JP2023121191A - 機能性細胞凝集塊の形成を評価するシステム、方法、及び、プログラム - Google Patents

Abstract

【課題】オルガノイドなどの機能性細胞凝集塊を得るための細胞培養において、細胞の培養を継続すべきか否かの判断材料を早期に提供する。【解決手段】システムは、機能性細胞凝集塊の形成を評価するシステムである。システムは、細胞と培養プロトコルとの組み合わせに対する機能性細胞凝集塊の形成の成否を学習した学習済みモデルを記憶する記憶装置と、少なくとも刺激情報を含む培養プロトコルに関するプロトコル情報と対象細胞画像とを取得する取得部と、対象細胞画像及びプロトコル情報と、記憶部に記憶されている学習済みモデルとに基づいて、培養プロトコルが対象とする所定の機能を有する機能性細胞凝集塊の形成の成否についての予測結果を示す形成成否情報を出力する予測部と、を備える。【選択図】図４

Description

本明細書の開示は、機能性細胞凝集塊の形成を評価するシステム、方法、及び、プログラムに関する。

近年、オルガノイドが注目されている。オルガノイドは、胚性幹細胞（ＥＳ細胞）、人工多能性幹細胞（ｉＰＳ細胞）、組織性（体性）幹細胞などの幹細胞から人工的に作られるミニチュアの臓器であり、再生医療、疾患解析、創薬などの用途において大きな可能性を有している。

オルガノイドやスフェロイドなどの培養に関連する技術は様々提案されている。例えば、特許文献１には、オルガノイドやスフェロイドなど細胞凝集塊中の細胞の生死判定を支援する技術が提案されている。

特開２０１９－０５４７４２号公報

ところで、オルガノイドの作製は、予め用意された培養プロトコルに従って複数の工程を経て行われるため、完成までに多くの時間とコストがかかることになる。しかしながら、作成途中で失敗してしまい、時間とコストが無駄になってしまうことも少なくない。この点については、たとえ特許文献１に記載の技術を用いた場合であっても事前に失敗を予測することはできないため、このような無駄な培養を回避することは難しい。

以上のような実情から、本発明の一側面に係る目的は、オルガノイドなどの機能性細胞凝集塊を得るための細胞培養において、細胞の培養を継続すべきか否かの判断材料を早期に提供することである。

本発明の一態様に係るシステムは、機能性細胞凝集塊の形成を評価するシステムであって、細胞と培養プロトコルとの組み合わせに対する機能性細胞凝集塊の形成の成否を学習した学習済みモデルを記憶する記憶部と、培養対象細胞の画像である対象細胞画像と、前記培養対象細胞に適用される培養プロトコルに関するプロトコル情報であって、少なくとも前記培養対象細胞に与える刺激の種類を示す刺激情報を含むプロトコル情報と、を取得する取得部と、前記取得部で取得された前記対象細胞画像及び前記プロトコル情報と、前記記憶部に記憶されている前記学習済みモデルとに基づいて、前記培養プロトコルが対象とする所定の機能を有する機能性細胞凝集塊の形成の成否についての予測結果を示す形成成否情報を出力する予測部と、を備える。

本発明の一態様に係る方法は、機能性細胞凝集塊の形成を評価する方法であって、培養対象細胞の画像である対象細胞画像と、前記培養対象細胞に適用される培養プロトコルに関するプロトコル情報であって、少なくとも前記培養対象細胞に与える刺激の種類を示す刺激情報を含むプロトコル情報と、を取得し、取得した前記対象細胞画像及び前記プロトコル情報と、細胞と培養プロトコルとの組み合わせに対する機能性細胞凝集塊の形成の成否を学習した学習済みモデルとに基づいて、前記培養プロトコルが対象とする所定の機能を有する機能性細胞凝集塊の形成の成否についての予測結果を示す形成成否情報を出力する。

本発明の一態様に係るプログラムは、コンピュータに、培養対象細胞の画像である対象細胞画像と、前記培養対象細胞に適用される培養プロトコルに関するプロトコル情報であって、少なくとも前記培養対象細胞に与える刺激の種類を示す刺激情報を含むプロトコル情報と、を取得し、取得した前記対象細胞画像及び前記プロトコル情報と、細胞と培養プロトコルとの組み合わせに対する機能性細胞凝集塊の形成の成否を学習した学習済みモデルとに基づいて、前記培養プロトコルが対象とする所定の機能を有する機能性細胞凝集塊の形成の成否についての予測結果を示す形成成否情報を出力する処理を実行させる。

上記の態様によれば、オルガノイドなどの機能性細胞凝集塊を得るための細胞培養において、細胞の培養を継続すべきか否かの判断材料を早期に提供することができる。

従来におけるオルガノイドの培養手順を示したフローチャートの一例である。 第１の実施形態に係るシステム１の構成を例示した図である。 コンピュータ２０の構成を例示したブロック図である。 第１の実施形態に係るオルガノイドの培養手順を示したフローチャートの一例である。 第１の実施形態に係る細胞評価処理のフローチャートの一例である。 第１の実施形態に係る学習済みモデルの入出力を説明するための図である。 第１の実施形態に係る学習済みモデルの学習手順を示したフローチャートの一例である。 第１の実施形態に係る学習処理のフローチャートの一例である。 図６に示す学習済みモデルの変形例を説明するための図である。 図６に示す学習済みモデルの別の変形例を説明するための図である。 図４に示すオルガノイドの培養手順を示したフローチャートの変形例である。 図４に示すオルガノイドの培養手順を示したフローチャートの別の変形例である。 図５に示す細胞評価処理のフローチャートの変形例である。 図６に示す学習済みモデルのさらに別の変形例を説明するための図である。 図４に示すオルガノイドの培養手順を示したフローチャートのさらに別の変形例である。 第２の実施形態に係るシステム２の構成を例示した図である。 観察装置３０の構成を例示した図である。 第２の実施形態に係るオルガノイドの培養手順を示したフローチャートの一例である。 端末に表示されるアプリケーション画面の一例である。 培養プロトコルの修正を提案する画面の一例である。 第３の実施形態に係る学習済みモデルの入出力を説明するための図である。 第３の実施形態に係る学習済みモデルの学習手順を示したフローチャートの一例である。 第３の実施形態に係る学習処理のフローチャートの一例である。 第４の実施形態に係る学習済みモデルの入出力を説明するための図である。 第４の実施形態に係る学習処理のフローチャートの一例である。 第５の実施形態に係るシステムの構成を例示した図である。

図１は、従来におけるオルガノイドの培養手順を示したフローチャートの一例である。本発明の理解を容易にするために、本発明の各実施形態について説明する前に、従来におけるオルガノイドの培養手順について説明する。

オルガノイドのような所定の機能を有する機能性細胞凝集塊を形成する場合、図１に示すように、まず最初に幹細胞が作製される（ステップＳ１）。幹細胞としてｉＰＳ細胞を作製する場合であれば、生体から体細胞を採取し、採取した体細胞に遺伝子を導入して初期化することで、ｉＰＳ細胞を作製する。

なお、ステップＳ１で作製する幹細胞は、ｉＰＳ細胞に限らない。ｉＰＳ細胞を作製する代わりに、胚盤胞中の細胞を取り出してＥＳ細胞を作製してもよい。また、ＥＳ細胞やｉＰＳ細胞ような多能性幹細胞（Ｐｌｕｒｉｐｏｔｅｎｔ ｓｔｅｍ ｃｅｌｌ）に限らず、多分化能幹細胞（Ｍｕｌｔｉ－ｐｏｔｅｎｔ ｓｔｅｍ ｃｅｌｌ）が作成されてもよい。多分化能幹細胞は、ある程度分化の方向が決まっている幹細胞であり、例えば、体性幹細胞（組織性幹細胞）がその代表例である。体性幹細胞の中でも比較的容易に採取可能な間葉系幹細胞（Ｍｅｓｅｎｃｈｙｍａｌ ｓｔｅｍ ｃｅｌｌ）などを脂肪、骨髄、皮膚などから採取し、利用してもよい。

その後、作製した幹細胞を培養プロトコルに従って培養し（ステップＳ２）、適宜観察を行う（ステップＳ３）。培養プロトコルは、培養の具体的な手順や条件のことをいう。ステップＳ２では、所定の機能を有するオルガノイドを形成するための培養プロトコルに従って培養が行われる。所定の機能を有するオルガノイドは、例えば、腸オルガノイド、脳オルガノイドなどである。ステップＳ２及びステップＳ３を例えば所定期間行うことで、オルガノイドの形成が成功したか否かが明らかになる。そして、オルガノイドの形成に失敗したことが明らかになった場合には（ステップＳ４ＮＯ）、図１に示す手順を最初からやり直す。

