KR20230059734A - 인공지능을 이용한 세포 판별 방법 및 장치 - Google Patents
인공지능을 이용한 세포 판별 방법 및 장치 Download PDFInfo
- Publication number
- KR20230059734A KR20230059734A KR1020220135609A KR20220135609A KR20230059734A KR 20230059734 A KR20230059734 A KR 20230059734A KR 1020220135609 A KR1020220135609 A KR 1020220135609A KR 20220135609 A KR20220135609 A KR 20220135609A KR 20230059734 A KR20230059734 A KR 20230059734A
- Authority
- KR
- South Korea
- Prior art keywords
- cell
- culture conditions
- media
- human
- stem cells
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 45
- 210000004027 cell Anatomy 0.000 claims description 259
- 238000012549 training Methods 0.000 claims description 73
- 210000000130 stem cell Anatomy 0.000 claims description 42
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 37
- 239000006144 Dulbecco’s modified Eagle's medium Substances 0.000 claims description 37
- 238000012850 discrimination method Methods 0.000 claims description 36
- 210000001671 embryonic stem cell Anatomy 0.000 claims description 33
- 210000001178 neural stem cell Anatomy 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 24
- FHYUGAJXYORMHI-UHFFFAOYSA-N SB 431542 Chemical compound C1=CC(C(=O)N)=CC=C1C1=NC(C=2C=C3OCOC3=CC=2)=C(C=2N=CC=CC=2)N1 FHYUGAJXYORMHI-UHFFFAOYSA-N 0.000 claims description 23
- DOBKQCZBPPCLEG-UHFFFAOYSA-N n-benzyl-2-(pyrimidin-4-ylamino)-1,3-thiazole-4-carboxamide Chemical compound C=1SC(NC=2N=CN=CC=2)=NC=1C(=O)NCC1=CC=CC=C1 DOBKQCZBPPCLEG-UHFFFAOYSA-N 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000004113 cell culture Methods 0.000 claims description 19
- 229960005070 ascorbic acid Drugs 0.000 claims description 18
- 235000010323 ascorbic acid Nutrition 0.000 claims description 18
- 239000011668 ascorbic acid Substances 0.000 claims description 18
- UCSJYZPVAKXKNQ-HZYVHMACSA-N streptomycin Chemical compound CN[C@H]1[C@H](O)[C@@H](O)[C@H](CO)O[C@H]1O[C@@H]1[C@](C=O)(O)[C@H](C)O[C@H]1O[C@@H]1[C@@H](NC(N)=N)[C@H](O)[C@@H](NC(N)=N)[C@H](O)[C@H]1O UCSJYZPVAKXKNQ-HZYVHMACSA-N 0.000 claims description 18
- 239000007640 basal medium Substances 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- ZDXPYRJPNDTMRX-VKHMYHEASA-N L-glutamine Chemical compound OC(=O)[C@@H](N)CCC(N)=O ZDXPYRJPNDTMRX-VKHMYHEASA-N 0.000 claims description 12
- 239000003242 anti bacterial agent Substances 0.000 claims description 12
- 229940088710 antibiotic agent Drugs 0.000 claims description 12
- 229930182816 L-glutamine Natural products 0.000 claims description 11
- NIJJYAXOARWZEE-UHFFFAOYSA-N Valproic acid Chemical compound CCCC(C(O)=O)CCC NIJJYAXOARWZEE-UHFFFAOYSA-N 0.000 claims description 10
- 210000002950 fibroblast Anatomy 0.000 claims description 10
- 108090000379 Fibroblast growth factor 2 Proteins 0.000 claims description 9
- 229960005322 streptomycin Drugs 0.000 claims description 9
- 210000001744 T-lymphocyte Anatomy 0.000 claims description 8
- 210000004556 brain Anatomy 0.000 claims description 8
- 210000002919 epithelial cell Anatomy 0.000 claims description 8
- 210000003780 hair follicle Anatomy 0.000 claims description 8
- 210000002865 immune cell Anatomy 0.000 claims description 8
- 210000002901 mesenchymal stem cell Anatomy 0.000 claims description 8
- 210000001082 somatic cell Anatomy 0.000 claims description 8
- 102100024785 Fibroblast growth factor 2 Human genes 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- HIJMSZGHKQPPJS-UHFFFAOYSA-N 3-(6-methylpyridin-2-yl)-n-phenyl-4-quinolin-4-ylpyrazole-1-carbothioamide Chemical compound CC1=CC=CC(C=2C(=CN(N=2)C(=S)NC=2C=CC=CC=2)C=2C3=CC=CC=C3N=CC=2)=N1 HIJMSZGHKQPPJS-UHFFFAOYSA-N 0.000 claims description 5
- OMKHWTRUYNAGFG-IEBDPFPHSA-N 3-deazaneplanocin a Chemical compound C1=NC=2C(N)=NC=CC=2N1[C@@H]1C=C(CO)[C@@H](O)[C@H]1O OMKHWTRUYNAGFG-IEBDPFPHSA-N 0.000 claims description 5
- AQGNHMOJWBZFQQ-UHFFFAOYSA-N CT 99021 Chemical compound CC1=CNC(C=2C(=NC(NCCNC=3N=CC(=CC=3)C#N)=NC=2)C=2C(=CC(Cl)=CC=2)Cl)=N1 AQGNHMOJWBZFQQ-UHFFFAOYSA-N 0.000 claims description 5
- 229940091258 selenium supplement Drugs 0.000 claims description 5
- 229960000604 valproic acid Drugs 0.000 claims description 5
- LNNHUAXCDFXQNM-BBBLOLIVSA-N (1s,2r,5r)-5-(4-aminopyrrolo[2,3-d]pyrimidin-7-yl)-3-(hydroxymethyl)cyclopent-3-ene-1,2-diol Chemical compound C1=CC=2C(N)=NC=NC=2N1[C@@H]1C=C(CO)[C@@H](O)[C@H]1O LNNHUAXCDFXQNM-BBBLOLIVSA-N 0.000 claims description 4
- NMUSYJAQQFHJEW-KVTDHHQDSA-N 5-azacytidine Chemical compound O=C1N=C(N)N=CN1[C@H]1[C@H](O)[C@H](O)[C@@H](CO)O1 NMUSYJAQQFHJEW-KVTDHHQDSA-N 0.000 claims description 4
