JP7612952B2 - 人工知能を利用した細胞判別方法および装置 - Google Patents

人工知能を利用した細胞判別方法および装置 Download PDF

Info

Publication number
JP7612952B2
JP7612952B2 JP2023573002A JP2023573002A JP7612952B2 JP 7612952 B2 JP7612952 B2 JP 7612952B2 JP 2023573002 A JP2023573002 A JP 2023573002A JP 2023573002 A JP2023573002 A JP 2023573002A JP 7612952 B2 JP7612952 B2 JP 7612952B2
Authority
JP
Japan
Prior art keywords
cell
culture conditions
media
stem cells
human
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2023573002A
Other languages
English (en)
Other versions
JP2024523057A (ja
Inventor
ホン，ソンフェ
キム，ミンジェ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea University Research and Business Foundation
Original Assignee
Korea University Research and Business Foundation
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020220135609A external-priority patent/KR20230059734A/ko
Application filed by Korea University Research and Business Foundation filed Critical Korea University Research and Business Foundation
Publication of JP2024523057A publication Critical patent/JP2024523057A/ja
Application granted granted Critical
Publication of JP7612952B2 publication Critical patent/JP7612952B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biochemistry (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Hematology (AREA)
  • Analytical Chemistry (AREA)
  • Urology & Nephrology (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Informatics (AREA)
  • Optics & Photonics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Micro-Organisms Or Cultivation Processes Thereof (AREA)
  • Image Analysis (AREA)