このように、幹細胞からオルガノイドを形成する従来の培養手順では、オルガノイドの形成に成功して所望の量得られるまで、図１に示す手順の全てが繰り返し行われることになる。このため、ステップＳ１において分化能が高い幹細胞が安定して作製され、且つ、ステップＳ１において適切なプロトコルに従って培養が行われない限り、オルガノイドを必要な量だけ得るまでに要する平均的な時間は、必然的に長くなってしまう。

これに対して、後述する本発明の各実施形態では、作製される幹細胞の分化能にばらつきがあるなど個体差が存在することを前提に、培養対象となる細胞（作成された幹細胞、その幹細胞から分化した細胞など）と特定の培養プロトコルとの相性の良し悪しを見分けることで、オルガノイド形成が成功する可能性の低い培養を回避する。これにより、例えば、同じ培養プロトコルであっても相性の良い培養対象を選択して培養を行うことで、所望の量のオルガノイドを得るために必要な時間とコストを削減することできる。また、培養対象に対して相性の良い培養プロトコルを選択して培養を行うことで、培養対象の無駄も減らすことができる。

以下、本発明の各実施形態について説明する。

［第１の実施形態］
図２は、本実施形態に係るシステム１の構成を例示した図である。図３は、コンピュータ２０の構成を例示したブロック図である。システム１は、オルガノイドの形成を評価するシステムである。システム１は、図２に示すように、培養対象の細胞（以降、培養対象細胞と記す。）を撮影する顕微鏡装置１０と、オルガノイドの形成を評価するコンピュータ２０とを備えている。

システム１では、細胞と培養プロトコルとの組み合わせに対するオルガノイドの形成の成否を学習した学習済みモデルを用いることで、コンピュータ２０が、顕微鏡装置１０で撮影した培養対象細胞の画像とその培養対象細胞に適用される培養プロトコルに関する情報（以降、単にプロトコル情報と記す。）とに基づいて、その培養対象細胞の培養が継続された場合にオルガノイドの形成が成功するか否かを事前に予測する。これにより、オルガノイド形成の失敗が予測される場合には細胞培養の継続を中止することで、無駄な培養を回避することが可能であり、結果として、オルガノイドを短時間で且つ低コストで得ることが可能となる。

システム１が形成の成否を予測するオルガノイドは、例えば、腸オルガノイド、脳オルガノイドなどであり、予め決められた種類、つまり、所定の機能を有する、オルガノイドであることが望ましい。また、複数の異なる種類のオルガノイドの形成の成否を予測する場合には、オルガノイドの種類毎に学習済みモデルを準備することが望ましい。

プロトコル情報とは、培養対象細胞に適用する培養プロトコルに関する情報である。プロトコル情報には、少なくとも培養対象細胞に与える刺激の種類を示す刺激情報を含んでいる。培養対象細胞に与える刺激は、幹細胞に作用させて分化を誘導するもの（分化誘導因子）であってもよく、幹細胞から分化した分化細胞へ作用させるものであってもよい。また、分化誘導因子と共に培地に含めるスキャフォールドとなる物質であってもよい。

分化誘導因子は、例えば、Ａｃｔｉｖｉｎ Ａ、ＢＭＰ４、ＦＧＦ４などの化合物であってもよく、例えば、培養液に投与される液性因子、幹細胞に遺伝子導入される遺伝子などであってもよい。また、分化誘導因子は、物理的刺激であってもよく、例えば、熱、光、電気であってもよく、圧力、振動などの機械的刺激であってもよい。

プロトコル情報は、さらに、刺激情報が示す種類の刺激を培養対象細胞へ与える時期を示す時期情報を含むことが望ましい。時期情報は、刺激を与える始期を示す情報を含んでもよく、刺激を与える期間を示す情報を含んでもよい。

プロトコル情報は、培養対象細胞を培養する手順を示す情報であることが望ましく、より望ましくは、複数の刺激の種類を示す複数の刺激情報と、その複数の刺激情報に対応する複数の時期情報を含む。例えば、心臓オルガノイドの作製過程では、幹細胞に６種類の因子をタイミング良く加えることで自己組織化が進むといった研究成果が知られている。このため、心臓オルガノイドを培養する培養プロトコルに関するプロトコル情報は、この６種類の因子を６つの刺激情報として、また、この６種類の因子を与えるタイミングを６つの時期情報として、含んでもよい。また、プロトコル情報には、スフェロイドをマトリゲルに包埋して３Ｄ培養へ移行するタイミングなどの情報が含まれてもよい。プロトコル情報には、その他、培養容器に関する情報、培養環境（例えば、温度、湿度）に関する情報、培地交換や継代に関する情報などが含まれてもよく、その画像が培養開始からどれくらい経過した時に撮像されたかの情報である画像取得時間などが含まれてもよい。

以下、図２及び図３を参照しながら、システム１の構成について説明する。顕微鏡装置１０は、試料Ｓを撮影するシステム１の撮影部の一例である。試料Ｓは、オルガノイド形成のために用いられる培養対象細胞である。顕微鏡装置１０は、培養対象細胞を撮影することで、培養対象細胞の画像（以降、対象細胞画像と記す。）を生成する。

顕微鏡装置１０は、図１に示すように、例えば、デジタルカメラ１１と、蛍光フィルタキューブ１２と、ターレット１３と、対物レンズ（位相差対物レンズ１４、対物レンズ１５）と、ステージ１６と、位相差コンデンサ１７と、光源（光源１８、光源１９）を備えている。

デジタルカメラ１１は、例えば、入射した観察光を電気信号に変換するイメージセンサを含んでいる。イメージセンサは、例えば、ＣＣＤ（Ｃｈａｒｇｅ Ｃｏｕｐｌｅｄ Ｄｅｖｉｃｅ）イメージセンサ、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ Ｍｅｔａｌ Ｏｘｉｄｅ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）イメージセンサなどであり、二次元イメージセンサである。デジタルカメラ１１は、カラーカメラであってもよい。デジタルカメラ１１は、試料Ｓを撮影して、対象細胞画像を生成する。デジタルカメラ１１が生成した対象細胞画像は、デジタルカメラ１１からコンピュータ２０へ出力される。

蛍光フィルタキューブ１２は、例えば、ダイクロイックミラー、励起フィルタ、吸収フィルタを含んでいる。蛍光フィルタキューブ１２は、ターレット１３に配置されていて、光路に対して挿脱自在である。顕微鏡装置１０が蛍光画像を生成する場合には蛍光フィルタキューブ１２は光路上に配置されている。顕微鏡装置１０が位相差画像を生成する場合には蛍光フィルタキューブ１２は光路外に配置される。

位相差対物レンズ１４及び対物レンズ１５は、レボルバに装着された顕微鏡対物レンズであり、観察法に応じて切り替えて使用される。位相差対物レンズ１４は、位相差画像を生成する場合に使用される対物レンズである。位相差対物レンズ１４は、直接光と回折光に位相差を与えるための位相膜が位相差対物レンズ１４内部の瞳位置に設けられている。対物レンズ１５は、蛍光画像を生成する場合に使用される対物レンズである。

ステージ１６には、試料Ｓが配置される。ステージ１６は、電動ステージであっても手動ステージであってもよい。位相差コンデンサ１７は、位相差画像を生成する場合に使用されるコンデンサである。位相差コンデンサ１７は、位相差対物レンズ１４内部に設けられた位相膜と光学的に共役な位置に、リングスリットを備えている。

光源１８と光源１９は、例えば、水銀ランプ、キセノンランプ、ＬＥＤ光源などである。光源１８と光源１９は、観察法に応じて切り替えて使用される。光源１８は、位相差画像を生成する場合に使用される光源である。光源１８は、光源１８から出射した光で試料Ｓを透過照明法を用いて照明する。光源１９は、蛍光画像を生成する場合に使用される光源である。光源１９は、光源１９から出射した光で試料Ｓを落射照明法を用いて照明する。

顕微鏡装置１０は、位相差画像と蛍光画像の両方を対象細胞画像として生成可能である。ただし、培養によって形成されるオルガノイドが、その後、臨床応用され得ることを考慮すると、顕微鏡装置１０は、培養対象細胞を非染色で撮影することが望ましい。従って、顕微鏡装置１０は、非染色で培養対象細胞を撮影した非染色画像である位相差画像を対象細胞画像として生成することが望ましい。

コンピュータ２０は、図３に示すように、例えば、１つ以上のプロセッサ２１と、１つ以上の記憶装置２２と、入力装置２３と、表示装置２４と、通信装置２５を備えていて、それがバス２６を通じて接続されている。