- 210000004102 animal cell Anatomy 0.000 claims description 4
- 229960002756 azacitidine Drugs 0.000 claims description 4
- 230000010261 cell growth Effects 0.000 claims description 4
- 210000005260 human cell Anatomy 0.000 claims description 4
- 210000002510 keratinocyte Anatomy 0.000 claims description 4
- FYBHCRQFSFYWPY-UHFFFAOYSA-N purmorphamine Chemical compound C1CCCCC1N1C2=NC(OC=3C4=CC=CC=C4C=CC=3)=NC(NC=3C=CC(=CC=3)N3CCOCC3)=C2N=C1 FYBHCRQFSFYWPY-UHFFFAOYSA-N 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 239000012980 RPMI-1640 medium Substances 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 208000032839 leukemia Diseases 0.000 claims description 3
- DGVVWUTYPXICAM-UHFFFAOYSA-N β‐Mercaptoethanol Chemical compound OCCS DGVVWUTYPXICAM-UHFFFAOYSA-N 0.000 claims description 3
- ZWQVYZXPYSYPJD-RYUDHWBXSA-N Glu-Gly-Phe Chemical compound OC(=O)CC[C@H](N)C(=O)NCC(=O)N[C@H](C(O)=O)CC1=CC=CC=C1 ZWQVYZXPYSYPJD-RYUDHWBXSA-N 0.000 claims 2
- 230000002500 effect on skin Effects 0.000 claims 2
- 102000004058 Leukemia inhibitory factor Human genes 0.000 description 45
- 108090000581 Leukemia inhibitory factor Proteins 0.000 description 45
- 241000699666 Mus <mouse, genus> Species 0.000 description 23
- 230000004069 differentiation Effects 0.000 description 11
- 108091003079 Bovine Serum Albumin Proteins 0.000 description 10
- 239000012091 fetal bovine serum Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 239000002609 medium Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 102000009024 Epidermal Growth Factor Human genes 0.000 description 5
- 101800003838 Epidermal growth factor Proteins 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 229940116977 epidermal growth factor Drugs 0.000 description 5
- VBEQCZHXXJYVRD-GACYYNSASA-N uroanthelone Chemical compound C([C@@H](C(=O)N[C@H](C(=O)N[C@@H](CS)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CS)C(=O)N[C@H](C(=O)N[C@@H]([C@@H](C)CC)C(=O)NCC(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N[C@@H](CO)C(=O)NCC(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CS)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(O)=O)C(C)C)[C@@H](C)O)NC(=O)[C@H](CO)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=1NC=NC=1)NC(=O)[C@H](CCSC)NC(=O)[C@H](CS)NC(=O)[C@@H](NC(=O)CNC(=O)CNC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CS)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)CNC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CO)NC(=O)[C@H](CO)NC(=O)[C@H]1N(CCC1)C(=O)[C@H](CS)NC(=O)CNC(=O)[C@H]1N(CCC1)C(=O)[C@H](CC=1C=CC(O)=CC=1)NC(=O)[C@H](CO)NC(=O)[C@@H](N)CC(N)=O)C(C)C)[C@@H](C)CC)C1=CC=C(O)C=C1 VBEQCZHXXJYVRD-GACYYNSASA-N 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 230000024245 cell differentiation Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000037051 Chromosomal Instability Diseases 0.000 description 3
- 230000004663 cell proliferation Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000004263 induced pluripotent stem cell Anatomy 0.000 description 3
- 230000001939 inductive effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- -1 small molecule compounds Chemical class 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 102000003974 Fibroblast growth factor 2 Human genes 0.000 description 2
- 102000004887 Transforming Growth Factor beta Human genes 0.000 description 2
- 108090001012 Transforming Growth Factor beta Proteins 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 239000003112 inhibitor Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 210000001626 skin fibroblast Anatomy 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ZRKFYGHZFMAOKI-QMGMOQQFSA-N tgfbeta Chemical compound C([C@H](NC(=O)[C@H](C(C)C)NC(=O)CNC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CC(C)C)NC(=O)CNC(=O)[C@H](C)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)NC(=O)[C@H](C)NC(=O)[C@@H](NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](N)CCSC)C(C)C)[C@@H](C)CC)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](C)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](C)C(=O)N[C@@H](CC(C)C)C(=O)N1[C@@H](CCC1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC(C)C)C(O)=O)C1=CC=C(O)C=C1 ZRKFYGHZFMAOKI-QMGMOQQFSA-N 0.000 description 2
- WAPPRYMYMNVAFR-UHFFFAOYSA-N 2-sulfanylethanol Chemical compound OCCS.OCCS WAPPRYMYMNVAFR-UHFFFAOYSA-N 0.000 description 1