Description

本発明は、人工知能を利用した細胞判別方法および装置に関し、より詳しくは、多様な種類の細胞を多様な種類の培地で培養する場合、初期に変化する細胞の微細な形態（ｍｏｒｐｈｏｌｏｇｙ）を学習して細胞イメージのみを観察することによって、その細胞の固有特性を区別して判断することができる人工知能を利用した細胞分析方法、および装置に関する。
細胞培養は、分子生物学を含めた生物学研究において重要な技術であり、人体疾病の診断または治療などの目的で特定細胞を培養することを意味する。最近、医薬品の生産や遺伝子の治療、再生医療、免疫療法などの分野で細胞や組職など（これらを包括して「細胞」と称する）を効率的に大量培養することが要求されている。特に幹細胞（ｓｔｅｍ ｃｅｌｌ）の場合、バイオ生命分野で最も活発に研究される主題であり、環境と刺激によって特定の機能を有する細胞に分化されるため、作用メカニズムや誘導方法を見つけるために、細胞培養過程で細胞分化過程を分析追跡することが必須的に求められている。
細胞培養および分化実験を行う間に、研究者は細胞が本来の所望の形態や特性で培養または分化されているか否かを確認しなければならないが、人の肉眼で微細な細胞変化を完璧に把握することはほとんど不可能であり、細胞の分化過程で分化実験が成功したか否かを判断することにも限界がある。
そこで、本発明者は、追加装備なしに細胞イメージだけで細胞の特性を決めるために鋭意努力した結果、人工知能ディープラーニングの畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、以下ＣＮＮともする）を利用して、微細な細胞変化を分析する場合、高い正確度で細胞の特性を分析することができるということを確認して、本発明を完成した。
本背景技術の部分に記載された前記情報は、ただ本発明の背景に対する理解を向上させるためのものであり、本発明が属する技術分野において通常の知識を有する者において既に知られた先行技術を形成する情報を含まないこともある。
（特許文献１）ＫＲ１０－２０８４６８３ Ｂ１（人工ニューラルネットワークを利用した細胞映像分析方法および細胞映像処理装置）
したがって、本発明は上記問題を解決するために案出されたもので、幹細胞などを含む多様な細胞に多様な培養条件を適用して、時間帯別に変化する細胞イメージを獲得し、ディープラーニングに基づく畳み込みニューラルネットワークを利用して事前学習および保存管理することによって、細胞の維持培養や分化を誘導する過程で、各時間帯別に細胞特性を区別して判断することができる人工知能ディープラーニングを利用した細胞判別方法および装置を提供することを一つの目的とする。
本発明の他の目的および長所は、以下に説明され、本発明の実施形態によって理解し得るはずである。また、本発明の目的および長所は、特許請求範囲に示した手段および組合によって実現されることができる。
上記のような目的を達するために、本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法は、細胞イメージが入力される入力ステップ；およびディープラーニングに基づく判別モデルを利用して、前記細胞イメージが多様な細胞種類、多様な培養条件、および培養時間のうちどれに相当するかを判別する判別ステップを含み、前記判別ステップは、前記細胞イメージ内で第１特徴を抽出するステップ；前記細胞イメージ内で第２特徴を抽出するステップ；および前記抽出された第１特徴および第２特徴に基づいて、前記細胞イメージに対する細胞種類、培養条件、および培養時間のいずれか一つ以上を決めるステップ；を含み、前記判別モデルは、前記細胞イメージに対して、前記第１特徴を抽出するための第１ニューラルネットワーク；前記細胞イメージに対して、前記第２特徴を抽出するための第２ニューラルネットワーク；および抽出された前記第１特徴および前記第２特徴に基づいて入力された細胞イメージに対する細胞種類、培養条件、および培養時間のいずれか一つ以上を決めるための完全連結層；を含むことができる。
本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、前記細胞イメージは、細胞培養後に、１時間～１時間３０分、３時間～３時間３０分、６時間～６時間３０分、１２時間～１２時間３０分、および２４時間～２４時間３０分の時間帯のいずれか一つ以上で撮影装置によって獲得することができる。
本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、前記第１ニューラルネットワークは、１個の畳み込み層および１個のプーリング層で形成された浅い構造の畳み込みニューラルネットワークで具現され、前記第２ニューラルネットワークは、４個の畳み込み層で形成された深い構造の畳み込みニューラルネットワークで具現されることができる。
本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、前記多様な細胞種類は、幹細胞株、ヒト皮膚線維芽細胞株、上皮細胞株、および兔疫細胞株のいずれか一つ以上を含む動物細胞、およびヒト細胞を含み、前記多様な培養条件は、各細胞株ごとに相異してもよい。
本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、前記幹細胞株は、マウス胚芽幹細胞、マウス逆分化幹細胞、ヒト胚芽幹細胞、ヒト逆分化幹細胞、ヒト神経幹細胞、ヒト毛包幹細胞、ヒト間葉系幹細胞、およびヒト線維芽細胞のいずれか一つ以上を含み、前記上皮細胞株は、ヒト表皮角化細胞（ＨａＣａＴ）を含み、前記兔疫細胞株は、Ｔ細胞を含み、前記ヒト神経幹細胞は、ヒト体細胞－由来細胞転換神経幹細胞またはヒト脳－由来神経幹細胞を含むことができる。
本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、前記マウス胚芽幹細胞は、ＬＩＦ（ｌｅｕｋａｅｍｉａ ｉｎｈｉｂｉｔｏｒｙ ｆａｃｔｏｒ）メディアを含む培養条件、ＩＴＳ（Ｉｎｓｕｌｉｎ－ｔｒａｎｓｆｅｒｒｉｎ－ｓｅｌｅｎｉｕｍ ｓｕｐｐｌｅｍｅｎｔ）メディアを含む培養条件、ＬＩＦメディアを除去した培養条件のいずれか一つ以上を含み、前記マウス逆分化幹細胞の培養条件は、ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン（ｔｈｉａｚｏｖｉｖｉｎ）、アアスコルビン酸（ａｓｃｏｒｂｉｃ ａｃｉｄ）、およびＬＩＦメディアを含む培養条件、ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アアスコルビン酸、およびＬＩＦメディアを除去した培養条件、ＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、前記ヒト胚芽幹細胞または前記ヒト逆分化幹細胞は、ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸、およびＬＩＦメディアを含む培養条件、ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸、およびＬＩＦメディアを除去した培養条件、ＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、前記ヒト体細胞－由来細胞転換神経幹細胞は、ＤＭＥＭ／Ｆ１２、Ｎ２、Ｂ２７、ｂＦＧＦ、ＥＧＦ、チアゾビビン、バルプロ酸（Ｖａｌｐｒｏｉｃ ａｃｉｄ）、パルモルファミン（Ｐｕｒｍｏｒｐｈａｍｉｎｅ）、Ａ８３０１、ＳＢ４３１５４２、ＣＨＩＲ９９０２１、ＤＺＮｅｐ（Ｄｅａｚａｎｅｐｌａｎｏｃｉｎ Ａ）および５－ＡＺＡ（Ａｚａｃｉｔｉｄｉｎｅ）を含む培養条件、ＤＭＥＭ／Ｆ１２、Ｎ２、Ｂ２７、ｂＦＧＦ、およびＥＧＦを含む培養条件、ＤＭＥＭ／Ｆ１２およびＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、前記ヒト脳－由来神経幹細胞は、基礎培地（Ｂａｓａｌ ｍｅｄｉｕｍ）、誘導神経幹細胞成長補充物（Ｉｎｄｕｃｅｄ ｎｅｕｒａｌ ｓｔｅｍ ｃｅｌｌ ｇｒｏｗｔｈ ｓｕｐｐｌｅｍｅｎｔ）、および抗生剤（Ａｎｔｉｂｉｏｔｉｃｓ）を含む培養条件、基礎培地および抗生剤を含む培養条件、基礎培地、抗生剤、およびＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、前記ヒト毛包幹細胞は、ＤＭＥＭメディアに１０％ＦＢＳ、Ｐｅｎ／Ｓｔｒｅｐ、Ｌ－グルタミン、およびストレプトマイシンが含まれた培養条件、ＤＭＥＭメディアにＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、前記ヒト間葉系幹細胞は、ＤＭＥＭメディアに１０％ＦＢＳ、ＮＥＡＡ、およびＰｅｎ／Ｓｔｒｅｐが含まれた培養条件、ＤＭＥＭメディアにＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、前記ヒト線維芽細胞は、ＤＭＥＭメディアに１０％ＦＢＳ、Ｐｅｎ／Ｓｔｒｅｐ、およびＮＥＡＡが含まれた培養条件を含み、前記ＨａＣａＴ細胞は、ＤＭＥＭメディアに１０％ＦＢＳ、Ｐｅｎ／Ｓｔｒｅｐ、Ｌ－グルタミン、およびストレプトマイシンが含まれた培養条件を含み、前記Ｔ細胞は、ＲＰＭＩ １６４０メディアにＰｅｎ／Ｓｔｒｅｐ、β－メルカプトエタノール、およびＬ－グルタミンを含む培養条件を含むことができる。
本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、前記判別モデルは、イメージ学習のためのデータセットを含み、前記データセットは、各１，０００個、１，５００個、２，０００個の訓練イメージセットと、８００個の検証イメージセットと、１００個のテストイメージセットを含むことができる。