１つ以上のプロセッサ２１のそれぞれは、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）などを含むハードウェアであり、１つ以上の記憶装置２２に記憶されている図示しないプログラムを実行することで、プログラムされた処理を行う。また、１つ以上のプロセッサ２１は、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などを含んでもよい。

１つ以上のプロセッサ２１は、システム１の予測部の一例である。１つ以上のプロセッサは、記憶装置２２に記憶されている学習済みモデルＭを用いてオルガノイドの形成の成否を予測し、予測結果を出力する。

１つ以上の記憶装置２２のそれぞれは、例えば、１つ又は複数の任意の半導体メモリを含み、さらに、１つ又は複数のその他の記憶装置を含んでもよい。半導体メモリは、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などの揮発性メモリ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、プログラマブルＲＯＭ、フラッシュメモリなどの不揮発性メモリを含んでいる。ＲＡＭには、例えば、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などが含まれてもよい。その他の記憶装置には、例えば、磁気ディスクを含む磁気記憶装置、光ディスクを含む光学記憶装置などが含まれてもよい。

１つ以上の記憶装置２２は、非一時的なコンピュータ読取可能媒体であり、システム１の記憶部の一例である。記憶装置２２の少なくとも１つは、細胞と培養プロトコルとの組み合わせに対するオルガノイドの形成の成否を学習した学習済みモデルＭを記憶している。

入力装置２３は、利用者が直接操作する装置であり、例えば、キーボード、マウス、タッチパネルなどである。表示装置２４は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、ＣＲＴ（Cathode Ray Tube）ディスプレイなどである。ディスプレイには、タッチパネルが内蔵されてもよい。通信装置２５は、システム１の通知部の一例である。通信装置２５は、有線通信モジュールであっても無線通信モジュールであってもよい。

入力装置２３及び通信装置２５は、システム１の取得部の一例であり、対象細胞画像とプロトコル情報を取得する。プロトコル情報は、培養対象細胞に適用される培養プロトコルに関するものであり、例えば、どのような刺激をいつどのくらいの期間与えるかといった各工程に関する情報を複数含むものであってもよい。また、入力装置２３又は通信装置２５から取得した情報を予め決められたフォーマットに変換した情報がプロトコル情報であってもよい。この場合、入力装置２３及び通信装置２５とプロセッサ２１がシステム１の取得部として機能する。

なお、図３に示す構成は、コンピュータ２０のハードウェア構成の一例である。コンピュータ２０はこの構成に限定されるものではない。コンピュータ２０は、汎用装置ではなく専用装置であってもよい。

図４は、本実施形態に係るオルガノイドの培養手順を示したフローチャートの一例である。図５は、本実施形態に係る細胞評価処理のフローチャートの一例である。図６は、本実施形態に係る学習済みモデルの入出力を説明するための図である。以下、図４から図６を参照しながら、システム１を用いて行われるオルガノイドの培養手順について説明する。

本実施形態に係るオルガノイドの培養手順においても、まず最初に、システム１の利用者が幹細胞を作製する（ステップＳ１１）。この処理は、図１に示す従来の培養手順におけるステップＳ１の処理と同様である。

次に、顕微鏡装置１０は、ステップＳ１１で作製した細胞を撮影する（ステップＳ１２）。なお、ステップＳ１２では、ステップＳ１１で作製した幹細胞を培養対象細胞として撮影する。ここでは、顕微鏡装置１０がステージ１６に配置された培養対象細胞を位相差観察法を用いて撮影し、位相差画像である対象細胞画像を生成する。顕微鏡装置１０は、生成した対象細胞画像をコンピュータ２０へ出力する。

その後、コンピュータ２０は、図５に示す細胞評価処理を実行する（ステップＳ１３）。ここでは、コンピュータ２０は、まず、ステップＳ１２で生成された対象細胞画像と、ステップＳ１１で作製された幹細胞に適用される培養プロトコルに関する情報（プロトコル情報）を取得する（ステップＳ２１、ステップＳ２２）。ステップＳ２２では、例えば、入力装置２３を用いて利用者が入力した情報をプロトコル情報として取得してもよく、予めコンピュータ２０に記憶されている情報をプロトコル情報として読み出してもよい。

プロトコル情報は、少なくとも培養対象細胞に与える刺激の種類の情報を含んでいるが、例えば、分化誘導因子の情報（刺激情報）と、その分化誘導因子を作用させる時期の情報（時期情報）と、の複数の組み合わせを含んでもよい。時期の情報は、作業開始時期と期間を特定する情報であってもよい。プロトコル情報は、オルガノイド形成までの各工程に関する刺激情報と時期情報を含んでもよい。

対象細胞画像とプロトコル情報とが取得されると、コンピュータ２０は、培養対象細胞からのオルガノイドの形成の成否を予測する（ステップＳ２３）。ここでは、コンピュータ２０は、対象細胞画像とプロトコル情報と記憶装置２２に記憶されている学習済みモデルＭとに基づいて、オルガノイド形成の成否について予測する。より具体的には、コンピュータ２０は、図６に示すように、学習済みモデルＭ１に、細胞画像Ｘ１（対象細胞画像）とプロトコル情報Ｘ２を入力することで、プロトコル情報で特定される培養プロトコルが対象とする所定の機能を有するオルガノイド形成の成否についての予測結果を示す形成成否情報Ｙ１を取得する。形成成否情報Ｙ１は、成功と失敗の二値で表されてもよく、また、図６に示すように、成功の確率と失敗の確率の少なくとも一方を含んでもよい。なお、記憶装置２２に学習済みモデルが複数記録されている場合は、使用する学習済みモデルを選択するステップをステップＳ２３より前に設ければよい。具体的には、オルガノイドが実現する機能、つまり、オルガノイドの種類によって使用すべき学習済みモデルが異なる場合、作業者がコンピュータ２０に培養プロトコルに対応するオルガノイドの種類などの条件を入力することで、コンピュータ２０が学習済みモデルを選択してもよい。

最後に、コンピュータ２０は、ステップＳ２３での予測結果を出力する（ステップＳ２４）。ここでは、コンピュータ２０は、ステップＳ２３で取得した形成成否情報を出力する。なお、形成成否情報は、記憶装置２２に出力され、ファイルやデータベースに記録されてもよく、表示装置２４に出力され、画像表示されてもよい。なお、表示する予測結果には、ステップＳ２３の予測結果のみでなく、オルガノイドの種類を示す名称（例えば、脳オルガノイド、腸オルガノイド）を同時に表示しても良い。これにより、作業者はステップＳ２２で入力した培養プロトコルに対応するオルガノイドの形成の成否について評価されたことを確認することができる。

コンピュータ２０による細胞評価処理が終了すると、利用者は、ステップＳ２４で出力された形成成否情報に基づいて、オルガノイドの形成の成功が予測されたか否かを判定する（ステップＳ１４）。失敗が予測される場合には（ステップＳ１４ＮＯ）、この時点で培養対象細胞の培養を中止し、新たな幹細胞の作製から図４に示す手順をやり直す。

一方、成功が予測される場合には（ステップＳ１４ＹＥＳ）、利用者は、ステップＳ２２で取得したプロトコル情報に対応する培養プロトコルに従って培養対象細胞を培養し（ステップＳ１５）、培養を継続しながら培養対象細胞を観察する（ステップＳ１６）。なお、ステップＳ１５及びステップＳ１６の処理は、図１に示す従来の培養手順におけるステップＳ２及びステップＳ３の処理と同様である。培養プロトコルに応じて想定されている所定期間内に、オルガノイド形成が失敗したことが明らかになった場合には（ステップＳ１７ＮＯ）、培養対象細胞の培養を中止し、新たな幹細胞の作製から図４に示す手順をやり直す。

以上のように、本実施形態に係るシステム１では、培養プロトコルに従った培養を開始する前に、図５に示す細胞評価処理を行うことで、オルガノイドの形成が成功する可能性が低い培養を見分けることが可能である。細胞評価処理によって予測された培養結果を培養対象細胞の培養を継続すべきか否かの判断基準として利用することで、オルガノイド形成に失敗する無駄な培養を大幅の削減することができる。このため、無駄な培養に係るコストを削減することが可能となる。

また、学習済みモデルに入力するプロトコル情報によって予測結果がどのように変化するかを確認することで、作業者は、ステップＳ１５に用いる培養プロトコルを微調整してもよい。これにより、ある程度確立されている培養プロトコルを培養対象細胞に応じて最適化して利用することができる。

図７は、本実施形態に係る学習済みモデルの学習手順を示したフローチャートの一例である。図８は、本実施形態に係る学習処理のフローチャートの一例である。図７及び図８を参照しながら、システム１で細胞評価に利用される学習済みモデルの学習方法について説明する。なお、以降では、システム１を用いて図７及び図８に示す学習手順が行われる場合を例にして説明するが、図７及び図８に示す学習手順は、システム１を用いて行われてもよく、システム１とは異なるシステムを用いて行われてもよい。

