类型之一；可以用于治疗遗传性皮肤病以及修复大面积烧伤皮肤。并且，健康的角蛋白细胞比不太健康的细胞移动速度更快，因此它们可以通过显微镜识别出来。DeepACT的主要作用是帮助科学家快速识别健康的干细胞，并监测干细胞生长。

该程序包括两个主要模块：通过 深度学习 ，从培养物的相差图像中以「单细胞分辨率」识别人类角质形成细胞；然后，使用状态空间模型跟踪菌落中角质形成细胞的运动轨迹。

基于深度学习 的细胞自动跟踪模型的开发

DeepACT基于 深度学习 的级联细胞检测方法和基于卡尔曼滤波器算法的跟踪方法相结合，在培养物的相差图像中，成功跟踪了密集的人表皮角质形成细胞集落内的单个细胞。研究人员评估后得出结论，与肉眼识别相比 ，DeepACT对于角质干细胞的识别非常准确。

在人的角质形成细胞菌落中的自动细胞跟踪

DeepACT 可以快速分析单个角质形成细胞的运动指数，从而能够对角质形成细胞动态响应培养条件的变化进行定量评估。运动指数可以反映中心区域的细胞与边缘区域的细胞移动速度。运动指数最高的干细胞会更有可能生长为健康皮肤，因此它们适合作为新皮肤移植给烧伤患者。

角质形成细胞行为对培养条件变化的反应的定量评价

此外，DeepACT 可以通过分析细胞的空间和速度信息，来区分角质形成细胞干细胞集落和非干细胞衍生集落。这将有利于研究人员更加便捷且精准的控制角质干细胞的培养。

通过自动细胞跟踪来识别人的角质形成细胞干细胞菌落

当前皮肤移植，含有太多不健康或非生产性干细胞；那么能够快速、便捷地识别最合适的细胞，将大大提高干细胞细胞移植的临床优势。另外，自动化质量控制，有助于确保稳定的细胞供应，同时可以降低细胞的生产成本；对于工业化生产干细胞具有重要价值。

论文链接：https://stemcellsjournals.onlinelibrary.wiley.com/doi/full/10.1002/stem.3371

相关报道：https://phys.org/news/2021-06-ai-healthy-stem-cells-quickly.html