本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、前記判別モデルは、２，０００個の訓練イメージセットを採択することができる。
本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別装置は、細胞イメージが入力される入力部；ディープラーニングに基づく判別モデルを利用して、前記細胞イメージが多様な細胞種類、多様な培養条件、および培養時間のうちどれに相当するかを判別する判別部；および前記判別部の判別結果を使用者端末に提供する出力部；を含み、前記判別部は、前記細胞イメージ内で第１特徴を抽出するステップ；前記細胞イメージ内で第２特徴を抽出するステップ；および前記抽出された第１特徴および第２特徴に基づいて、前記細胞イメージに対する細胞種類、培養条件、および培養時間のいずれか一つ以上を決めるステップ；を通じて動作され、前記判別モデルは、前記細胞イメージに対して、前記細胞領域を抽出するための第１ニューラルネットワーク；前記細胞イメージに対して、前記細胞膜領域を抽出するための第２ニューラルネットワーク；および前記抽出された第１特徴および第２特徴に基づいて、前記入力された細胞イメージに対する細胞種類、培養条件、および培養時間のいずれか一つ以上を決めるための完全連結層；を含むことができる。
上記のように、本発明に係る人工知能を利用した細胞判別方法および装置によれば、幹細胞などを含む多様な細胞に多様な培養条件を適用して、時間帯別に変化する細胞イメージを獲得し、ディープラーニングに基づく畳み込みニューラルネットワークを利用して事前学習および保存管理することによって、細胞の維持培養や分化を誘導する過程で、各時間帯別に細胞特性を区別して判断することができるという効果を奏する。
具体的には、次のような効果を奏することができる。
第一に、細胞種類ごとに与えられた培養条件で培養される間に変化する細胞イメージを時間帯別に撮影しているので、今後の無人自動化細胞培養時に、細胞の特性を自動に把握して、細胞培養が本来の所望の形状や特性に培養されるか否かをモニタリングするのに活用性が非常に高いことがある。
第二に、各研究室の研究者ごとに多様な細胞および多様な培養条件で実験を行う際において、ＣＮＮ技術を活用して微細な細胞変化を感知することによって、一定で、かつ均一な細胞培養を提供し、既存の確立された細胞培養条件によって正確に細胞培養および分化実験が可能であり、これによって、今後の無人自動化細胞培養システムの構築による細胞培養に関する新しいバイオ市場を創出することができる。
第三に、ディープラーニングに基づくモデル学習のために、Ｒｅｓｎｅｔ５０アルゴリズムを活用するので、モデル学習時間を減少させ、正確度を高めることができる。
本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法を示したフローチャートである。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、時間帯別に獲得される細胞イメージを示した例示図である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルの構造を示した例示図である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して細胞種類、培養条件、および培養時間のいずれか一つ以上を決める過程を示したフローチャートである。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、１，５００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して訓練した訓練結果を示したグラフであって、２，０００個の訓練イメージセットを用いて訓練した結果である。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、訓練セット（ｔｒａｉｎ ｓｅｔ）の訓練正確度を比較した結果を示したグラフである。 本発明に係る各メディア条件で多様な細胞を培養する場合、細胞形態学習の精密度（Ｐｒｅｃｉｓｉｏｎ）および再現率（Ｒｅｃａｌｌ）を示したグラフである。 本発明に係る各メディア条件で多様な細胞を培養する場合、細胞形態学習の精密度（Ｐｒｅｃｉｓｉｏｎ）および再現率（Ｒｅｃａｌｌ）を示したグラフである。 本発明に係る各メディア条件で多様な細胞を培養する場合、細胞形態学習の精密度（Ｐｒｅｃｉｓｉｏｎ）および再現率（Ｒｅｃａｌｌ）を示したグラフである。 本発明に係る各メディア条件で多様な細胞を培養する場合、細胞形態学習の精密度（Ｐｒｅｃｉｓｉｏｎ）および再現率（Ｒｅｃａｌｌ）を示したグラフである。 本発明に係る各メディア条件で多様な細胞を培養する場合、細胞形態学習の精密度（Ｐｒｅｃｉｓｉｏｎ）および再現率（Ｒｅｃａｌｌ）を示したグラフである。 本発明に係る各メディア条件で多様な細胞を培養する場合、細胞形態学習の精密度（Ｐｒｅｃｉｓｉｏｎ）および再現率（Ｒｅｃａｌｌ）を示したグラフである。 本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別装置を示したブロック図である。
本明細書で用いられる用語について簡略に説明し、本発明について具体的に説明する。
本発明で用いられる用語は、本発明での機能を考慮してなるべく現在広く用いられる一般的な用語を選択したが、これは当該分野に携わる技術者の意図または判例、新しい技術の出現などによって異なってもよい。また、特定の場合は、出願人が任意に選定した用語もあり、この場合、対応する発明の説明部分で詳しくその意味を記載する。したがって、本発明で用いられる用語は単純な用語の名称ではない、その用語が有する意味と本発明の全般にわたった内容に基づいて定義されるべきである。
明細書全体において、ある部分がある構成要素を「含む」という時、これは特に反対される記載がない限り、他の構成要素を除外するのではなく、他の構成要素をさらに含んでもよいことを意味する。また、明細書に記載された「部」、「モジュール」などの用語は、少なくとも一つの機能や動作を処理する単位を意味し、これは、ハードウェアまたはソフトウェアで具現されるか、ハードウェアとソフトウェアの結合で具現されてもよい。また、明細書全体において、ある部分が他の部分と「連結」されていると言う時、これは、「直接連結」されている場合だけでなく、「その中間に他の構成を挟んで」連結されている場合も含む。
以下、添付図面を参照して本発明が属する技術分野において通常の知識を有する者が容易に実施することができるように、本発明の実施例を詳しく説明する。しかしながら、本発明は、様々な相違する形態に具現されてもよく、ここで説明する実施形態に限定されない。そして、図面で本発明を明確に説明するために、説明と関係のない部分は省略し、明細書全体を通じて類似の部分に対しては類似の図面符号を付けた。
以下、添付図面を参考して本発明を詳しく説明する。
本発明の一実施形態として、人工知能ディープラーニングを利用した細胞判別方法が提供されることができる。
図１は、本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法を示したフローチャートであり、図２は、本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、時間帯別に獲得される細胞イメージを示した例示図であり、図３は、本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルの構造を示した例示図であり、図４は、本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して細胞種類、培養条件、および培養時間のいずれか一つ以上を決める過程を示したフローチャートである。
まず、図１を参照すると、本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法は、細胞イメージ１０が入力される入力ステップ（Ｓ１００）；およびディープラーニングに基づく判別モデル１００を利用して、前記細胞イメージ１０が多様な細胞種類、多様な培養条件、および培養時間のうちどれに相当するかを判別する判別ステップ（Ｓ２００）；を含むことができる。
本明細書において、前記細胞イメージ１０は、細胞に対して光学顕微鏡などの撮影装置を利用して獲得されたイメージを指称する。前記撮影装置を通じて細胞イメージを撮影する方式には制限がない。
前記細胞イメージ１０は、細胞培養に予め決められた時間帯別に獲得することができる。
例えば、前記細胞イメージ１０は、細胞培養後に、１時間～１時間３０分、３時間～３時間３０分、６時間～６時間３０分、１２時間～１２時間３０分、および２４時間～２４時間３０分の時間帯のいずれか一つ以上で撮影装置によって獲得されることができる。
細胞培養において、細胞株ごとに異なるが、増殖する細胞形態の変化は最初に最も大きく、これによって、２４時間～２５時間以内、好ましくは、２４時間以内に細胞イメージを獲得することが最も良い。
図２を参照すると、前記細胞イメージ１０は、細胞培養後に、最小時間単位、すなわち１時間、３時間、６時間、１２時間、および２４時間の時間帯別に獲得されていることが分かる。
参考として、図２は、マウス胚芽幹細胞（ｍｏｕｓｅ ｅｍｂｙｏｎｉｃ ｓｔｅｍ ｃｅｌｌ：ｍＥＳ）のうちＢ６細胞を維持用ＬＩＦ（ｌｅｕｋａｅｍｉａ ｉｎｈｉｂｉｔｏｒｙ ｆａｃｔｏｒ）メディアと分化用ＩＴＳ（Ｉｎｓｕｌｉｎ－ｔｒａｎｓｆｅｒｒｉｎ－ｓｅｌｅｎｉｕｍ ｓｕｐｐｌｅｍｅｎｔ）メディアでそれぞれ培養した後、１時間、３時間、６時間、１２時間、および２４時間の時間帯別に獲得した細胞イメージを示している。