学習工程においても、まず最初に、システム１の利用者が幹細胞を作製し（ステップＳ３１）、その後、顕微鏡装置１０がステップＳ３１で作成した幹細胞を撮影する（ステップＳ３２）。これらの処理は、図４に示す培養手順におけるステップＳ１１とステップＳ１２の手順と同様である。従って、ステップＳ３２で生成される細胞画像は、例えば、位相差画像である。

その後、利用者は、幹細胞を培養プロトコルに従って培養し（ステップＳ３３）、培養を継続しながらその細胞を観察する（ステップＳ３４）。これらの処理は、図４に示す培養手順におけるステップＳ１５とステップＳ１６の手順と同様である。

そして、培養が終了すると、コンピュータ２０は、図８に示す学習処理を実行する（ステップＳ３５）。ここでは、コンピュータ２０は、まず、対象細胞画像と、プロトコル情報と、形成成否結果情報を取得する（ステップＳ４１からステップＳ４３）。なお、対象細胞画像は、ステップＳ３２で生成された画像である。プロトコル情報は、ステップＳ３３で実行する培養プロトコルに関する情報である。コンピュータ２０は、例えば、入力装置２３を用いて利用者が入力した情報をプロトコル情報として取得してもよく、予めコンピュータ２０に記憶されている情報をプロトコル情報として読み出してもよい。形成成否結果情報は、ステップＳ３４での観察の結果として得られたステップＳ３３で行った培養によるオルガノイドの形成の成否の情報である。形成成否結果情報に、オルガノイドの種類や名称の情報を含んでも良い。

最後に、コンピュータ２０は、細胞と培養プロトコルとの組み合わせに対するオルガノイド形成の成否を学習し（ステップＳ４４）、図７及び図８に示す学習処理を終了する。ここでは、コンピュータ２０は、ステップＳ４１で取得した対象細胞画像とステップＳ４２で取得したプロトコル情報の入力に対してステップＳ４３で取得した形成成否結果情報を出力するように機械学習モデルを訓練する。

以上の学習処理を様々な幹細胞と培養プロトコルとの組み合わせに対して行うことで、機械学習モデルが訓練されて、幹細胞と培養プロトコルとの組み合わせに対してオルガノイド形成の成否を学習した学習済みモデルが構築される。

図９及び図１０は、図６に示す学習済みモデルの変形例を説明するための図である。オルガノイドの形成では、培養過程において複数種類の細胞が共培養される。例えば、気管支オルガノイドでは、気管支上皮細胞と間葉系細胞とを共培養する方法が提案されている。このため、上述したステップＳ２３では、図９及び図１０に示すように、共培養の対象である複数種類の細胞の画像と、これら複数種類の細胞を共培養するための培養プロトコルに関するプロトコル情報とを用いて、オルガノイドの形成成否を予測してもよい。

なお、対象細胞画像として入力される複数種類の細胞の画像は、図９に示すように、１枚の画像内に複数種類の細胞が写っている細胞画像Ｘ１１であってもよく、複数種類の細胞のそれぞれが写っている複数の細胞画像（細胞画像Ｘ１２ａ、細胞画像Ｘ１２ｂ）であってもよい。

また、共培養の場合、学習済みモデルには、対象細胞画像とプロトコル情報に加えて、複数種類の細胞を識別する細胞種情報を入力してもよい。例えば、図９に示すように、共培養する複数の細胞種をひとまとめにした細胞種情報Ｘ３を学習済みモデルＭ１１へ入力してもよく、図１０に示すように、細胞画像毎にその細胞画像に含まれる細胞の種類の情報だけを含む複数の細胞種情報（細胞種情報Ｘ３ａ、細胞種情報Ｘ３ｂ）を学習済みモデルＭ１２へ入力してもよい。また、プロトコル情報には、いつから共培養を行うかといった情報を含んでもよい。

また、学習済みモデルが複数の種類のオルガノイドの形成の成否を予測する場合には、形成成否を予測するオルガノイドの種類を指定する情報を学習済みモデルにさらに入力してもよい。

図１１は、図４に示すオルガノイドの培養手順を示したフローチャートの変形例である。図４に示す培養手順では、培養プロトコルに従った培養開始前にオルガノイドの形成成否を予測する例を示したが、図１１に示すように、細胞の撮影とオルガノイドの形成成否の予測は培養開始後に行われてもよい。ステップＳ５１で作製した幹細胞がステップＳ５２で培養され、異なる種類の幹細胞又は体細胞に分化した後に、ステップＳ５３の撮影が行われてもよい。即ち、培養対象細胞は、幹細胞に限らず体細胞であってもよく、対象細胞画像は、オルガノイドが形成される前の細胞画像であればよい。なお、ステップＳ５４からステップＳ５８の手順は、図４に示す培養手順におけるステップＳ１３からステップＳ１７の手順と同様である。

図１２は、図４に示すオルガノイドの培養手順を示したフローチャートの別の変形例である。図１３は、図５に示す細胞評価処理のフローチャートの変形例である。図１４は、図６に示す学習済みモデルのさらに別の変形例を説明するための図である。図４に示す培養手順では、培養プロトコルに従った培養開始前に撮影した画像に基づいてオルガノイドの形成成否を予測する例を示したが、段階的に培養の成否を予測して、培養を継続するか判断してよい。具体的には、図１２に示すように、培養開始前に所定の細胞への分化の成否を予測し、培養開始後にオルガノイドの形成の成否を予測してもよい。

図１２のステップＳ６１及びステップＳ６２の手順は、図４のステップＳ１１及びステップＳ１２の手順と同様である。その後、コンピュータ２０は、図１３に示す細胞評価処理を実行する（ステップＳ６３）。ここでは、コンピュータ２０は、まず、ステップＳ６２で生成された対象細胞画像と、ステップＳ６１で作製された幹細胞に適用される分化誘導情報を取得する（ステップＳ８１、ステップＳ８２）。ステップＳ８２では、例えば、入力装置２３を用いて利用者が入力した情報を分化誘導情報として取得してもよく、予めコンピュータ２０に記憶されている情報を分化誘導情報として読み出してもよい。

なお、分化誘導情報は、上述したプロトコル情報の一部であってもよく、プロトコル情報に含まれる培養初期の情報を含んでいればよい。分化誘導情報も、プロトコル情報と同様に、少なくとも培養対象細胞に与える刺激（分化誘導因子）の種類の情報を含んでいることが望ましく、さらに、分化誘導因子の情報（刺激情報）と、その分化誘導因子を作用させる時期の情報（時期情報）の組み合わせを含んでいることが望ましい。

対象細胞画像と分化誘導情報とが取得されると、コンピュータ２０は、培養対象細胞から所定の細胞への分化の成否を予測する（ステップＳ８３）。ここでは、コンピュータ２０は、対象細胞画像と分化誘導情報と記憶装置２２に記憶されている学習済みモデルＭとに基づいて、細胞分化の成否について予測する。より具体的には、コンピュータ２０は、図１４に示すように、学習済みモデルＭ１３に、細胞画像Ｘ１（対象細胞画像）と分化誘導情報Ｘ２ａを入力することで、分化誘導情報で特定される分化誘導方法が対象とする所定の細胞への分化の成否についての予測結果を示す分化成否情報Ｙ２を取得する。分化成否情報Ｙ２は、成功と失敗の二値で表されてもよく、また、図１４に示すように、成功の確率と失敗の確率の少なくとも一方を含んでもよい。なお、記憶装置２２に学習済みモデルが複数記憶されている場合は、使用する学習済みモデルを選択するステップをステップＳ８３より前に設ければよい。具体的には、分化先の細胞の種類毎に複数の学習済みモデルが設けられている場合、作業者はコンピュータ２０に分化誘導方法に対応する分化細胞の種類などの条件を入力し、コンピュータ２０が学習済みモデルを選択してもよい。

最後に、コンピュータ２０は、ステップＳ８３での予測結果を出力する（ステップＳ８４）。ここでは、コンピュータ２０は、ステップＳ８３で取得した分化成否情報を出力する。なお、分化成否情報は、記憶装置２２に出力され、ファイルやデータベースに記録されてもよく、表示装置２４に出力され、画像表示されてもよい。なお、表示する予測結果には、ステップＳ８３での予測結果のみでなく、分化細胞の種類を示す名称（例えば、内胚葉、中胚葉、外胚葉、軟骨細胞など）を同時に表示しても良い。これにより、作業者はステップＳ８２で入力した分化誘導方法に対応する細胞への分化の成否について評価されたことを確認することができる。