- 102000043136 MAP kinase family Human genes 0.000 description 1
- 108091054455 MAP kinase family Proteins 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 239000012580 N-2 Supplement Substances 0.000 description 1
- 229930182555 Penicillin Natural products 0.000 description 1
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001415 gene therapy Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000009169 immunotherapy Methods 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000010534 mechanism of action Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229940049954 penicillin Drugs 0.000 description 1
- 230000002062 proliferating effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229940082569 selenite Drugs 0.000 description 1
- 239000012090 serum-supplement Substances 0.000 description 1
- 150000003384 small molecules Chemical class 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N5/00—Undifferentiated human, animal or plant cells, e.g. cell lines; Tissues; Cultivation or maintenance thereof; Culture media therefor
- C12N5/06—Animal cells or tissues; Human cells or tissues
- C12N5/0602—Vertebrate cells
- C12N5/0603—Embryonic cells ; Embryoid bodies
- C12N5/0606—Pluripotent embryonic cells, e.g. embryonic stem cells [ES]
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N5/00—Undifferentiated human, animal or plant cells, e.g. cell lines; Tissues; Cultivation or maintenance thereof; Culture media therefor
- C12N5/06—Animal cells or tissues; Human cells or tissues
- C12N5/0602—Vertebrate cells
- C12N5/0618—Cells of the nervous system
- C12N5/0623—Stem cells
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N5/00—Undifferentiated human, animal or plant cells, e.g. cell lines; Tissues; Cultivation or maintenance thereof; Culture media therefor
- C12N5/06—Animal cells or tissues; Human cells or tissues
- C12N5/0602—Vertebrate cells
- C12N5/0634—Cells from the blood or the immune system
- C12N5/0636—T lymphocytes
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N5/00—Undifferentiated human, animal or plant cells, e.g. cell lines; Tissues; Cultivation or maintenance thereof; Culture media therefor
- C12N5/06—Animal cells or tissues; Human cells or tissues
- C12N5/0602—Vertebrate cells
- C12N5/0652—Cells of skeletal and connective tissues; Mesenchyme
- C12N5/0656—Adult fibroblasts
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N5/00—Undifferentiated human, animal or plant cells, e.g. cell lines; Tissues; Cultivation or maintenance thereof; Culture media therefor
- C12N5/06—Animal cells or tissues; Human cells or tissues
- C12N5/0602—Vertebrate cells
- C12N5/0652—Cells of skeletal and connective tissues; Mesenchyme
- C12N5/0662—Stem cells
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N5/00—Undifferentiated human, animal or plant cells, e.g. cell lines; Tissues; Cultivation or maintenance thereof; Culture media therefor
- C12N5/06—Animal cells or tissues; Human cells or tissues
- C12N5/0602—Vertebrate cells
- C12N5/0696—Artificially induced pluripotent stem cells, e.g. iPS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N2500/00—Specific components of cell culture medium
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N2501/00—Active agents used in cell culture processes, e.g. differentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Zoology (AREA)
- Chemical & Material Sciences (AREA)
- Biotechnology (AREA)
- Organic Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Wood Science & Technology (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Microbiology (AREA)
- Biochemistry (AREA)
- Cell Biology (AREA)
- Theoretical Computer Science (AREA)
- Developmental Biology & Embryology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Rheumatology (AREA)
- Mathematical Physics (AREA)
- Reproductive Health (AREA)
- Gynecology & Obstetrics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Hematology (AREA)
- Multimedia (AREA)
- Transplantation (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
Abstract
본 발명은 인공지능을 이용한 세포 판별 방법 및 장치에 관한 것으로서, 다양한 종류의 세포를 다양한 종류의 배지에서 배양하는 경우, 초기에 변화하는 세포의 미세한 모폴로지(morphology)를 학습하여 세포 이미지만을 관찰함으로써 그 세포의 고유한 특성을 구별하고 판단할 수 있다.
본 발명에 따른 인공지능을 이용한 세포 판별 방법은 세포 이미지가 입력되는 입력단계 및 딥러닝 기반의 판별모델을 이용하여 상기 세포 이미지가 다양한 세포종류, 다양한 배양조건 및 배양시간 중에서 어느 것에 해당하는지를 판별하는 판별단계를 포함할 수 있다.
본 발명에 따른 인공지능을 이용한 세포 판별 방법은 세포 이미지가 입력되는 입력단계 및 딥러닝 기반의 판별모델을 이용하여 상기 세포 이미지가 다양한 세포종류, 다양한 배양조건 및 배양시간 중에서 어느 것에 해당하는지를 판별하는 판별단계를 포함할 수 있다.