本発明では、幹細胞などを含む多様な細胞に多様な培養条件を適用して、時間帯別に変化する細胞イメージを獲得しており、前記獲得した細胞イメージに対してディープラーニング技術を適用して、微細な細胞変化を分析することによって、細胞の維持培養や分化を誘導する過程で、各時間帯別に細胞特性を区別して判断することができる。
本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法には、多様なディープラーニング技術が適用されてもよい。言い換えれば、ディープラーニング技術に基づいて細胞イメージを学習することによって、生成された判別モデル１００を利用して、前記細胞イメージ１０が多様な細胞種類、多様な培養条件、および培養時間のうちどれに相当するかを判別することができる。
好ましくは、本発明では、多様なディープラーニング技術の中で畳み込みニューラルネットワーク（ＣＮＮ）に基づいて前記判別モデル１００を生成することができる。
より好ましくは、本発明では多様な畳み込みニューラルネットワーク（ＣＮＮ）中で、Ｒｅｓｎｅｔ５０アルゴリズムに基づいて前記判別モデル１００を生成することができる。
図３を参照すると、前記判別モデル１００は、前記細胞イメージ１０に対して、第１特徴を抽出するための第１ニューラルネットワーク１１０、前記細胞イメージ１０に対して、第２特徴を抽出するための第２ニューラルネットワーク１２０、および抽出された前記第１特徴および前記第２特徴に基づいて、入力された細胞イメージ１０に対する細胞種類、培養条件、および培養時間のいずれか一つ以上を決めるための完全連結層（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ Ｌａｙｅｒ）１３０を含むことができる。ここで、完全連結層は、抽出された特徴情報に基づいて、細胞イメージ１０に対する細胞種類、培養条件、および培養時間のいずれか一つ以上を決める分類器（ｃｌａｓｓｉｆｉｅｒ）に対応し得る。
ここで、前記細胞イメージ１０の第１特徴は、大きい特徴、例えば細胞形態特徴であってもよく、前記細胞イメージ１０の第２特徴は、小さい特徴、例えば細胞エッジ特徴であってもよい。
また、前記第１ニューラルネットワーク１１０は、１個の第１畳み込み層１１２（Ｃｏｎｖ１）および１個のプーリング層１１３で形成された浅い構造の畳み込みニューラルネットワークで具現され、前記第２ニューラルネットワーク１２０は、４個の第２乃至第５畳み込み層１２１、１２２、１２３、１２４（Ｃｏｎｖ２、Ｃｏｎｖ３、Ｃｏｎｖ４、Ｃｏｎｖ５）で形成された深い構造の畳み込みニューラルネットワークで具現されることができる。ここで、プーリング層１１３では畳み込み層１１２の出力データの大きさを縮小したり、特定データを強調するプーリング演算が行われることができる。前記プーリング層１１３には、最大値プーリング層（ｍａｘ ｐｏｏｌｉｎｇ ｌａｙｅｒ）および平均プーリング層（ａｖｅｒａｇｅ ｐｏｏｌｉｎｇ ｌａｙｅｒ）が含まれることができる。
具体的には、前記判別モデル１００において、入力に用いた細胞イメージ１０は、例えば、２４０×３２０ピクセル大きさであってもよい。
前記細胞イメージ１０が前記第１ニューラルネットワーク１１０に入力されると、畳み込み層１１２およびプーリング層１１３を通じてイメージの特徴を抽出する。この時、処理後にイメージの大きさが減少するため、イメージの大きさを維持するために、ゼロパディング（ｚｅｒｏ ｐａｄｄｉｎｇ）１１１処理を行って、イメージの大きさを一時的に拡大した状態で後続処理を始める。例えば、前記細胞イメージ１０の大きさは、ゼロパディング１１１処理を通じて２４０×３２０から２４６×２３６に大きくなる。これによって、畳み込み層１１２には、１２０×１６０×６４ピクセルのイメージが入力され、以後前記第２ニューラルネットワーク１２０には、プーリング層１１３でプーリング演算によって６０×８０×６４ピクセルのイメージが入力される。
前記第２ニューラルネットワーク１２０の４個の第２乃至第５畳み込み層１２１、１２２、１２３、１２４では、１×１または３×３大きさのフィルタを利用してイメージの特徴を抽出する。
例えば、第２畳み込み層１２１（Ｃｏｎｖ２）では、（１×１、６４）、（３×３、６４）、および（１×１、２５６）フィルタを通じてイメージパターンを分析し、この分析を３回繰り返す。すなわち、第２畳み込み層１２１（Ｃｏｎｖ２）は、９個の層を構成している。
第３畳み込み層１２２（Ｃｏｎｖ３）では、（１×１、１２８）、（３×３、１２８）、および（１×１、５１２）フィルタを通じてイメージパターンを分析し、この分析を４回繰り返す。すなわち、第３畳み込み層１２２（Ｃｏｎｖ３）は、１２個の層を構成している。
第４畳み込み層１２３（Ｃｏｎｖ４）では、（１×１、２５６）、（３×３、２５６）、および（１×１、１０２４）フィルタを通じてイメージパターンを分析し、この分析を６回繰り返す。すなわち、第４畳み込み層１２３（Ｃｏｎｖ４）は、１８個の層を構成している。
第５畳み込み層１２４（Ｃｏｎｖ５）では、（１×１、５１２）、（３×３、５１２）、および（１×１、２０４８）フィルタを通じてイメージパターンを分析し、この分析を３回繰り返す。すなわち、第５畳み込み層１２４（Ｃｏｎｖ５）は、９個の層を構成している。
したがって、前記第２ニューラルネットワーク１２０は、総４８個の層で構成される。
これと同様に、第１ニューラルネットワーク１１０は、第１畳み込み層１１２（Ｃｏｎｖ１）とプーリング層１１３の２個の層で構成される。
図４は、本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、判別モデルを適用して、細胞種類、培養条件、および培養時間のいずれか一つ以上を決める過程を示したフローチャートである。
図４を参照すると、前記判別ステップ（Ｓ２００）は、前記細胞イメージ１０内で第１特徴を抽出するステップ（Ｓ２１０）；前記細胞イメージ１０内で第２特徴を抽出するステップ（Ｓ２２０）；および前記細胞イメージ１０で抽出された第１特徴および第２特徴に基づいて、前記判別モデル１００を適用して細胞種類、培養条件、および培養時間のいずれか一つ以上を決めるステップ；を含むことができる。ここで、前記細胞イメージ１０の第１特徴は、大きい特徴、例えば細胞形態特徴であってもよく、前記細胞イメージ１０の第２特徴は、小さい特徴、例えば細胞エッジ特徴であってもよい。
本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、前記多様な細胞種類は、幹細胞株、ヒト皮膚線維芽細胞、上皮細胞株、および兔疫細胞株のいずれか一つ以上を含む動物細胞およびヒト細胞を含み、前記多様な培養条件は、各細胞株ごとに相違してもよい。
前記幹細胞株は、マウス胚芽幹細胞（ｍｏｕｓｅ ｅｍｂｙｏｎｉｃ ｓｔｅｍ ｃｅｌｌ：ｍＥＳ）、マウス逆分化幹細胞（ｍｏｕｓｅ ｉｎｄｕｃｅｄ ｐｌｕｒｉｐｏｔｅｎｔ ｓｔｅｍ ｃｅｌｌｓ：ｍｉＰＳＣｓ）、ヒト胚芽幹細胞、ヒト逆分化幹細胞、ヒト神経幹細胞、ヒト毛包幹細胞、ヒト間葉系幹細胞、およびヒト線維芽細胞のいずれか一つ以上を含み、前記上皮細胞株は、ヒト表皮角化細胞（ＨａＣａＴ）を含み、前記兔疫細胞株は、Ｔ細胞を含み、前記ヒト神経幹細胞は、ヒト体細胞－由来細胞転換神経幹細胞またはヒト脳－由来神経幹細胞を含むことができる。
本発明において、培養条件について概略的に説明すれば次の通りである。
前記マウス胚芽幹細胞は、ＬＩＦ（ｌｅｕｋａｅｍｉａ ｉｎｈｉｂｉｔｏｒｙ ｆａｃｔｏｒ）メディアを含む培養条件、ＩＴＳ（Ｉｎｓｕｌｉｎ－ｔｒａｎｓｆｅｒｒｉｎ－ｓｅｌｅｎｉｕｍ ｓｕｐｐｌｅｍｅｎｔ）メディアを含む培養条件、およびＬＩＦメディアを除去した培養条件のいずれか一つ以上を含むことができる。ここで、ＬＩＦメディアは、胚芽幹細胞特性を維持させる機能を果たし、ＩＴＳメディアは分化を誘導する機能を果たすことができる。
前記マウス逆分化幹細胞の培養条件は、ＰＤ０３２５９０１（ＭＥＫ（（ｍｉｔｏｇｅｎ－ａｃｔｉｖａｔｅｄ ｐｒｏｔｅｉｎ ｋｉｎａｓｅ）ｉｎｈｉｂｉｔｏｒ）、ＳＢ４３１５４２（ＴＧＦ－β（Ｔｒａｎｓｆｏｒｍｉｎｇ Ｇｒｏｗｔｈ Ｆａｃｔｏｒ－β）ｉｎｈｉｂｉｔｏｒ）、チアゾビビン（ｔｈｉａｚｏｖｉｖｉｎ）、アスコルビン酸（ａｓｃｏｒｂｉｃ ａｃｉｄ）（ＡＡ）、およびＬＩＦメディアを含む培養条件、ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸、およびＬＩＦメディアを除去した培養条件、ＩＴＳメディアを含む培養条件のいずれか一つ以上を含むことができる。ここで、４種の小分子化合物（ｓｍａｌｌ ｍｏｌｅｃｕｌｅｓ）であるＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸は、マウス逆分化幹細胞の特性および染色体の安定性を維持する機能を果たす。
前記ヒト胚芽幹細胞または前記ヒト逆分化幹細胞は、ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸、およびＬＩＦメディアを含む培養条件、ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸、およびＬＩＦメディアを除去した培養条件、ＩＴＳメディアを含む培養条件のいずれか一つ以上を含むことができる。ここで、４種の小分子化合物であるＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸は、染色体の安定性を維持する機能を果たす。