ステップＳ６３においてコンピュータ２０による細胞評価処理が終了すると、利用者は、ステップＳ８４で出力された分化成否情報に基づいて、分化の成功が予測されたか否かを判定する（ステップＳ６４）。失敗が予測される場合には（ステップＳ６４ＮＯ）、この時点で培養対象細胞の培養を中止し、新たな幹細胞の作製から図１２に示す手順をやり直す。

一方、成功が予測される場合には（ステップＳ６４ＹＥＳ）、利用者は、培養プロトコルに従って培養対象細胞を培養する（ステップＳ６５）。なお、以降の手順（ステップＳ６６からステップＳ７１）は、図４のステップＳ１２からステップＳ１７の手順と同様である。

図１２に示す培養手順によれば、幹細胞から所定の細胞への分化の成否を培養開始前に予測することで、培養開始前の時点でオルガノイドの形成成否を予測することが困難な場合であっても、培養の初期段階で失敗する培養を未然に回避することができる。さらに、培養開始後にオルガノイドの形成成否を予測可能となった段階でオルガノイドの形成成否を予測することで、比較的早期に培養中止の判断を下すことが可能となるため、無駄なコストと時間を抑えることができる。

図１５は、図４に示すオルガノイドの培養手順を示したフローチャートのさらに別の変形例である。図１５に示す培養手順は、利用者がステップＳ９７で生成される形成成否情報に基づいてオルガノイド形成成否を判断することが難しい場合に、判断を保留して培養を継続する点が図１４に示す培養手順とは異なっている。例えば、利用者は、形成成否情報に含まれる成功確率が閾値ＴＨ１未満であれば失敗すると判断し、閾値ＴＨ２（＞ＴＨ１）以上であれば成功すると判断してもよく、閾値ＴＨ１以上閾値ＴＨ２未満であれば判断を保留してよい。

［第２の実施形態］
第１の実施形態では、オルガノイド形成の成否を基本的には１度だけ予測し、その予測結果により無駄な培養を回避する例を示した。本実施形態は、培養開始後に継続してオルガノイドの形成の成否を予測する点が、第１の実施形態とは異なっている。

以下、図１６及び図１７を参照しながら、本実施形態に係るシステム２について説明する。図１６は、本実施形態に係るシステム２の構成を例示した図である。図１７は、観察装置３０の構成を例示した図である。

システム２は、システム１と同様に、オルガノイドの形成を評価するシステムである。システム２は、培養対象細胞を撮影する観察装置３０と、オルガノイドの形成を評価するコンピュータ２０と、を備えている。システム２は、顕微鏡装置１０の代わりに観察装置３０を備える点が、システム１とは異なっている。コンピュータ２０については、システム１のコンピュータ２０と同様である。ただし、コンピュータ２０は、予め登録されているシステム２外の端末（端末５０、端末６０）と通信可能に構成されている。端末５０と端末６０は、例えば、利用者個人の端末であり、携帯電話やスマートフォンなどであってもよい。

観察装置３０は、培養容器Ｃ内の培養対象細胞を撮影する、システム１の撮影部の一例である。観察装置３０は、対象細胞画像を生成するために培養対象細胞を撮影する点は、顕微鏡装置１０と同様である。

細胞をインキュベータ４０から取り出すことなく観察するために、観察装置３０は、例えば、図１６に示すように、インキュベータ４０内に配置された状態で使用され、培養中の幹細胞を撮影する。より詳細には、観察装置３０は、培養容器Ｃが観察装置３０の透過窓３１に載置された状態でインキュベータ４０内に配置され、コンピュータ２０からの指示に従って培養容器Ｃ内の細胞を撮影する。インキュベータ４０内から細胞を取り出さずに継続的に観察が可能な構成とすることで、インキュベータ４０の開閉や細胞の運搬などの作業に伴うコンタミネーションを防止することが出来る。

観察装置３０は、図１７に示すように、培養容器Ｃが配置される透明な透過窓３１を上面とする箱型の筐体３２を備えている。なお、透過窓３１は、観察装置３０の筐体３２の上面を構成する透明な天板であり、例えば、ガラスや透明な樹脂などからなる。観察装置３０は、さらに、筐体３２内部に収容された、試料を照明する光源ユニット３４と、試料の画像を取得する撮像ユニット３５と、を備えている。光源ユニット３４と撮像ユニット３５は、ステージ３３上に設置されていて、筐体３２内でステージ３３が移動することで培養容器Ｃに対して移動する。これにより、観察装置３０は、光源ユニット３４によって培養容器Ｃ内の任意の位置に存在する細胞を照明して、撮像ユニット３５によって細胞を撮影することができる。

なお、図１７には、光源ユニット３４と撮像ユニット３５がステージ３３上に設置され、その結果、一体となって筐体３２内を移動する例が示されているが、光源ユニット３４と撮像ユニット３５は、それぞれ独立して筐体３２内を移動してもよい。

光源ユニット３４は、発光ダイオード（ＬＥＤ）などの光源を含んでいる。光源には、白色ＬＥＤが含まれてもよく、Ｒ（赤）、Ｇ（緑）、Ｂ（青）など、複数の異なる波長の光を出射する複数のＬＥＤが含まれてもよい。

撮像ユニット３５は、撮像素子を備えている。撮像素子は、検出した光を電気信号に変換する光センサである。撮像素子は、具体的には、イメージセンサであり、特に限定しないが、例えば、ＣＣＤ（Ｃｈａｒｇｅ－Ｃｏｕｐｌｅｄ Ｄｅｖｉｃｅ）イメージセンサ、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ ＭＯＳ）イメージセンサなどである。

以上のように構成された観察装置３０では、位相物体である培養容器Ｃ内の細胞を可視化するために、偏射照明が採用されている。具体的には、光源ユニット３４が発した光は、筐体３２外へ出射し、その後、筐体３２外へ出射した光のうちの一部が、例えば、培養容器Ｃの上面などで反射することで、試料Ｓ上方で偏向され、さらに、試料Ｓ上方で偏向された光のうちの一部が、試料Ｓに照射され、試料Ｓ及び透過窓３１を透過することによって筐体３２内に入射する。そして、筐体３２内に入射した光のうちの一部が撮像ユニット３５に入射し、撮像素子上に細胞の像を形成する。最後に、観察装置３０は、撮像素子から出力された電気信号に基づいて細胞の画像を生成する。このように、観察装置３０は、非染色で細胞を撮影し、細胞を可視化した非染色画像である細胞画像を生成し、コンピュータ２０へ出力する。

コンピュータ２０は、インキュベータ４０内に置かれた観察装置３０へ撮影指示を送信し、撮影指示に従って観察装置３０で生成された細胞画像を観察装置３０から受信する。コンピュータ２０が予め決められたスケジュールに従って撮影指示を観察装置３０へ送信することで、観察装置３０は、タイムラプス撮影を行う。これにより、システム２では、培養中の細胞（培養対象細胞）をインキュベータ４０から取り出すことなく、培養対象細胞の経時変化を観察することができる。

図１８は、本実施形態に係るオルガノイドの培養手順を示したフローチャートの一例である。図１９は、端末に表示されるアプリケーション画面の一例である。図２０は、培養プロトコルの修正を提案する画面の一例である。以下、図１８から図２０を参照しながら、システム２を用いて行われるタイムラプス撮影におけるオルガノイドの培養手順について説明する。

本実施形態に係るオルガノイドの培養手順のうち、ステップＳ１１１からステップＳ１１７までの処理は、図１２に示す培養手順のステップＳ６１からステップＳ６７までの処理と同様である。

その後、コンピュータ２０は、ステップＳ１１７で作成された形成成否情報を予め登録した端末へ通知する（ステップＳ１１８）。ここでは、コンピュータ２０は、例えば、利用者の所有する携帯端末（例えば、図１６に示す端末５０、端末６０）など、システム２外の端末へ形成成否情報を通知してもよい。コンピュータ２０は、形成成否情報に加えて、ステップＳ１１６で生成された細胞画像を利用者の端末へ送信してもよい。なお、システム２では、ステップＳ１１５からステップＳ１１８の処理が培養が終了するまで（ステップＳ１１９ＹＥＳ）、自動的に繰り返し行われる。細胞画像や形成成否情報を通知することで、作業者は、培養場所にいなくても遠隔でオルガノイドの形成成否や培養状況について監視することができる。