Description
본 발명은 인공지능을 이용한 세포 판별 방법 및 장치에 관한 것으로서, 보다 상세하게는 다양한 종류의 세포를 다양한 종류의 배지에서 배양하는 경우, 초기에 변화하는 세포의 미세한 모폴로지(morphology)를 학습하여 세포 이미지만을 관찰함으로써 그 세포의 고유한 특성을 구별하고 판단할 수 있는 인공지능을 이용한 세포 분석 방법 및 장치에 관한 것이다.
세포 배양은 분자 생물학을 비롯한 생물학 연구에 있어 중요한 기술로서, 인체 질병의 진단 또는 치료 등의 목적으로 특정 세포를 배양하는 것을 의미한다. 최근 의약품의 생산이나 유전자 치료, 재생 의료, 면역 요법 등의 분야에서 세포나 조직 등(이들을 포괄하여 "세포"라 칭함)을 효율적으로 대량 배양하는 것이 요구되고 있다. 특히 줄기세포(stem cell)의 경우 바이오 생명 분야에서 가장 활발히 연구되는 주제인데, 환경과 자극에 따라 특정한 기능을 지닌 세포로 분화되므로, 작용 메커니즘이나 유도방법을 발견하기 위해서 세포 배양과정에서 세포 분화과정을 분석 추적하는 것이 필수적으로 요청되고 있다.
세포배양 및 분화 실험을 진행하는 동안, 연구자는 세포가 본래의 원하는 모양이나 특성으로 배양 또는 분화되고 있는지 여부를 확인해야 하는데, 사람의 육안으로 미세한 세포변화를 완벽하게 파악하는 것은 거의 불가능하고, 세포의 분화 과정 중에 분화 실험의 성공 여부를 판단하는 것에도 한계가 있다.
이에, 본 발명자들은, 추가 장비 없이 세포 이미지만으로 세포의 특성을 결정하기 위해 예의 노력한 결과, 인공지능 딥러닝의 컨볼루션 신경망(Convolutional Neural Network, 이하 CNN이라고도 함)을 이용하여 미세한 세포변화를 분석할 경우, 높은 정확도로 세포의 특성을 분석할 수 있다는 것을 확인하고, 본 발명을 완성하였다.
본 배경기술 부분에 기재된 상기 정보는 오직 본 발명의 배경에 대한 이해를 향상시키기 위한 것이며, 이에 본 발명이 속하는 기술분야에서 통상의 지식을 가지는 자에게 있어 이미 알려진 선행기술을 형성하는 정보를 포함하지 않을 수 있다.
따라서 본 발명은 상기 문제를 해결하기 위해 안출한 것으로서, 줄기세포 등을 포함한 다양한 세포에 다양한 배양조건을 적용하여 시간대 별로 변화하는 세포 이미지를 획득하고 딥러닝 기반의 컨볼루션 신경망을 이용하여 미리 학습 및 저장 관리함으로써, 세포의 유지배양이나 분화를 유도하는 과정에서 각 시간대 별로 세포 특성을 구별하고 판단할 수 있는 인공지능 딥러닝을 이용한 세포 판별 방법 및 장치를 제공함을 하나의 목적으로 한다.
본 발명의 다른 목적 및 장점들은 하기에 설명될 것이며, 본 발명의 실시예에 의해 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 청구범위에 나타낸 수단 및 조합에 의해 실현될 수 있다.
상기와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법은 세포 이미지가 입력되는 입력단계; 및 딥러닝 기반의 판별모델을 이용하여 상기 세포 이미지가 다양한 세포종류, 다양한 배양조건 및 배양시간 중에서 어느 것에 해당하는지를 판별하는 판별단계를 포함하고, 상기 판별단계는, 상기 세포 이미지 내에서 제1 특징을 추출하는 단계; 상기 세포 이미지 내에서 제2 특징을 추출하는 단계; 및 상기 추출된 제1 특징 및 제2 특징에 기초하여 상기 세포 이미지에 대한 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하는 단계를 포함하며, 상기 판별모델은, 상기 세포 이미지에 대하여 상기 제1 특징을 추출하기 위한 제1 신경망; 상기 세포 이미지에 대하여 상기 제2 특징을 추출하기 위한 제2 신경망; 및 추출된 상기 제1 특징 및 상기 제2 특징에 기초하여 입력된 세포 이미지에 대한 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하기 위한 완전 연결 레이어를 포함할 수 있다.
본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 상기 세포 이미지는 세포 배양후 1시간 ~ 1시간 30분, 3시간 ~ 3시간 30분, 6시간 ~ 6시간 30분, 12시간 ~ 12시간 30분 및 24시간 ~ 24시간 30분 시간대 중 어느 하나 이상에서 촬영장치에 의해 획득할 수 있다.
본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 상기 제1 신경망은 1개의 컨볼루션 레이어 및 1개의 풀링 레이어로 형성된 얕은 구조의 컨볼루션 신경망으로 구현되고, 상기 제2 신경망은 4개의 컨볼루션 레이어로 형성된 깊은 구조의 컨볼루션 신경망으로 구현될 수 있다.
본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 상기 다양한 세포종류는 줄기세포주, 인간 피부섬유아세포주, 상피세포주 및 면역세포주 중 어느 하나 이상을 포함하는 동물세포 및 인간세포를 포함하고, 상기 다양한 배양조건은 각 세포주마다 상이할 수 있다.