前記ヒト体細胞－由来細胞転換神経幹細胞は、ＤＭＥＭ／Ｆ１２（Ｄｕｌｂｅｃｃｏ’ｓ Ｍｏｄｉｆｉｅｄ Ｅａｇｌｅ’ｓ Ｍｅｄｉｕｍ）、Ｎ２（Ｎ２ ｓｕｐｐｌｅｍｅｎｔ）、Ｂ２７（ｓｅｒｕｍ ｓｕｐｐｌｅｍｅｎｔ）、ｂＦＧＦＦ（ｂａｓｉｃ ｆｉｂｒｏｂｌａｓｔ ｇｒｏｗｔｈ ｆａｃｔｏｒ）、ＥＧＦ（ｅｐｉｄｅｒｍａｌ ｇｒｏｗｔｈ ｆａｃｔｏｒ）、チアゾビビン、バルプロ酸（Ｖａｌｐｒｏｉｃ ａｃｉｄ）、パルモルファミン（Ｐｕｒｍｏｒｐｈａｍｉｎｅ）、Ａ８３０１、ＳＢ４３１５４２、ＣＨＩＲ９９０２１、ＤＺＮｅｐ（Ｄｅａｚａｎｅｐｌａｎｏｃｉｎ Ａ）、および５－ＡＺＡ（Ａｚａｃｉｔｉｄｉｎｅ）を含む培養条件、ＤＭＥＭ／Ｆ１２、Ｎ２、Ｂ２７、ｂＦＧＦ、およびＥＧＦを含む培養条件、ＤＭＥＭ／Ｆ１２、およびＩＴＳメディアを含む培養条件のいずれか一つ以上を含むことができる。ここで、小分子化合物であるチアゾビビン、バルプロ酸、パルモルファミン、Ａ８３０１、ＳＢ４３１５４２、ＣＨＩＲ９９０２１、ＤＺＮｅｐ、および５－ＡＺＡは、染色体の安定性を維持する機能を果たす。
前記ヒト脳－由来神経幹細胞は、基礎培地（Ｂａｓａｌ ｍｅｄｉｕｍ）、誘導神経幹細胞成長補充物（Ｉｎｄｕｃｅｄ ｎｅｕｒａｌ ｓｔｅｍ ｃｅｌｌ ｇｒｏｗｔｈ ｓｕｐｐｌｅｍｅｎｔ）、および抗生剤（Ａｎｔｉｂｉｏｔｉｃｓ）を含む培養条件、基礎培地および抗生剤を含む培養条件、および基礎培地、抗生剤、およびＩＴＳメディアを含む培養条件のいずれか一つ以上を含むことができる。
前記ヒト毛包幹細胞は、ＤＭＥＭメディアに１０％ＦＢＳ（Ｆｅｔａｌ ｂｏｖｉｎｅ ｓｅｒｕｍ）、Ｐｅｎ／Ｓｔｒｅｐ（Ｐｅｎｉｃｉｌｌｉｎ＆ストレプトマイシン）、Ｌ－グルタミン（Ｌ－ｇｌｕｔａｍｉｎｅ）、およびストレプトマイシン（ｓｔｒｅｐｔｏｍｙｃｉｎ）が含まれた培養条件、ＤＭＥＭメディアにＩＴＳメディアを含む培養条件のいずれか一つ以上を含むことができる。
前記ヒト間葉系幹細胞は、ＤＭＥＭメディアに１０％ＦＢＳ（Ｆｅｔａｌ ｂｏｖｉｎｅ ｓｅｒｕｍ）、ＮＥＡＡ（ｎｏｎ－Ｅｓｓｅｍｔｉａｌ Ａｍｉｎｏ Ａｃｉｄｓ）、およびＰｅｎ／Ｓｔｒｅｐが含まれた培養条件、ＤＭＥＭメディアにＩＴＳメディアを含む培養条件のいずれか一つ以上を含むことができる。
前記ヒト線維芽細胞は、ＤＭＥＭメディアに１０％ＦＢＳ、Ｐｅｎ／Ｓｔｒｅｐ、およびＮＥＡＡが含まれた培養条件を含むことができる。
前記ＨａＣａＴ細胞は、ＤＭＥＭメディアに１０％ＦＢＳ、Ｐｅｎ／Ｓｔｒｅｐ、Ｌ－グルタミン、およびストレプトマイシンが含まれた培養条件を含むことができる。
前記Ｔ細胞は、ＲＰＭＩ（米国ロズウェルパーク記念研究所（Ｒｏｓｅｗｅｌｌ Ｐａｒｋ Ｍｅｎｏｒｉａｌ Ｉｎｓｔｉｔｕｔｅ））１６４０メディアにＰｅｎ／Ｓｔｒｅｐ、β-メルカプトエタノール（β－ｍｅｒｃａｐｔｏｅｔｈａｎｏｌ）、およびＬ－グルタミンが含まれた培養条件を含むことができる。
本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、前記判別モデル１００は、イメージ学習のためのデータセットを含み、前記データセットは、各１，０００個、１，５００個、２，０００個の訓練（ｔｒａｉｎ）イメージセット、８００個の検証（ｖａｌｉｄａｔｉｏｎ）イメージセット、および１００個のテスト（ｔｅｓｔ）イメージセットを含むことができる。
好ましくは、訓練の結果、前記判別モデル１００は、２，０００個の訓練イメージセットを採択することができた。
［訓練結果］
多様な細胞種類と多様な培養条件下で、細胞培養後に最小時間単位、すなわち１時間、３時間、６時間、１２時間、および２４時間の時間帯別に細胞イメージを獲得し、本発明に係る判別モデル（ＣＮＮモデルともいう）を適用して、訓練正確度（ａｃｃｕｒａｃｙ）を比較した。
前記判別モデルのデータセットとして、各１，０００個、１，５００個、２，０００個の訓練イメージセットを異なるようにし、共通的に８００個の検証イメージセットと、１００個のテストイメージセットを用いた。
［１，０００個の訓練イメージセット］
マウス胚芽幹細胞のうちＢ６細胞（Ｂ６胚芽筋細胞という）をＬＩＦおよびＩＴＳメディアを用いて培養し、その訓練結果を図５～図９に整理した。
参考として、図面で、左側グラフは、訓練および検証の正確度（ａｃｃｕｒａｃｙ）および損失度（ｌｏｓｓ）（または損失値ともいう）を示している。訓練（ｔｒａｉｎ）の正確度と損失度（ｌｏｓｓ）は、それぞれｔｒａｉｎ＿ａｃｃとｔｒａｉｎ＿ｌｏｓｓで示し、検証（ｖａｌｉｄａｔｉｏｎ）の正確度と損失度は、それぞれｖａｌ＿ａｃｃとｖａｌ＿ｌｏｓｓで示している。
また、右側混同行列（ｃｏｎｆｕｓｉｏｎ ｍａｔｒｉｘ）は、テストイメージセットの１００個のイメージを利用して正確度を示した表である。
図５～図９で、左側グラフを参照すると、１、３、６時間帯では、訓練および検証の正確度がほとんど１に近い値を示したが、１２、２４時間帯では、訓練および検証の正確度が漸次低下することが見られる。また、訓練および検証の損失度は、すべての時間帯で大体不安定に現れ、特に２４時間帯では０．５以上に増加したことが見られる。
図５～図９で、右側混同行列を参照すると、２４時間帯を除いては、大部分８０％が越える正確度を見せたが、このモデルの学習結果が高い正確度を見せたとは言えない。
上記のように、１，０００個の訓練イメージセットを用いて訓練した結果、訓練正確度が高くなかった。
［１，５００個の訓練イメージセット］
マウス胚芽幹細胞のうちＢ６細胞（Ｂ６胚芽筋細胞という）をＬＩＦおよびＩＴＳメディアを用いて培養し、ＬＩＦが添加され、ＬＩＦが除去された（ＬＩＦ－と表示する）メディアを用いて培養し、その訓練結果を図１０～図１４および図１５～図１９に整理した。
また、マウス逆分化幹細胞（ｍｉＰＳＣｓ－）をＬＩＦおよびＩＴＳメディアを用いて培養し、ＬＩＦが添加され、ＬＩＦが除去された（ＬＩＦ－と表示する）メディアを用いて培養し、その訓練結果を図２０～図２４および図２５～図２９に整理した。参考に、「ｍｉＰＳＣｓ－」で「－」表示は、培養条件に４種のｃｈｅｍｉｃａｌを添加しなかったという意味である。
上記のように、１，５００個の訓練イメージセットを利用した訓練結果、Ｂ６胚芽筋細胞でメディアによる細胞区分正確度がある程度高く表れたと評価されるものの、実際の細胞培養において細胞の判別を行うことができるほどの信頼性があるのではないと見られる。
また、逆分化幹細胞に対する訓練において、検証損失度がオーバーフィット（Ｏｖｅｒｆｉｔｔｉｎｇ）されて増加する結果が得られ、これは訓練が正常に行われなかったと見ることができる。
これによって、２，０００個の訓練イメージセットを用いて訓練を行った。
［２，０００個の訓練イメージセット］
マウス胚芽幹細胞のうちＢ６細胞（Ｂ６胚芽筋細胞ともいう）をＬＩＦおよびＩＴＳメディアを用いて培養し、ＬＩＦが添加され、ＬＩＦが除去された（ＬＩＦ－と表示する）メディアを用いて培養し、その訓練結果を図３０～図３４および図３５～図３９に整理した。
図３０～図３４で、左側グラフを参照すると、全時間帯別訓練と検証の正確度がほとんど１に近く表れ、損失度もほとんど０に近く低下していることが見られる。これはモデル学習と検証が正常に行われたこを意味し、右側混同行列でも初期学習結果よりも高い正確度結果が出た。
図３５～図３９で、左側グラフを参照すると、時間帯別訓練と検証の正確度がほとんど１に近いことが見られ、損失度も０に収斂されていることが分かる。すなわち、訓練と検証過程が正常に行われたと見られ、右側混同行列では、１２時間の時まで９５％以上の正確度を見せ、２４時間の時は細胞の大きさのため、正確度がやや低下したが、それでも９０％以上の正確度を見せる。
マウス胚芽幹細胞のうちＪ１細胞（Ｊ１胚芽筋細胞ともいう）をＬＩＦおよびＩＴＳメディアを用いて培養し、ＬＩＦが添加され、ＬＩＦが除去された（ＬＩＦ－と表示する）メディアを用いて培養し、その訓練結果を図４０～図４４および図４５～図４９に整理した。
図４０～図４４で、左側グラフを参照すると、訓練と検証の正確度が全部１に近い値が表れた。混同行列においてもＬＩＦメディアに培養した細胞を区別する正確度は９９％または１００％、ＩＴＳメディアに培養した細胞を区別する正確度は９７％以上が出た。
図４５～図４９で、左側グラフを参照すると、訓練と検証の正確度が１に近く表れ、混同行列においても９９％以上の正確度を見せた。
マウス逆分化幹細胞（ｍｉＰＳＣｓ＋Ｌｉｎｅ１）をＬＩＦおよびＩＴＳメディアを用いて培養し、ＬＩＦが添加されたメディア（ＬＩＦ）とＬＩＦが除去された（ＬＩＦ－と表示する）メディアを用いて培養し、その訓練結果を図５０～図５４および図５５～図５９に整理した。参考に、「ｍｉＰＳＣｓ＋」で「＋」表示は、培養条件に４種のｃｈｅｍｉｃａｌを添加したという意味である。
図５０～図５４を参照すると、左側グラフで訓練と検証の正確度はほとんど１に近く表れたが、検証の損失度は１時間と１２時間帯を除いては、安定的に表れた。
図５５～図５９を参照すると、左側グラフで訓練と検証の正確度は大体よく表れたが、検証の損失度が１時間帯、２４時間帯に不安定に表れた。細胞の破片（ｄｅｂｒｉｓ）の生成と細胞の早い増殖率による理由が最も大きいようである。誤差整列の正確度は２４時間帯を除いては、９６％以上に表れ、２４時間帯は、上述したように、細胞の早い増殖率と破片によって、細胞形態を区別するのに限界があって低く表れたようである。
マウス逆分化幹細胞（ｍｉＰＳＣｓ＋Ｌｉｎｅ２）をＬＩＦおよびＩＴＳメディアを用いて培養し、ＬＩＦが添加され、ＬＩＦが除去された（ＬＩＦ－と表示する）メディアを用いて培養し、その訓練結果を図６０～図６４および図６５～図６９に整理した。
図６０～図６４を参照すると、左側グラフで訓練と検証の正確度は１に近く表れ、１時間帯で検証損失度が若干不安であったことを除けば、すべての時間帯で損失度が０に近い値が表れた。混同行列の正確度が９８％以上が表れ、ＩＴＳメディアは９３％以上の正確度で、信頼できる結果が表れた。
図６５～図６９を参照すると、左側グラフで２４時間帯で検証損失度が若干不安定であることを除けば、訓練と検証の正確度も１に近く表れた。混同行列においてもすべての時間帯で各メディアで培養した細胞を区別する正確度が非常に高く表れた。