以上のように、本実施形態に係るシステム２では、培養開始後に継続して細胞評価処理を行うことで、培養対象細胞と培養プロトコル以外の外的要因によってオルガノイドの形成に失敗することが予測される場合についても早期に検出することができる。また、オルガノイドの形成までには多くの作業が必要であり、その作業次第で結果が異なり得る。図１８に示す手順で培養を行うことで、最新情報に基づいて随時予測結果が更新されることになるため、培養が進むにつれて不確定要素が少なくなりより信頼性の高い予測結果に基づいて培養を継続するかどうかを判断することができる。従って、システム２によれば、オルガノイドの形成に失敗する無駄な培養をシステム１よりもさらに削減することが可能である。

以上では、オルガノイドの形成成否が評価される度に端末に最新の形成成否情報を送信する例を示したが、コンピュータ２０は、形成成否情報が所定の条件を満たす場合にのみ、形成成否情報を端末へ送信してもよい。例えば、形成成否の予測結果が成功から失敗に変化した場合などに、形成正否情報を端末に送信してもよい。

また、オルガノイドの形成成否が評価される度に端末に最新の形成成否情報と細胞画像を送信する例を示したが、端末は、これらの情報に基づいて培養対象細胞の経時変化を利用者に提示してもよい。例えば、端末６０は、図１９に示すように、コンピュータ２０からの情報に基づいて、異なる時刻に取得した細胞画像６２を並べて表示してもよく、また、予測される成功率の推移をグラフ６１として表示してもよい。複数の形成正否情報に基づいて、培養対象細胞の経時変化を利用者に提示することで、１回の形成正否情報からでは判断が難しい培養状態の異常を早期に発見することが可能となる。このため、早期に培養のやり直すこと、又は、異常が深刻になる前に手当てすることなどの対処が可能となる。

システム２は、利用者からの要求に応じて培養プロトコルについて修正の提案を行ってもよい。例えば、利用者が図１９に示す通知画面上のボタン６３を押下することで、図２０に示すようなウィンドウ６４が端末６０に表示されてもよい。

図２０には、培養プロトコルの手順Ａと手順Ｂが終了している状況でボタン６３が押された場合の例が示されている。ウィンドウ６４には、培養プロトコルに従って次に行われる作用（手順Ｃ）について、プロトコル情報に記載の内容からの変更の候補がその変更によって生じるオルガノイドの形成の成功確率の変化とともに表示されている。なお、このような培養プロトコルを変更する提案は、利用者によって入力されたプロトコル情報の手順Ｃに関する情報を少しずつ変更して学習済みモデルに繰り返し入力することで生成可能である。

利用者が図２０に示す提案の中からいずれかを採用すると、採用した提案に合わせてプロトコル情報が書き換えられる。これにより、システム２は変更後の培養プロトコルを前提に以降の評価を行ってもよい。

このようにシステム２が行う提案に従って培養プロトコルを適宜変更して培養を継続することで、培養状況に応じて培養プロトコルを調整しながら培養を行うことができる。これにより、オルガノイド形成の成功確率を高めることができる。

［第３の実施形態］
第１の実施形態及び第２の実施形態では、オルガノイドの形成の成否を予測する学習済みモデルを用いる例を示した。本実施形態は、学習済みモデルを用いてオルガノイドの形成成否に加えて、形成失敗の理由を予測する点が、第１の実施形態及び第２の実施形態とは異なっている。

本実施形態に係るシステムでは、上述した細胞と培養プロトコルとの組み合わせに対するオルガノイド形成の成否を学習した学習済みモデルＭ（以降、必要に応じて、第１の学習済みモデルとも記す。）に加えて、培養期間中の細胞の経時変化と培養プロトコルとの組み合わせに対するオルガノイド形成の失敗理由を学習した学習済みモデル（以降、必要に応じて、第２の学習済みモデルとも記す。）が記憶装置２２に記憶されている。細胞評価処理において、これらの学習済みモデルが用いられる点が、システム２とは異なっている。その他の点は、システム２と同様である。

図２１は、第２の学習済みモデルの入出力を説明するための図である。本実施形態に係るシステムでは、図１８に示すステップＳ１１７の細胞評価処理において、コンピュータ２０はそれぞれ異なる時刻に撮影された複数の対象細胞画像とプロトコル情報と第２の学習済みモデルとに基づいて、オルガノイド形成の失敗理由について予測する。より具体的には、コンピュータ２０は、図２１に示すように、第２の学習済みモデルＭ２に、タイムラプス撮影によって得られた複数の対象細胞画像（細胞画像Ｘ１ａ、細胞画像Ｘ１ｂ、細胞画像Ｘ１ｃ、・・・）とプロトコル情報Ｘ２を入力することで、第２の学習済みモデルＭ２から出力される、オルガノイド形成の失敗理由についての予測結果を示す失敗理由情報Ｙ３を取得する。なお、失敗理由情報Ｙ３は、単一の失敗理由を示す情報であってもよく、図２１に示すように、複数の失敗理由の各々の確率であってもよい。なお、オルガノイド形成が成功することが予測される場合の失敗理由は、“失敗理由なし”であってもよい。

以上のように、本実施形態に係るシステムでは、オルガノイド形成の成否に加えて、形成失敗の理由が利用者に提示される。このため、失敗が予測される場合に早期に培養を中止し、新たな細胞の培養に取り掛かることができる。また、オルガノイド形成の失敗の理由が提示されることで、新たな細胞の培養において同じ失敗を繰り返す可能性が低くなるため、培養開始後にオルガノイド形成が失敗してしまう確率を抑えることができる。従って、本実施形態に係るシステムによっても、幹細胞からオルガノイドを短時間且つ低コストで得ることが可能となる。

図２２は、本実施形態に係る学習済みモデルの学習手順を示したフローチャートの一例である。図２３は、本実施形態に係る学習処理のフローチャートの一例である。図２２及び図２３を参照しながら、本実施形態に係るシステムで細胞評価に利用される学習済みモデルのうち、第２の学習済みモデルの学習方法について説明する。

図２２に示す学習工程のうち、ステップＳ１２１からステップＳ１２３までの処理については、図７に示す第１の学習済みモデルの学習工程におけるステップＳ３１からステップＳ３３までの処理と同様である。

その後、培養が終了するまで（ステップＳ１２５ＹＥＳ）、顕微鏡装置１０による培養対象細胞の撮影（ステップＳ１２４）が繰り返される。そして、培養が終了すると、コンピュータ２０は、図２３に示す学習処理を実行する（ステップＳ１２５）。ここでは、コンピュータ２０は、まず、複数の対象細胞画像と、プロトコル情報と、失敗理由情報を取得する（ステップＳ１３１からステップＳ１３３）。なお、複数の対象細胞画像は、ステップＳ１２２及びステップＳ１２４で生成された画像である。プロトコル情報は、ステップＳ１２３で行われる培養プロトコルに関する情報であり、コンピュータ２０は、例えば、入力装置２３を用いて利用者が入力した情報をプロトコル情報として取得する。失敗理由情報は、培養終了時に入力装置２３を用いて利用者が入力したオルガノイド形成が失敗した理由についての情報である。具体的には、例えば、培地交換が適切に行われていない、環境温度の設定が適切ではないなどの情報である。失敗理由は、培養プロトコルで確定しない作業や条件などであることが望ましい。

最後に、コンピュータ２０は、培養対象細胞の経時変化と培養プロトコルとの組み合わせに対するオルガノイド形成の失敗理由を学習し（ステップＳ１３４）、図２２及び図２３に示す学習処理を終了する。ここでは、コンピュータ２０は、ステップＳ１３１で取得した対象細胞画像とステップＳ１３２で取得したプロトコル情報の入力に対してステップＳ１３３で取得した失敗理由情報を出力するように機械学習モデルを訓練する。

以上の学習処理を様々な細胞と培養プロトコルとの組み合わせに対して行うことで、機械学習モデルが訓練されて、培養対象細胞の経時変化と培養プロトコルの組み合わせに対してオルガノイド形成の失敗理由を学習した学習済みモデルが構築される。

［第４の実施形態］
第１の実施形態及び第２の実施形態では、オルガノイド形成の成否を予測する学習済みモデルを用いる例を示した。本実施形態は、学習済みモデルを用いてオルガノイド形成の成否に加えて、形成されるオルガノイドの形状を予測する点が、第１の実施形態及び第２の実施形態とは異なっている。

本実施形態に係るシステムでは、上述した細胞と培養プロトコルとの組み合わせに対するオルガノイド形成の成否を学習した学習済みモデルＭ（以降、必要に応じて、第１の学習済みモデルとも記す。）に加えて、細胞とプロトコル情報との組み合わせに対するオルガノイドの形状を学習した学習済みモデル（以降、必要に応じて、第３の学習済みモデルとも記す。）が記憶装置２２に記憶されている。細胞評価処理において、これらの学習済みモデルが用いられる点が、システム１とは異なっている。その他の点は、システム１と同様である。