본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 상기 줄기세포주는 생쥐 배아줄기세포, 생쥐 역분화줄기세포, 인간 배아줄기세포, 인간 역분화줄기세포, 인간 신경줄기세포, 인간모낭줄기세포, 인간 중간엽줄기세포 및 인간 섬유아세포 중 어느 하나 이상을 포함하고, 상기 상피세포주는 사람피부각질세포(HaCaT)를 포함하고, 상기 면역세포주는 T 세포를 포함하며, 상기 인간 신경줄기세포는 인간 체세포-유래 세포전환 신경줄기세포 또는 인간 뇌-유래 신경줄기세포를 포함할 수 있다.
본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 상기 생쥐 배아줄기세포는, LIF(leukaemia inhibitory factor) 미디어를 포함한 배양조건과, ITS(Insulin-transferrin-selenium supplement) 미디어를 포함한 배양조건과, LIF 미디어를 제거한 배양조건 중 어느 하나 이상을 포함하고, 상기 생쥐 역분화줄기세포의 배양조건은, PD0325901, SB431542, 티아조비빈(thiazovivin), 아스코브산(ascorbic acid) 및 LIF 미디어를 포함한 배양조건과, PD0325901, SB431542, 티아조비빈, 아스코브산 및 LIF 미디어를 제거한 배양조건과, ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고, 상기 인간 배아줄기세포 또는 상기 인간 역분화줄기세포는, PD0325901, SB431542, 티아조비빈, 아스코브산 및 LIF 미디어를 포함한 배양조건과, PD0325901, SB431542, 티아조비빈, 아스코브산 및 LIF 미디어를 제거한 배양조건과, ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고, 상기 인간 체세포-유래 세포전환 신경줄기세포는, DMEM/F12, N2, B27, bFGF, EGF, 티아조비빈, 발프로익 산(Valproic acid), 퍼모파민(Purmorphamine), A8301, SB431542, CHIR99021, DZNep(Deazaneplanocin A) 및 5-AZA(Azacitidine)를 포함한 배양조건과, DMEM/F12, N2, B27, bFGF 및 EGF를 포함한 배양조건과, DMEM/F12 및 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고, 상기 인간 뇌-유래 신경줄기세포는, 기본배지(Basal medium). 유도 신경줄기세포 성장 보충물(Induced neural stem cell growth supplement) 및 항생제(Antibiotics)를 포함한 배양조건과, 기본배지 및 항생제를 포함한 배양조건과, 기본배지, 항생제 및 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고, 상기 인간모낭줄기세포는, DMEM 미디어에 10% FBS, Pen/Strep, L-글루타민 및 스트렙토마이신이 포함된 배양조건과, DMEM 미디어에 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고, 상기 인간 중간엽줄기세포는, DMEM 미디어에 10% FBS, NEAA 및 Pen/Strep가 포함된 배양조건과, DMEM 미디어에 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고, 상기 인간 섬유아세포는, DMEM 미디어에 10% FBS, Pen/Strep 및 NEAA가 포함된 배양조건을 포함하고, 상기 HaCaT 세포는, DMEM 미디어에 10% FBS, Pen/Strep, L-글루타민 및 스트렙토마이신이 포함된 배양조건을 포함하고, 상기 T 세포는 RPMI 1640 미디어에 Pen/Strep, 베타-메르캅토에탄올 및 L-글루타민가 포함된 배양조건을 포함할 수 있다.
본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 상기 판별모델은, 이미지 학습을 위한 데이터 세트를 포함하고, 상기 데이터 세트는 각 1,000개, 1,500개, 2,000개의 훈련 이미지 세트와, 800개의 검증 이미지 세트와, 100개의 테스트 이미지 세트를 포함할 수 있다.
본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 상기 판별모델은 2,000개의 훈련 이미지 세트를 채택할 수 있다.
본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 세포 판별 장치는, 세포 이미지가 입력되는 입력부; 딥러닝 기반의 판별모델을 이용하여 상기 세포 이미지가 다양한 세포종류, 다양한 배양조건 및 배양시간 중에서 어느 것에 해당하는지를 판별하는 판별부; 및 상기 판별부의 판별결과를 사용자 단말로 제공하는 출력부를 포함하고, 상기 판별부는, 상기 세포 이미지 내에서 제1 특징을 추출하는 단계; 상기 세포 이미지 내에서 제2 특징을 추출하는 단계; 및 상기 추출된 제1 특징 및 제2 특징에 기초하여 상기 세포 이미지에 대한 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하는 단계를 수행하며, 상기 판별모델은, 상기 세포 이미지에 대하여 상기 세포 영역을 추출하기 위한 제1 신경망; 상기 세포 이미지에 대하여 상기 세포막 영역을 추출하기 위한 제2 신경망; 및 상기 추출된 제1 특징 및 제2 특징에 기초하여 상기 입력된 세포 이미지에 대한 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하기 위한 완전 연결 레이어를 포함할 수 있다.