マウス逆分化幹細胞（ｍｉＰＳＣｓ－）をＬＩＦおよびＩＴＳメディアを用いて培養し、ＬＩＦが添加され、ＬＩＦが除去された（ＬＩＦ－と表示する）メディアを用いて培養し、その訓練結果を図７０～図７４および図７５～図７９に整理した。
図７０～図７４を参照すると、左側グラフで、６時間帯以後から検証損失度が大体不安定に表れ、最後の２４時間帯では訓練正確度が高くても細胞破片が発生し過ぎ、細胞増殖も遅くて検証損失度が過度に大きく表れた。１時間帯の時、ＬＩＦメディアで培養した細胞正確度が７９％が表れ、２４時間帯の時、ＩＴＳで培養した細胞正確度は、おおよそ５９％の低い正確度が表れた。２４時間帯の時、細胞は細胞形態を区別しにくいほどに細胞破片が発生しすぎ、細胞も早く増殖して、検証損失度およびテストの正確度が低く表れた。
図７５～図７９を参照すると、左側グラフで、訓練および検証の正確度が大体高く表れたが、２４時間帯で検証損失度が不安定である。右側混同行列でも残り他の細胞での結果のように正確度がそれほど高く表れなかった。
上記のように、２，０００個の訓練イメージセットを用いた訓練結果、１，５００個の訓練イメージセットを利用した訓練で見せたオーバーフィット現象が発生せず、高い正確度を得にくいマウス逆分化幹細胞（ｍｉＰＳＣｓ－）でも有意な高い正確度を得ることができた。
このような結果は、今後の無人自動化細胞培養システムにおいて、メディア種類による細胞形態変化を高い正確度で区分することができる可能性を提供する。
図８０は、本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別方法において、訓練セット（ｔｒａｉｎ ｓｅｔ）の訓練正確度を比較した結果を示したグラフである。
図８０を参照すると、維持目的であるＬＩＦ（ｌｅｕｋｅｍｉａ ｉｎｈｉｂｉｔｏｒｙ ｆａｃｔｏｒ）メディアと分化（ｄｉｆｆｅｒｅｎｔｉａｔｉｏｎ）目的であるＩＴＳ（ｉｎｓｕｌｉｎ－ｔｒａｎｓｆｅｒｒｉｎ－ｓｅｌｅｎｉｔｅ）メディアでの差を区別する正確度で、初期１，０００枚と２，０００枚の訓練セット（ｔｒａｉｎ ｓｅｔ）の訓練正確度を比較すると、訓練したデータの数が多いほど、すなわち２，０００枚の訓練セットで正確度がより高いことが分かる。
図８１～８６は、本発明に係る各メディア条件で多様な細胞を培養する場合、細胞形態学習の精密度（Ｐｒｅｃｉｓｉｏｎ）と再現率（Ｒｅｃａｌｌ）を示したグラフである。ここで、精密度はモデル学習でＴｕｒｅと分類した中で、実際Ｔｒｕｅの比率であり、再現率は、実際Ｔｒｕｅの中でモデルがＴｕｒｅと予測した比率である。
図８１を参照すると、ＬＩＦメディアで培養した細胞の１，０００個の訓練イメージセットを利用した訓練で（上部グラフのうち左側グラフ参照）、細胞形態学習の精密度は時間が経つにつれて減少する。また、細胞形態学習の再現率は、３時間帯で最も高かったが、全体的に再現率値が高くない。分化目的のＩＴＳメディアでも同様に、精密度と再現率が３時間帯で最も高かったが（上部グラフのうち右側グラフ参照）、全体的に不安定で低い値を記録した。
しかしながら、ＬＩＦメディアおよびＩＴＳメディアで培養した細胞の２，０００個の訓練イメージセットを利用した訓練で（下部グラフ参照）、細胞形態学習の精密度と再現率は両方とも高く表れたことが分かる。
図８２を参照すると、２，０００個の訓練イメージセットを利用した訓練で、ＬＩＦメディアおよびＬＩＦを除去したメディア（ＬＩＦ－）で培養した細胞の精密度と再現率両方とも高い値が表れた。また、２４時間帯では精密度が細胞の増殖で細胞形態区別の制限性のため比較的低く表れたが、それでも高い精密度を見せた。
図８３を参照すると、各メディア条件で培養した細胞［Ｊ１ ｍＥＳＣｓ（ｍｏｕｓｅ ｅｍｂｒｙｏｎｉｃ ｓｔｅｍ ｃｅｌｌｓ）細胞］（マウス胚芽幹細胞Ｊ１）の形態を見て区別した精密度と再現率は、ＬＩＦメディアおよびＩＴＳメディア、ＬＩＦメディアおよびＬＩＦ（－）メディアで全時間帯で１に近く高く表れた。これは、ＣＮＮモデルがＪ１ ｍＥＳＣｓ細胞（マウス胚芽幹細胞Ｊ１）も区別することができることを意味し、したがって多様な細胞でもこのアルゴリズムを適用して応用することができる。
図８４を参照すると、各メディア条件で培養した細胞（ｍｉＰＳＣｓ（ｍｏｕｓｅ ｉｎｄｕｃｅｄ ｐｌｕｒｉｐｏｔｅｎｔ ｓｔｅｍ ｃｅｌｌｓ）Ｌｉｎｅ１）の形態を見て区別した精密度と再現率は、ＬＩＦ＋４ｃｈｅｍｉｃａｌｓ（例えば：ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸を含む）メディア、および分化のためのＩＴＳメディアでは、両方とも１２時間帯で細胞の破片（ｄｅｂｒｉｓ）の生成によって、精密度と再現率が他の時間帯よりも低く表れた（上部２個のグラフ参照）。また、ＬＩＦ＋４ｃｈｅｍｉｃａｌｓメディアおよびＬＩＦと４ｃｈｅｍｉｃａｌｓを除去したメディア（ＬＩＦ（－）＋４ｃｈｅｍｉｃａｌｓ（－））で培養した細胞は、２４時間帯で細胞の増殖と破片の生成によって、ひたすら細胞の形態のみをイメージに含ませるのに限界があって、精密度と再現率が他の時間帯よりも低く表れた（下部２個のグラフ参照）。しかしながら、他の時間帯では高い精密度と再現率を表している。
図８５を参照すると、各メディア条件（図８４での条件と同一）で培養した細胞（ｍｉＰＳＣｓ（ｍｏｕｓｅ ｉｎｄｕｃｅｄ ｐｌｕｒｉｐｏｔｅｎｔ ｓｔｅｍ ｃｅｌｌｓ）Ｌｉｎｅ２）の形態を見て区別した精密度と再現率を示しており、精密度と再現率で全時間帯にかけて大部分１に近い値を示した。
したがって、同じ細胞でも細胞継代数（ｐａｓｓａｇｅ）によってまたは研究者によって細胞形態の差があり得るが、ＣＮＮモデルで訓練した結果によれば、細胞形態の差が微妙に違っても微細な差を区別することができ、高い正確度で一貫性のある結果を導出することができる。
参考に、Ｌｉｎｅ１とＬｉｎｅ２は、同じ培養条件で培養したが、異なる細胞株（Ｌｉｎｅ）であるという意味を有する。
図８６を参照すると、各メディア条件（図８２での条件と同一）で培養した細胞（ｍｉＰＳＣｓ－）の形態を見て区別した精密度と再現率を示している。
ＬＩＦを添加したメディアで精密度は時間帯別に低下したが、再現率では増加した（上部２個のグラフのうち左側グラフ参照）。ここで、時間が経つにつれて、細胞の破片生成によって訓練正確度が減少したように見えるが、再現率ではＣＮＮモデルがＬＩＦメディアで培養した細胞であると判断した中で実際に符合する比率が増加したのであるので、訓練がある程度正常に行われたと見られる。
分化を誘導したＩＴＳメディアで培養した細胞は、逆に時間帯別に精密度が増加したが、再現率は減少した（上部２個のグラフのうち右側グラフ参照）。ＩＴＳメディアで培養した細胞形態が急激に変化して、細胞の破片もたくさん発生するため、訓練の正確度が高くても再現率が若干低く表れた。
ＬＩＦメディアおよびＬＩＦを除去したメディア（ＬＩＦ（－））では、ＬＩＦメディアで培養した細胞の再現率が１時間帯で低く表れたことを除いては、大体高く表れ、２つのメディア条件での細胞区別は、細胞変化の差を目で区別しにくい細胞であってもＣＮＮモデルでよく区別できたことを意味する（下部２個のグラフ参照）。
一方、図８７は、本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別装置を示したブロック図である。
図８７を参照すると、本発明の一実施形態による人工知能ディープラーニングを利用した細胞判別装置は、細胞イメージ１０が入力される入力部２００、ディープラーニングに基づく判別モデル１００を利用して、前記細胞イメージ１０が多様な細胞種類、多様な培養条件、および培養時間のうちどれに相当するかを判別する判別部３００、および前記判別部３００の判別結果を使用者端末２０に提供する出力部４００を含むことができる。
前記入力部２００を通じて入力される細胞イメージ１０は、データベース２１０に保存されることができる。
前記使用者端末２０は、使用者が細胞判別のために用いるデバイスを指称することができる。すなわち、使用者端末２０には細胞イメージ１０に対して細胞を判別した結果を使用者にディスプレイやサウンド信号を通じて提供することができる機器であれば、いずれも含まれることができる。
また、本発明の一実施形態として、前述した方法を具現するためのプログラムが記録されたコンピュータで判読可能な記録媒体が提供されることができる。
一方、前述の方法は、コンピュータで実行可能なプログラムで作成可能であり、コンピュータ判読可能な媒体を利用して前記プログラムを動作させる汎用デジタルコンピュータで具現されることができる。また、上述した方法で用いられたデータの構造は、コンピュータ判読可能な媒体に多様な手段を通じて記録されることができる。本発明の多様な方法を実行するための実行可能なコンピュータプログラムやコードを記録する記録媒体は、搬送波（ｃａｒｒｉｅｒ ｗａｖｅｓ）や信号のように一時的な対象は含むことに理解されてはならない。前記コンピュータ判読可能な媒体は、磁気記録媒体（例えば、ＲＯＭ、フロッピーディスク、ハードディスクなど）、光学読取媒体（例えば、ＣＤ－ＲＯＭ、ＤＶＤなど）のような記録媒体を含むことができる。
上述した本発明の説明は例示のためのもので、本発明が属する技術分野において通常の知識を有する者は本発明の技術的思想や必須特徴を変更しなくても他の具体的な形態に変形しやすいことを理解すべきである。したがって、以上で記述した実施例は、すべての面で例示的で、限定的ではないことに理解すべきである。例えば、単一型に説明されている各構成要素は分散して実施されてもよく、同様に、分散したことに説明されている構成要素も結合された形態に実施されてもよい。
本発明の範囲は、詳細な説明よりは後述する特許請求範囲によって示され、特許請求範囲の意味および範囲そしてその均等概念から導出されるすべての変更または変形された形態が本発明の範囲に含まれることに解釈されるべきである。