図２４は、第３の学習済みモデルの入出力を説明するための図である。図２５は、本実施形態に係る学習処理のフローチャートの一例である。本実施形態に係るシステムでは、図４に示すステップＳ１３の細胞評価処理において、コンピュータ２０は対象細胞画像とプロトコル情報と第３の学習済みモデルとに基づいて、オルガノイドの形状を予測する。より具体的には、コンピュータ２０は、図２４に示すように、第３の学習済みモデルＭ３に、対象細胞画像Ｘ１とプロトコル情報Ｘ２を入力することで、第３の学習済みモデルＭ３からオルガノイドの形状についての予測結果を示す形状情報を取得する。なお、形状情報は、形成されるオルガノイドの形状についての予測結果を示す予測画像であってもよい。

予測画像は、入力された対象細胞画像と同じ撮影方法に対応する態様の画像であってもよく、例えば、対象細胞画像が位相差画像であれば、学習済みモデルＭ３から出力される予測画像も位相差画像に類似する画像であってもよい。また、予測画像は、入力された対象細胞画像とは異なる撮影方法に対応する態様の画像であってもよく、例えば、対象細胞画像が位相差画像であっても、学習済みモデルＭ３から出力される画像は蛍光画像に類似する画像であってもよい。また、予測画像は、光軸方向にオルガノイドを走査して取得した３次元画像に類似した、３次元情報を含む画像であってもよく、ＯＣＴを用いて取得した断層画像に類似した、断層情報を含む画像であってもよい。

このような予測画像を培養対象画像とは異なる形式の画像として出力するには、図２５に示す学習処理のステップＳ１４３において、ステップＳ１４１で取得した細胞画像とは異なる形式のオルガノイド画像を取得すればよく、コンピュータ２０は、その後、ステップＳ１４４において、細胞と培養プロトコルの組み合わせに対するオルガノイドの形状を学習すればよい（ステップＳ１４４）。なお、ステップＳ１４４では、コンピュータ２０は、ステップＳ１４１で取得した対象細胞画像とステップＳ１４２で取得したプロトコル情報の入力に対してステップＳ１４３で取得したオルガノイド画像を出力するように機械学習モデルを訓練する。従って、例えば、ステップＳ１４３で蛍光観察法で取得したオルガノイド画像を取得することで、蛍光画像に類似した画像を学習済みモデルＭ３から出力することができる。また、３次元画像を出力するようにモデルを学習させることで、３次元画像を出力することも可能である。細胞対象画像とは異なる形式の画像を出力する学習済みモデルを構築することで、例えば、蛍光顕微鏡を有しない利用者が蛍光画像に類似する画像をえるなど、利用者が所有する装置では取得することができない画像を取得することができる。また、３次元画像など取得するには時間が掛かる画像を容易に得ることもできる。

さらに、予測画像は、入力された対象細胞画像とは異なる倍率の画像であってもよい。予測画像の倍率についても観察法と同様に、学習段階で使用するオルガノイド画像の倍率を調整することで調整可能である。

以上のように、本実施形態に係るシステムでは、オルガノイドの形成の成否に加えて、形成されるオルガノイドの形状が利用者に提示される。このため、形成されるオルガノイドの状態をより具体的に認識することが可能である。このため、形成成否の予測結果に基づいて培養を継続するか否かの判断が難しい場合に追加の判断材料として利用することができる。従って、本実施形態に係るシステムによっても、短時間且つ低コストでオルガノイドを得ることが可能となる。

［第５の実施形態］
上述した実施形態では、コンピュータ２０と撮影装置（顕微鏡装置１０、観察装置３０）を含む単一のシステムを例示したが、オルガノイドの形成を評価するシステムは、例えば、図２６に示すように、それぞれ独立して機能する複数のシステムがネットワークを介して接続されたシステムであってもよく、ネットワーク上に配置され全てのシステムからアクセス可能なクラウドサーバを含んでもよい。

図２６は、本実施形態に係るシステムの構成を例示した図である。本実施形態に係るシステムは、それぞれ個別に機能する複数のシステム（システム１、システム２、システム３、システム４、システム５、・・・、以降、全体システムと区別するため、サブシステムと記す。）と、複数のサブシステムからアクセス可能なサーバ１００を備えている。なお、各サブシステムは、例えば、企業の事業所、研究室などに設けられている。

サーバ１００には、各サブシステムと同様に、例えば、上述した第１の学習モデルと第２の学習済みモデルと第３の学習済みモデルが記憶された記憶装置が設けられている。サーバ１００は、各サブシステムから学習データを受信する。サーバ１００の記憶装置に記憶されている学習済みモデルは、全サブシステムから受信した様々な学習データを用いて学習した学習済みモデルであるのに対して、各サブシステムの記憶装置に記憶された学習済みモデルは、各サブシステム内で得られた学習データを用いて学習した学習済みモデルである。

サブシステムが置かれる特定の事業所や研究室で使用される幹細胞や培養プロトコルは似通っている。このため、各サブシステムでは、普段から使用している幹細胞や培養プロトコルに対しては、学習済みモデルを用いて精度の高い予測が可能である。一方、サーバ１００では、様々な学習データを用いて学習が行われるため、汎用性の高い学習済みモデルが構築されていて、様々な幹細胞と培養プロトコルの組み合わせに対して対応可能であるが、特定の組み合わせについては、サブシステムに比べて予測精度が劣ることがある。

本実施形態では、各サブシステムは、すでに学習済みの幹細胞と培養プロトコルの組み合わせに対しては、サブシステム内の学習済みモデルを用いて予測を行い、未知の組み合わせに対してはサーバ１００に細胞評価を委託する。このようにすることで、普段使用する組み合わせに対しては高い精度の予測を行いながら、任意の組み合わせに対して一定以上の精度で予測することが可能となる。

上述した実施形態は、発明の理解を容易にするために具体例を示したものであり、本発明はこれらの実施形態に限定されるものではない。上述の実施形態を変形した変形形態および上述した実施形態に代替する代替形態が包含され得る。つまり、各実施形態は、その趣旨および範囲を逸脱しない範囲で構成要素を変形することが可能である。また、１つ以上の実施形態に開示されている複数の構成要素を適宜組み合わせることにより、新たな実施形態を実施することができる。また、各実施形態に示される構成要素からいくつかの構成要素を削除してもよく、または実施形態に示される構成要素にいくつかの構成要素を追加してもよい。さらに、各実施形態に示す処理手順は、矛盾しない限り順序を入れ替えて行われてもよい。即ち、本発明の細胞凝集塊の形成を評価するシステム、方法、及び、プログラムは、特許請求の範囲の記載を逸脱しない範囲において、さまざまな変形、変更が可能である。

上述した実施形態では、学習済みモデルに入力するプロトコル情報を変更することで複数の形成成否情報を出力し、複数の形成成否情報からより望ましいプロトコル情報を探索する例を示したが、培養プロトコルの修正提案の方法は、この方法に限らない。より望ましい培養プロトコルに対応するプロトコル情報を出力する学習済みモデルを構築し、第４の学習済みモデルとして細胞評価処理において利用してもよい。即ち、予測部は、第１の学習済みモデルに入力されるプロトコル情報が示す培養プロトコルである第１の培養プロトコルとは異なる第２の培養プロトコルを提案してもよく、第１の学習済みモデルを用いて第１の培養プロトコルの適用時の予測結果を示す第１の形成成否情報を出力し、第４の学習済みモデルを用いて第２の培養プロトコルの適用時の予測結果を示す第２の形成成否情報を出力してもよい。

上述した実施形態では、第３の学習済みモデルから出力する形状情報として画像を例示したが、第３の学習済みモデルは複数の画像を出力してもよく、複数の画像は撮影方法や倍率の異なるものであってもよい。例えば、オルガノイドの全体形状を示す比較的低倍率の画像と、オルガノイドの一部の詳細構造を示すより高倍率の画像を出力してもよい。また、３次元画像と断層画像を出力してもよい。

上述した実施形態では、オルガノイドの予測画像を生成する例を示したが、所定の細胞種へ分化した細胞の予測画像を生成してもよい。また、細胞を撮影して取得した細胞画像を学習済みモデルへの入力として利用することでオルガノイドの形成の成否を予測する例を示したが、予測画像を学習済みモデルに入力してオルガノイドの形成の成否を予測してもよい。例えば、上述した実施形態では、培養開始前に細胞の分化の成否を予測し、さらに、培養開始後にオルガノイド形成の成否を予測する例を示したが、分化した細胞の予測画像を学習済みモデルへの入力として利用することで、オルガノイドの形成を予測してもよい。