이상과 같이 본 발명에 따른 인공지능을 이용한 세포 판별 방법 및 장치에 의하면, 줄기세포 등을 포함한 다양한 세포에 다양한 배양조건을 적용하여 시간대 별로 변화하는 세포 이미지를 획득하고 딥러닝 기반의 컨볼루션 신경망을 이용하여 미리 학습 및 저장 관리함으로써, 세포의 유지배양이나 분화를 유도하는 과정에서 각 시간대 별로 세포 특성을 구별하고 판단할 수 있는 효과가 있다.
구체적으로는 다음과 같은 효과를 가질 수 있다.
첫째, 세포종류마다 주어진 배양조건에서 배양되는 동안 변화하는 세포 이미지를 시간대 별로 촬영하고 있으므로, 향후 무인 자동화 세포배양 시 세포의 특성을 자동으로 파악하고 세포 배양이 본래의 원하는 모양이나 특성으로 배양되는지 여부를 모니터링 하는 데 활용성이 매우 높을 수 있다.
둘째, 각 연구실의 연구자마다 다양한 세포 및 다양한 배양조건으로 실험을 진행함에 있어서, CNN 기술을 활용하여 미세한 세포 변화를 감지함으로써, 일정하고 균일한 세포배양을 제공하고, 기존의 확립된 세포배양 조건에 따라 정확하게 세포배양 및 분화실험이 가능할 수 있으며, 이에 따라 향후 무인 자동화 세포 배양 시스템 구축을 통한 세포배양과 관련된 새로운 바이오 시장을 창출할 수 있다.
셋째, 딥러닝 기반의 모델 학습을 위해 Resnet50 알고리즘을 활용하므로, 모델 학습 시간을 감소시키고 정확도를 높일 수 있다.
도 1은 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법을 나타낸 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 시간대 별로 획득되는 세포 이미지를 나타낸 예시도이다.
도 3은 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 판별모델의 구조를 나타낸 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 판별모델을 적용하여 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하는 과정을 나타낸 순서도이다.
도 5 내지 도 79는 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 판별모델을 적용하여 훈련한 훈련결과를 나타낸 그래프로서, 도 5 내지 도 9는 1,000개의 훈련 이미지 세트를 사용하여 훈련한 결과이고, 도 10 내지 도 29는 1,500개의 훈련 이미지 세트를 사용하여 훈련한 결과이고, 도 30 내지 도 79는 2,000개의 훈련 이미지 세트를 사용하여 훈련한 결과이다.
도 80은 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 훈련 세트(train set)의 훈련 정확도를 비교한 결과를 나타낸 그래프이다.
도 81 내지 86은 본 발명에 따른 각 미디어 조건에서 다양한 세포를 배양할 경우 세포 모폴로지 학습의 정밀도(Precision)와 재현율(Recall)을 나타낸 그래프이다.
도 87은 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 장치를 나타낸 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 시간대 별로 획득되는 세포 이미지를 나타낸 예시도이다.
도 3은 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 판별모델의 구조를 나타낸 예시도이다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 판별모델을 적용하여 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하는 과정을 나타낸 순서도이다.
도 5 내지 도 79는 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 판별모델을 적용하여 훈련한 훈련결과를 나타낸 그래프로서, 도 5 내지 도 9는 1,000개의 훈련 이미지 세트를 사용하여 훈련한 결과이고, 도 10 내지 도 29는 1,500개의 훈련 이미지 세트를 사용하여 훈련한 결과이고, 도 30 내지 도 79는 2,000개의 훈련 이미지 세트를 사용하여 훈련한 결과이다.
도 80은 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 훈련 세트(train set)의 훈련 정확도를 비교한 결과를 나타낸 그래프이다.
도 81 내지 86은 본 발명에 따른 각 미디어 조건에서 다양한 세포를 배양할 경우 세포 모폴로지 학습의 정밀도(Precision)와 재현율(Recall)을 나타낸 그래프이다.
도 87은 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 장치를 나타낸 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 구성을 사이에 두고" 연결되어 있는 경우도 포함한다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고, 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
본 발명의 일 실시 예로서, 인공지능 딥러닝을 이용한 세포 판별 방법이 제공될 수 있다.
도 1은 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법을 나타낸 순서도이고, 도 2는 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 시간대 별로 획득되는 세포 이미지를 나타낸 예시도이고, 도 3은 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 판별모델의 구조를 나타낸 예시도이며, 도 4는 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 판별모델을 적용하여 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하는 과정을 나타낸 순서도이다.
먼저, 도 1을 참조하면, 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법은 세포 이미지(10)가 입력되는 입력단계(S100) 및 딥러닝 기반의 판별모델(100)을 이용하여 상기 세포 이미지(10)가 다양한 세포종류, 다양한 배양조건 및 배양시간 중에서 어느 것에 해당하는지를 판별하는 판별단계(S200)를 포함할 수 있다.
본 명세서에서 상기 세포 이미지(10)는 세포에 대하여 광학현미경 등의 촬영장치를 이용하여 획득된 이미지를 지칭한다. 상기 촬영장치를 통해 세포 이미지를 촬영하는 방식에는 제한이 없다.
상기 세포 이미지(10)는 세포 배양후 미리 결정된 시간대 별로 획득할 수 있다.