Claims (16)

  1. 細胞イメージが入力される入力ステップ；および
    ディープラーニングに基づく判別モデルを利用して、前記細胞イメージが多様な細胞種類、多様な培養条件、および培養時間のうちどれに相当するかを判別する判別ステップ；を含み、
    前記判別ステップは、
    前記細胞イメージ内で第１特徴を抽出するステップ；
    前記細胞イメージ内で第２特徴を抽出するステップ；および
    抽出された前記第１特徴および前記第２特徴に基づいて、前記細胞イメージに対する細胞種類、培養条件、および培養時間のいずれか一つ以上を決めるステップ；を含み、
    前記判別モデルは、
    前記細胞イメージに対して、前記第１特徴を抽出するための第１ニューラルネットワーク；
    前記細胞イメージに対して、前記第２特徴を抽出するための第２ニューラルネットワーク；および
    抽出された前記第１特徴および前記第２特徴に基づいて、入力された細胞イメージに対する細胞種類、培養条件、および培養時間のいずれか一つ以上を決めるための完全連結層；を含み、
    前記培養条件は、細胞特性を維持するためのメディアを含む培養条件、細胞分化を誘導するためのメディアを含む培養条件、および細胞特性を維持するためのメディアを除去した培養条件のいずれか一つ以上を含む、ことを特徴とする人工知能を利用した細胞判別方法。
  2. 前記細胞イメージは、細胞培養後に、１時間～１時間３０分、３時間～３時間３０分、６時間～６時間３０分、１２時間～１２時間３０分、および２４時間～２４時間３０分の時間帯のいずれか一つ以上で撮影装置によって獲得する、ことを特徴とする請求項１に記載の人工知能を利用した細胞判別方法。
  3. 前記第１ニューラルネットワークは、１個の畳み込み層および１個のプーリング層に形成された浅い構造の畳み込みニューラルネットワークで具現され、
    前記第２ニューラルネットワークは、４個の畳み込み層で形成された深い構造の畳み込みニューラルネットワークで具現される、ことを特徴とする請求項１に記載の人工知能を利用した細胞判別方法。
  4. 前記多様な細胞種類は、幹細胞株、ヒト皮膚線維芽細胞、上皮細胞株、および兔疫細胞株のいずれか一つ以上を含む動物細胞およびヒト細胞を含み、
    前記多様な培養条件は、各細胞株ごとに相異する、ことを特徴とする請求項１に記載の人工知能を利用した細胞判別方法。
  5. 前記幹細胞株は、マウス胚芽幹細胞、マウス逆分化幹細胞、ヒト胚芽幹細胞、ヒト逆分化幹細胞、ヒト神経幹細胞、ヒト毛包幹細胞、ヒト間葉系幹細胞、およびヒト線維芽細胞のいずれか一つ以上を含み、
    前記上皮細胞株は、ヒト表皮角化（ＨａＣａＴ）細胞を含み、
    前記兔疫細胞株は、Ｔ細胞を含み、
    前記ヒト神経幹細胞は、ヒト体細胞－由来細胞転換神経幹細胞またはヒト脳－由来神経幹細胞を含む、ことを特徴とする請求項４に記載の人工知能を利用した細胞判別方法。
  6. 前記マウス胚芽幹細胞は、
    前記細胞特性を維持するためのメディアであるＬＩＦ（ｌｅｕｋａｅｍｉａ ｉｎｈｉｂｉｔｏｒｙ ｆａｃｔｏｒ）メディアを含む培養条件、
    前記細胞分化を誘導するためのメディアであるＩＴＳ（Ｉｎｓｕｌｉｎ－ｔｒａｎｓｆｅｒｒｉｎ－ｓｅｌｅｎｉｕｍ ｓｕｐｐｌｅｍｅｎｔ）メディアを含む培養条件、および
    ＬＩＦメディアを除去した培養条件のいずれか一つ以上を含み、
    前記マウス逆分化幹細胞の培養条件は、
    ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン（ｔｈｉａｚｏｖｉｖｉｎ）、アスコルビン酸（ａｓｃｏｒｂｉｃ ａｃｉｄ）、およびＬＩＦメディアを含む培養条件、
    ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸、およびＬＩＦメディアを除去した培養条件、および
    ＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、
    前記ヒト胚芽幹細胞または前記ヒト逆分化幹細胞は、
    ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸、およびＬＩＦメディアを含む培養条件、
    ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸およびＬＩＦメディアを除去した培養条件、および
    ＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、
    前記ヒト体細胞－由来細胞転換神経幹細胞は、
    ＤＭＥＭ／Ｆ１２、Ｎ２、Ｂ２７、ｂＦＧＦ、ＥＧＦ、チアゾビビン、バルプロ酸（Ｖａｌｐｒｏｉｃ ａｃｉｄ）、パルモルファミン（Ｐｕｒｍｏｒｐｈａｍｉｎｅ）、Ａ８３０１、ＳＢ４３１５４２、ＣＨＩＲ９９０２１、ＤＺＮｅｐ（Ｄｅａｚａｎｅｐｌａｎｏｃｉｎ Ａ）、および５－ＡＺＡ（Ａｚａｃｉｔｉｄｉｎｅ）を含む培養条件、
    ＤＭＥＭ／Ｆ１２、Ｎ２、Ｂ２７、ｂＦＧＦ、およびＥＧＦを含む培養条件、および
    ＤＭＥＭ／Ｆ１２およびＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、
    前記ヒト脳－由来神経幹細胞は、
    基礎培地（Ｂａｓａｌ ｍｅｄｉｕｍ）、誘導神経幹細胞成長補充物（Ｉｎｄｕｃｅｄ ｎｅｕｒａｌ ｓｔｅｍ ｃｅｌｌ ｇｒｏｗｔｈ ｓｕｐｐｌｅｍｅｎｔ）および抗生剤（Ａｎｔｉｂｉｏｔｉｃｓ）を含む培養条件、
    基礎培地および抗生剤を含む培養条件、
    基礎培地、抗生剤、およびＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、
    前記ヒト毛包幹細胞は、
    ＤＭＥＭメディアに１０％ＦＢＳ、Ｐｅｎ／Ｓｔｒｅｐ、Ｌ－グルタミン、およびストレプトマイシンが含まれた培養条件、および
    ＤＭＥＭメディアにＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、
    前記ヒト間葉系幹細胞は、
    ＤＭＥＭメディアに１０％ＦＢＳ、ＮＥＡＡ、およびＰｅｎ／Ｓｔｒｅｐが含まれた培養条件、
    ＤＭＥＭメディアにＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、
    前記ヒト線維芽細胞は、
    ＤＭＥＭメディアに１０％ＦＢＳ、Ｐｅｎ／Ｓｔｒｅｐ、およびＮＥＡＡが含まれた培養条件を含み、
    前記ヒト表皮角化（ＨａＣａＴ）細胞は、
    ＤＭＥＭメディアに１０％ＦＢＳ、Ｐｅｎ／Ｓｔｒｅｐ、Ｌ－グルタミン、およびストレプトマイシンが含まれた培養条件を含み、
    前記Ｔ細胞は、ＲＰＭＩ１６４０メディアにＰｅｎ／Ｓｔｒｅｐ、β-メルカプトエタノール、およびＬ－グルタミンが含まれた培養条件を含む、ことを特徴とする請求項５に記載の人工知能を利用した細胞判別方法。
  7. 前記判別モデルは、
    イメージ学習のためのデータセットを含み、前記データセットは、各１，０００個、１，５００個、２，０００個の訓練イメージセット、８００個の検証イメージセット、および１００個のテストイメージセットを含む、ことを特徴とする請求項１に記載の人工知能を利用した細胞判別方法。
  8. 前記判別モデルは、２，０００個の訓練イメージセットを採択する、ことを特徴とする請求項６に記載の人工知能を利用した細胞判別方法。
  9. 細胞イメージが入力される入力部；
    ディープラーニングに基づく判別モデルを利用して、前記細胞イメージが多様な細胞種類、多様な培養条件、および培養時間のうちどれに相当するかを判別する判別部；および
    前記判別部の判別結果を使用者端末に提供する出力部；を含み、
    前記判別部は、
    前記細胞イメージ内で第１特徴を抽出するステップ；
    前記細胞イメージ内で第２特徴を抽出するステップ；および
    前記抽出された第１特徴および第２特徴に基づいて前記細胞イメージに対する細胞種類、培養条件、および培養時間のいずれか一つ以上を決めるステップ；を通じて動作され、
    前記判別モデルは、
    前記細胞イメージに対して、前記第１特徴を抽出するための第１ニューラルネットワーク；
    前記細胞イメージに対して、前記第２特徴を抽出するための第２ニューラルネットワーク；および
    抽出された前記第１特徴および前記第２特徴に基づいて、入力された細胞イメージに対する細胞種類、培養条件、および培養時間のいずれか一つ以上を決めるための完全連結層；を含み、
    前記培養条件は、細胞特性を維持するためのメディアを含む培養条件、細胞分化を誘導するためのメディアを含む培養条件、および細胞特性を維持するためのメディアを除去した培養条件のいずれか一つ以上を含むことを特徴とする人工知能を利用した細胞判別装置。
  10. 前記細胞イメージは、細胞培養後に、１時間～１時間３０分、３時間～３時間３０分、６時間～６時間３０分、１２時間～１２時間３０分、および２４時間～２４時間３０分の時間帯のいずれか一つ以上で撮影装置によって獲得する、ことを特徴とする請求項９に記載の人工知能を利用した細胞判別装置。
  11. 前記第１ニューラルネットワークは、１個の畳み込み層および１個のプーリング層で形成された浅い構造の畳み込みニューラルネットワークで具現され、
    前記第２ニューラルネットワークは、４個の畳み込み層で形成された深い構造の畳み込みニューラルネットワークで具現される、ことを特徴とする請求項９に記載の人工知能を利用した細胞判別装置。
  12. 前記多様な細胞種類は、幹細胞株、ヒト皮膚線維芽細胞、上皮細胞株、および兔疫細胞株のいずれか一つ以上を含む動物細胞およびヒト細胞を含み、
    前記多様な培養条件は、各細胞株ごとに相異する、ことを特徴とする請求項９に記載の人工知能を利用した細胞判別装置。
  13. 前記幹細胞株は、マウス胚芽幹細胞、マウス逆分化幹細胞、ヒト胚芽幹細胞、ヒト逆分化幹細胞、ヒト神経幹細胞、ヒト毛包幹細胞、ヒト間葉系幹細胞、およびヒト線維芽細胞のいずれか一つ以上を含み、
    前記上皮細胞株は、ヒト表皮角化（ＨａＣａＴ）細胞を含み、
    前記兔疫細胞株は、Ｔ細胞を含み、
    前記ヒト神経幹細胞は、ヒト体細胞－由来細胞転換神経幹細胞またはヒト脳－由来神経幹細胞を含む、ことを特徴とする請求項１２に記載の人工知能を利用した細胞判別装置。
  14. 前記マウス胚芽幹細胞は、
    前記細胞特性を維持するためのメディアであるＬＩＦ（ｌｅｕｋａｅｍｉａ ｉｎｈｉｂｉｔｏｒｙ ｆａｃｔｏｒ）メディアを含む培養条件、
    前記細胞分化を誘導するためのメディアであるＩＴＳ（Ｉｎｓｕｌｉｎ－ｔｒａｎｓｆｅｒｒｉｎ－ｓｅｌｅｎｉｕｍ ｓｕｐｐｌｅｍｅｎｔ）メディアを含む培養条件、
    ＬＩＦメディアを除去した培養条件のいずれか一つ以上を含み、
    前記マウス逆分化幹細胞の培養条件は、
    ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン（ｔｈｉａｚｏｖｉｖｉｎ）、アスコルビン酸（ａｓｃｏｒｂｉｃ ａｃｉｄ）、およびＬＩＦメディアを含む培養条件、
    ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸、およびＬＩＦメディアを除去した培養条件、
    ＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、
    前記ヒト胚芽幹細胞または前記ヒト逆分化幹細胞は、
    ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸、およびＬＩＦメディアを含む培養条件、
    ＰＤ０３２５９０１、ＳＢ４３１５４２、チアゾビビン、アスコルビン酸、およびＬＩＦメディアを除去した培養条件、
    ＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、
    前記ヒト体細胞－由来細胞転換神経幹細胞は、
    ＤＭＥＭ／Ｆ１２、Ｎ２、Ｂ２７、ｂＦＧＦ、ＥＧＦ、チアゾビビン、バルプロ酸（Ｖａｌｐｒｏｉｃ ａｃｉｄ）、パルモルファミン（Ｐｕｒｍｏｒｐｈａｍｉｎｅ）、Ａ８３０１、ＳＢ４３１５４２、ＣＨＩＲ９９０２１、ＤＺＮｅｐ（Ｄｅａｚａｎｅｐｌａｎｏｃｉｎ Ａ）および５－ＡＺＡ（Ａｚａｃｉｔｉｄｉｎｅ）を含む培養条件、
    ＤＭＥＭ／Ｆ１２、Ｎ２、Ｂ２７、ｂＦＧＦ、およびＥＧＦを含む培養条件、
    ＤＭＥＭ／Ｆ１２、およびＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、
    前記ヒト脳－由来神経幹細胞は、
    基礎培地（Ｂａｓａｌ ｍｅｄｉｕｍ）、誘導神経幹細胞成長補充物（Ｉｎｄｕｃｅｄ ｎｅｕｒａｌ ｓｔｅｍ ｃｅｌｌ ｇｒｏｗｔｈ ｓｕｐｐｌｅｍｅｎｔ）、および抗生剤（Ａｎｔｉｂｉｏｔｉｃｓ）を含む培養条件、
    基礎培地および抗生剤を含む培養条件、
    基礎培地、抗生剤、およびＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、
    前記ヒト毛包幹細胞は、
    ＤＭＥＭメディアに１０％ＦＢＳ、Ｐｅｎ／Ｓｔｒｅｐ、Ｌ－グルタミン、およびストレプトマイシンが含まれた培養条件、
    ＤＭＥＭメディアにＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、
    前記ヒト間葉系幹細胞は、
    ＤＭＥＭメディアに１０％ＦＢＳ、ＮＥＡＡ、およびＰｅｎ／Ｓｔｒｅｐが含まれた培養条件、
    ＤＭＥＭメディアにＩＴＳメディアを含む培養条件のいずれか一つ以上を含み、
    前記ヒト線維芽細胞は、
    ＤＭＥＭメディアに１０％ＦＢＳ、Ｐｅｎ／Ｓｔｒｅｐ、およびＮＥＡＡが含まれた培養条件を含み、
    前記ヒト表皮角化（ＨａＣａＴ）細胞は、
    ＤＭＥＭメディアに１０％ＦＢＳ、Ｐｅｎ／Ｓｔｒｅｐ、Ｌ－グルタミン、およびストレプトマイシンが含まれた培養条件を含み、
    前記Ｔ細胞は、ＲＰＭＩ１６４０メディアにＰｅｎ／Ｓｔｒｅｐ、β-メルカプトエタノール、およびＬ－グルタミンが含まれた培養条件を含む、ことを特徴とする請求項１３に記載の人工知能を利用した細胞判別装置。
  15. 前記判別モデルは、
    イメージ学習のためのデータセットを含み、前記データセットは、各１，０００個、１，５００個、２，０００個の訓練イメージセット、８００個の検証イメージセット、および１００個のテストイメージセットを含む、ことを特徴とする請求項９に記載の人工知能を利用した細胞判別装置。
  16. 前記判別モデルは、２，０００個の訓練イメージセットを採択する、ことを特徴とする請求項１５に記載の人工知能を利用した細胞判別装置。
JP2023573002A 2021-10-25 2022-10-21 人工知能を利用した細胞判別方法および装置 Active JP7612952B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
KR20210142481 2021-10-25
KR10-2021-0142481 2021-10-25
KR10-2022-0135609 2022-10-20
KR1020220135609A KR20230059734A (ko) 2021-10-25 2022-10-20 인공지능을 이용한 세포 판별 방법 및 장치
PCT/KR2022/016153 WO2023075310A1 (ko) 2021-10-25 2022-10-21 인공지능을 이용한 세포 판별 방법 및 장치