本明細書において、“Ａに基づいて”という表現は、“Ａのみに基づいて”を意味するものではなく、“少なくともＡに基づいて”を意味し、さらに、“少なくともＡに部分的に基づいて”をも意味している。即ち、“Ａに基づいて”はＡに加えてＢに基づいてもよく、Ａの一部に基づいてよい。

本明細書において、名詞を修飾する“第１の”、“第２の”などの用語は、名詞で表現される要素の量又は順序を限定するものではない。これらの用語は、２つ以上の要素間を区別するために用いられ、それ以下でもそれ以上でもない。従って、“第１の”と“第２の”要素が特定されていることは、“第１の”要素が“第２の”要素に先行することを意味するものではなく、また、“第３の”要素の存在を否定するものでもない。

１、２、３、４ システム
１０ 顕微鏡装置
２０ コンピュータ
２１ プロセッサ
２２ 記憶装置
３０ 観察装置
４０ インキュベータ
５０、６０ 端末
１００ サーバ
Ｍ、Ｍ１、Ｍ１１、Ｍ１２、Ｍ１３、Ｍ２、Ｍ３ 学習済みモデル
Ｘ１、Ｘ１ａ、Ｘ１ｂ、Ｘ１ｃ、Ｘ１１、Ｘ１２ａ、Ｘ１２ｂ 細胞画像
Ｘ２ プロトコル情報
Ｘ２ａ 分化誘導情報
Ｘ３、Ｘ３ａ、Ｘ３ｂ 細胞種情報
Ｙ１、Ｙ２、Ｙ３、Ｙ４ 予測結果

Claims (20)

1. 機能性細胞凝集塊の形成を評価するシステムであって、
   細胞と培養プロトコルとの組み合わせに対する機能性細胞凝集塊の形成の成否を学習した学習済みモデルを記憶する記憶部と、
   培養対象細胞の画像である対象細胞画像と、前記培養対象細胞に適用される培養プロトコルに関するプロトコル情報であって、少なくとも前記培養対象細胞に与える刺激の種類を示す刺激情報を含むプロトコル情報と、を取得する取得部と、
   前記取得部で取得された前記対象細胞画像及び前記プロトコル情報と、前記記憶部に記憶されている前記学習済みモデルとに基づいて、前記培養プロトコルが対象とする所定の機能を有する機能性細胞凝集塊の形成の成否についての予測結果を示す形成成否情報を出力する予測部と、を備える
   ことを特徴するシステム。
2. 請求項１に記載のシステムにおいて、
   前記プロトコル情報は、さらに、前記刺激情報が示す種類の刺激を前記培養対象細胞へ与える時期を示す時期情報を含む
   ことを特徴するシステム。
3. 請求項２に記載のシステムにおいて、
   前記プロトコル情報は、
   複数の刺激の種類を示す複数の刺激情報と、
   前記複数の刺激情報に対応する複数の時期情報と、を含む
   ことを特徴するシステム。
4. 請求項１乃至請求項３のいずれか１項に記載のシステムにおいて、
   前記プロトコル情報は、複数種類の細胞を共培養するための培養プロトコルに関し、
   前記対象細胞画像は、前記複数種類の細胞の１枚以上の画像である
   ことを特徴するシステム。
5. 請求項４に記載のシステムにおいて、
   前記予測部は、前記対象細胞画像と、前記プロトコル情報と、前記複数種類の細胞を識別する情報とに基づいて、前記形成成否情報を出力する
   ことを特徴するシステム。
6. 請求項１乃至請求項５のいずれか１項に記載のシステムにおいて、
   前記所定の機能を有する機能性細胞凝集塊は、オルガノイドである
   ことを特徴するシステム。
7. 請求項１乃至請求項６のいずれか１項に記載のシステムにおいて、さらに、
   前記対象細胞画像を取得するために前記培養対象細胞を撮影する撮影部と、を備える
   ことを特徴するシステム。
8. 請求項７に記載のシステムにおいて、
   前記撮影部は、
   インキュベータ内に配置され、
   前記インキュベータ内で培養中の前記培養対象細胞を撮影する
   ことを特徴するシステム。
9. 請求項７又は請求項８に記載のシステムにおいて、
   前記撮影部は、タイムラプス撮影を行い、
   前記予測部は、前記プロトコル情報と、前記タイムラプス撮影により前記撮影部から出力される前記対象細胞画像と、前記記憶部に記憶されている前記学習済みモデルとに基づいて、前記形成成否情報を更新する
   ことを特徴するシステム。
10. 請求項９に記載のシステムにおいて、さらに、
    更新された前記形成成否情報を予め登録した端末へ通知する通知部を備える
    ことを特徴とするシステム。
11. 請求項１乃至請求項１０のいずれか１項に記載のシステムにおいて、
    前記記憶部は、さらに、培養期間中の細胞の経時変化と培養プロトコルとの組み合わせに対する機能性細胞凝集塊の形成の失敗理由を学習した第２の学習済みモデルを記憶し、
    前記予測部は、前記プロトコル情報と、それぞれ異なる時刻に撮影された前記培養対象細胞の画像である複数の前記対象細胞画像と、前記記憶部に記憶されている前記第２の学習済みモデルとに基づいて、前記所定の機能を有する機能性細胞凝集塊の形成の失敗理由についての予測結果を示す失敗理由情報を出力する
    ことを特徴とするシステム。
12. 請求項１乃至請求項１１のいずれか１項に記載のシステムにおいて、
    前記記憶部は、さらに、細胞と培養プロトコルとの組み合わせに対する機能性細胞凝集塊の形状を学習した第３の学習済みモデルを記憶し、
    前記予測部は、前記取得部で取得された前記対象細胞画像及び前記プロトコル情報と、前記記憶部に記憶されている前記第３の学習済みモデルとに基づいて、前記所定の機能を有する機能性細胞凝集塊の形状についての予測結果を示す形状情報を出力する
    ことを特徴とするシステム。
13. 請求項１２に記載のシステムにおいて、
    前記形状情報は、前記培養対象細胞が前記培養プロトコルで培養されることで形成される前記所定の機能を有する機能性細胞凝集塊の形状についての予測結果を示す予測画像を含む
    ことを特徴とするシステム。
14. 請求項１３に記載のシステムにおいて、
    前記予測画像は、前記対象細胞画像とは異なる撮影方法に対応する態様の画像である
    ことを特徴とするシステム。
15. 請求項１３又は請求項１４に記載のシステムにおいて、
    前記予測画像は、３次元情報又は断層情報を含む画像である
    ことを特徴とするシステム。
16. 請求項１３乃至請求項１５のいずれか１項に記載のシステムにおいて、
    前記予測画像の倍率は、前記対象細胞画像の倍率とは異なる
    ことを特徴とするシステム。
17. 請求項１乃至請求項１６のいずれか１項に記載のシステムにおいて、
    前記予測部は、前記プロトコル情報が示す前記培養プロトコルである第１の培養プロトコルとは異なる第２の培養プロトコルを提案する
    ことを特徴とするシステム。
18. 請求項１７に記載のシステムにおいて、
    前記予測部は、前記第１の培養プロトコルの適用時の予測結果を示す第１の形成成否情報と前記第２の培養プロトコルの適用時の予測結果を示す第２の形成成否情報を出力する
    ことを特徴とするシステム。
19. 機能性細胞凝集塊の形成を評価する方法であって、
    培養対象細胞の画像である対象細胞画像と、前記培養対象細胞に適用される培養プロトコルに関するプロトコル情報であって、少なくとも前記培養対象細胞に与える刺激の種類を示す刺激情報を含むプロトコル情報と、を取得し、
    取得した前記対象細胞画像及び前記プロトコル情報と、細胞と培養プロトコルとの組み合わせに対する機能性細胞凝集塊の形成の成否を学習した学習済みモデルとに基づいて、前記培養プロトコルが対象とする所定の機能を有する機能性細胞凝集塊の形成の成否についての予測結果を示す形成成否情報を出力する
    ことを特徴する方法。
20. コンピュータに、
    培養対象細胞の画像である対象細胞画像と、前記培養対象細胞に適用される培養プロトコルに関するプロトコル情報であって、少なくとも前記培養対象細胞に与える刺激の種類を示す刺激情報を含むプロトコル情報と、を取得し、
    取得した前記対象細胞画像及び前記プロトコル情報と、細胞と培養プロトコルとの組み合わせに対する機能性細胞凝集塊の形成の成否を学習した学習済みモデルとに基づいて、前記培養プロトコルが対象とする所定の機能を有する機能性細胞凝集塊の形成の成否についての予測結果を示す形成成否情報を出力する
    処理を実行させることを特徴するプログラム。

Images