예를 들면, 상기 세포 이미지(10)는 세포 배양후 1시간 ~ 1시간 30분, 3시간 ~ 3시간 30분, 6시간 ~ 6시간 30분, 12시간 ~ 12시간 30분 및 24시간 ~ 24시간 30분 시간대 중 어느 하나 이상에서 촬영장치에 의해 획득할 수 있다.
세포 배양에 있어서, 세포주마다 다르지만, 증식하는 세포 모양의 변화는 초반에 가장 크며, 이에 따라 24시간 ~ 25시간 이내, 바람직하게는 24시간 이내에 세포 이미지를 획득하는 것이 가장 좋다.
도 2를 참조하면, 상기 세포 이미지(10)는 세포 배양후 최소 시간 단위, 즉 1시간, 3시간, 6시간, 12시간 및 24시간 시간대 별로 획득되고 있음을 알 수 있다.
참고로, 도 2는 생쥐 배아줄기세포(mouse embyonic stem cell: mES) 중에서 B6 세포를 유지용 LIF(leukaemia inhibitory factor) 미디어와 분화용 ITS(Insulin-transferrin-selenium supplement) 미디어에서 각각 배양한 후 1시간, 3시간, 6시간, 12시간 및 24시간 시간대 별로 획득한 세포 이미지를 나타내고 있다.
본 발명에서는 줄기세포 등을 포함한 다양한 세포에 다양한 배양조건을 적용하여 시간대 별로 변화하는 세포 이미지를 획득하고 있으며, 상기 획득한 세포 이미지에 대해 딥러닝 기술을 적용하여 미세한 세포변화를 분석함으로써 세포의 유지배양이나 분화를 유도하는 과정에서 각 시간대 별로 세포 특성을 구별하고 판단할 수 있다.
본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에는 다양한 딥러닝 기술이 적용될 수 있다. 다시 말하면, 딥러닝 기술에 기초하여 세포 이미지를 학습됨으로써 생성된 판별모델(100)을 이용하여 상기 세포 이미지(10)가 다양한 세포종류, 다양한 배양조건 및 배양시간 중에서 어느 것에 해당하는지를 판별할 수 있다.
바람직하게, 본 발명에서는 다양한 딥러닝 기술 중에서 컨볼루션 신경망(CNN)에 기반하여 상기 판별모델(100)을 생성할 수 있다.
더욱 바람직하게는, 본 발명에서는 다양한 컨볼루션 신경망(CNN) 중에서 Resnet50 알고리즘에 기반하여 상기 판별모델(100)을 생성할 수 있다.
도 3을 참조하면, 상기 판별모델(100)은 상기 세포 이미지(10)에 대하여 제1 특징을 추출하기 위한 제1 신경망(110)과, 상기 세포 이미지(10)에 대하여 제2 특징을 추출하기 위한 제2 신경망(120)과, 추출된 상기 제1 특징 및 상기 제2 특징에 기초하여 입력된 세포 이미지(10)에 대한 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하기 위한 완전 연결 레이어(Fully Connected Layer)(130)를 포함할 수 있다. 여기서, 완전 연결 레이어는 추출된 특징정보에 기초하여 세포 이미지(10)에 대한 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하는 분류기(classifier)에 해당될 수 있다.
여기서, 상기 세포 이미지(10)의 제1 특징은 큰 특징들, 예를 들어 세포 모양 특징일 수 있으며, 상기 세포 이미지(10)의 제2 특징은 작은 특징들, 예를 들어 세포 에지 특징일 수 있다.
또한, 상기 제1 신경망(110)은 1개의 제1 컨볼루션 레이어(112)(Conv1) 및 1개의 풀링 레이어(113)로 형성된 얕은 구조의 컨볼루션 신경망으로 구현되고, 상기 제2 신경망(120)은 4개의 제2 내지 제5 컨볼루션 레이어(121, 122, 123, 124)(Conv2, Conv3, Conv4, Conv5)로 형성된 깊은 구조의 컨볼루션 신경망으로 구현될 수 있다. 여기서, 풀링 레이어(113)에서는 컨볼루션 레이어(112)의 출력 데이터의 크기를 줄이거나 특정 데이터를 강조하는 풀링연산이 수행될 수 있다. 상기 풀링 레이어(113)에는 맥스 풀링 레이어(max pooling layer) 및 평균 풀링 레이어(average pooling layer)가 포함될 수 있다.
구체적으로, 상기 판별모델(100)에 있어서, 입력에 사용한 세포 이미지(10)는 예를 들면 240 X 320 픽셀 크기일 수 있다.
상기 세포 이미지(10)가 상기 제1 신경망(110)에 입력되면, 컨볼루션 레이어(112) 및 풀링 레이어(113)를 통해 이미지의 특징을 추출한다. 이때, 처리 후에 이미지 크기가 줄어들기 때문에, 이미지 크기를 유지하기 위해 제로 패딩(zero padding)(111) 처리를 수행하여 이미지 크기를 일시적으로 늘린 상태에서 후속 처리를 시작한다. 예를 들면, 상기 세포 이미지(10)의 크기는 제로 패딩(111) 처리를 통해 240×320에서 246×236으로 늘려진다. 이에 따라, 컨볼루션 레이어(112)에는 120×160×64 픽셀의 이미지가 입력되며, 이후 상기 제2 신경망(120)에는 풀링 레이어(113)에서 풀링연산에 의해 60×80×64 픽셀의 이미지가 입력된다.