Publications (2)

Publication Number Publication Date
JP2024523057A JP2024523057A (ja) 2024-06-26
JP7612952B2 true JP7612952B2 (ja) 2025-01-15

Family

ID=86159595

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023573002A Active JP7612952B2 (ja) 2021-10-25 2022-10-21 人工知能を利用した細胞判別方法および装置

Country Status (3)

Country Link
US (1) US20240264141A1 (ja)
JP (1) JP7612952B2 (ja)
WO (1) WO2023075310A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5167442B2 (ja) 2011-02-17 2013-03-21 三洋電機株式会社 画像識別装置およびプログラム
WO2018101004A1 (ja) 2016-12-01 2018-06-07 富士フイルム株式会社 細胞画像評価装置および細胞画像評価制御プログラム
WO2020148964A1 (ja) 2019-01-18 2020-07-23 富士フイルム株式会社 細胞生成支援装置、方法、及びプログラム
WO2020261555A1 (ja) 2019-06-28 2020-12-30 オリンパス株式会社 画像生成システムおよび画像生成方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007121106A (ja) * 2005-10-27 2007-05-17 Foundation For Biomedical Research & Innovation 心筋細胞のモニター方法およびモニター装置
WO2018207261A1 (ja) * 2017-05-09 2018-11-15 暢 長坂 画像解析装置
JP7678424B2 (ja) * 2018-05-10 2025-05-16 学校法人順天堂 画像解析方法、装置、コンピュータプログラム、及び深層学習アルゴリズムの生成方法
KR102108308B1 (ko) * 2018-10-23 2020-05-11 재단법인대구경북과학기술원 개별 세포 식별 장치 및 제어 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5167442B2 (ja) 2011-02-17 2013-03-21 三洋電機株式会社 画像識別装置およびプログラム
WO2018101004A1 (ja) 2016-12-01 2018-06-07 富士フイルム株式会社 細胞画像評価装置および細胞画像評価制御プログラム
WO2020148964A1 (ja) 2019-01-18 2020-07-23 富士フイルム株式会社 細胞生成支援装置、方法、及びプログラム
WO2020261555A1 (ja) 2019-06-28 2020-12-30 オリンパス株式会社 画像生成システムおよび画像生成方法

Also Published As

Publication number Publication date
WO2023075310A1 (ko) 2023-05-04
JP2024523057A (ja) 2024-06-26
US20240264141A1 (en) 2024-08-08

Similar Documents

Publication Publication Date Title
KR20230059734A (ko) 인공지능을 이용한 세포 판별 방법 및 장치
US10586327B2 (en) Method and apparatus for detecting cell reprogramming
US12141963B2 (en) Systems and methods for identifying bioactive agents utilizing unbiased machine learning
Yang et al. A live-cell image-based machine learning strategy for reducing variability in PSC differentiation systems
Mota et al. Automated mesenchymal stem cell segmentation and machine learning-based phenotype classification using morphometric and textural analysis
WO2023221951A2 (zh) 基于细胞动态图像机器学习的细胞分化
CN114359899A (zh) 细胞共培养模型及细胞模型构建方法、计算机设备及存储介质
WO2013138513A1 (en) Application of light scattering patterns to determine differentiation status of stem cells and stem cell colonies
US20160055292A1 (en) Methods for quantitative analysis of cell spatial trajectories
Wang et al. Deep learning-based predictive classification of functional subpopulations of hematopoietic stem cells and multipotent progenitors
JP7612952B2 (ja) 人工知能を利用した細胞判別方法および装置
Li et al. Modelling late gastrulation in stem cell-derived monkey embryo models
CN119624960B (zh) 一种基于图像识别的干细胞质量评价方法及系统
Chaubey et al. Gene expression prediction using a deep 1D convolution neural network
JP7766963B2 (ja) ブタ胚期毛包プラコード前駆細胞の同定方法及びその応用
Bai et al. An improved U-Net for cell confluence estimation
CN119948525A (zh) 用于监测培养物中的细胞的质量的基于成像的系统
Kinoshita et al. Automated collective motion analysis validates human keratinocyte stem cell cultures
Resto Irizarry et al. Machine learning-assisted imaging analysis of a human epiblast model
Sammak et al. High content analysis of human embryonic stem cell growth and differentiation
US12087066B2 (en) Systems for identifying cells and uses thereof
EP4693218A1 (en) Macrophage polarization assays
Armstrong Stem Cell Potency: Automated vs. Manual Segmentation in Adipogenic Differentiation
Mousazadeh et al. Stem cell sorting methods based on the Machine Learning algorithms
Jiang et al. Designing signaling environments to modulate neural progenitor cell differentiation with regulatory network models

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231124

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240806

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20241106

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20241119

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20241126

R150 Certificate of patent or registration of utility model

Ref document number: 7612952

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150