상기 제2 신경망(120)의 4개의 제2 내지 제5 컨볼루션 레이어(121, 122, 123, 124)에서는 1x1 또는 3x3 크기의 필터를 이용하여 이미지의 특징을 추출한다.
예를 들면, 제2 컨볼루션 레이어(121)(Conv2)에서는 (1x1, 64), (3x3, 64) 및 (1x1, 256) 필터를 통해 이미지 패턴을 분석하고, 이 분석을 3번 반복한다. 즉, 제2 컨볼루션 레이어(121)(Conv2)는 9개의 레이어를 구성하고 있다.
제3 컨볼루션 레이어(122)(Conv3)에서는 (1x1, 128), (3x3, 128) 및 (1x1, 512) 필터를 통해 이미지 패턴을 분석하고, 이 분석을 4번 반복한다. 즉, 제3 컨볼루션 레이어(122)(Conv3)는 12개의 레이어를 구성하고 있다.
제4 컨볼루션 레이어(123)(Conv4)에서는 (1x1, 256), (3x3, 256) 및 (1x1, 1024) 필터를 통해 이미지 패턴을 분석하고, 이 분석을 6번 반복한다. 즉, 제4 컨볼루션 레이어(123)(Conv4)는 18개의 레이어를 구성하고 있다.
제5 컨볼루션 레이어(124)(Conv5)에서는 (1x1, 512), (3x3, 512) 및 (1x1, 2048) 필터를 통해 이미지 패턴을 분석하고, 이 분석을 3번 반복한다. 즉, 제5 컨볼루션 레이어(124)(Conv5)는 9개의 레이어를 구성하고 있다.
따라서, 상기 제2 신경망(120)은 총 48개의 레이어로 구성된다.
이와 유사하게, 기 제1 신경망(110)은 제1 컨볼루션 레이어(112)(Conv1)와 풀링 레이어(113)의 2개의 레이어로 구성된다.
도 4는 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 판별모델을 적용하여 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하는 과정을 나타낸 순서도이다.
도 4를 참조하면, 상기 판별단계(S200)는, 상기 세포 이미지(10) 내에서 제1 특징을 추출하는 단계(S210)와, 상기 세포 이미지(10) 내에서 제2 특징을 추출하는 단계(S220)와, 상기 세포 이미지(10)에서 추출된 제1 및 제2 특징에 기반하여 상기 판별모델(100)을 적용하여 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하는 단계를 포함할 수 있다. 여기서, 상기 세포 이미지(10)의 제1 특징은 큰 특징들, 예를 들어 세포 모양 특징일 수 있으며, 상기 세포 이미지(10)의 제2 특징은 작은 특징들, 예를 들어 세포 에지 특징일 수 있다.
본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 상기 다양한 세포종류는 줄기세포주, 인간 피부섬유아세포주, 상피세포주 및 면역세포주 중 어느 하나 이상을 포함하는 동물세포 및 인간세포를 포함하고, 상기 다양한 배양조건은 각 세포주마다 상이할 수 있다.
상기 줄기세포주는 생쥐 배아줄기세포(mouse embyonic stem cell: mES), 생쥐 역분화줄기세포(mouse induced pluripotent stem cells: miPSCs), 인간 배아줄기세포, 인간 역분화줄기세포, 인간 신경줄기세포, 인간모낭줄기세포, 인간 중간엽줄기세포 및 인간 섬유아세포 중 어느 하나 이상을 포함하고, 상기 상피세포주는 사람피부각질세포(HaCaT)를 포함하고, 상기 면역세포주는 T 세포를 포함하며, 상기 인간 신경줄기세포는 인간 체세포-유래 세포전환 신경줄기세포 또는 인간 뇌-유래 신경줄기세포를 포함할 수 있다.
본 발명에 있어서 배양조건에 대해 개략적으로 살펴보면 다음과 같다.
상기 생쥐 배아줄기세포는, LIF(leukaemia inhibitory factor) 미디어를 포함한 배양조건과, ITS(Insulin-transferrin-selenium supplement) 미디어를 포함한 배양조건과, LIF 미디어를 제거한 배양조건 중 어느 하나 이상을 포함할 수 있다. 여기서, LIF 미디어는 배아줄기세포 특성을 유지시켜주는 기능을 하고, ITS 미디어는 분화를 유도하는 기능을 할 수 있다.
상기 생쥐 역분화줄기세포의 배양조건은, PD0325901(MEK((mitogen-activated protein kinase) inhibitor), SB431542(TGF-β(Transforming Growth Factor-β) inhibitor), 티아조비빈(thiazovivin), 아스코브산(ascorbic acid)(AA) 및 LIF 미디어를 포함한 배양조건과, PD0325901, SB431542, 티아조비빈, 아스코브산 및 LIF 미디어를 제거한 배양조건과, ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함할 수 있다. 여기서, 4가지 소분자화합물(small molecules)인 PD0325901, SB431542, 티아조비빈, 아스코브산은 생쥐 역분화줄기세포의 특성 및 염색체 안정성을 유지해주는 기능을 한다.
상기 인간 배아줄기세포 또는 상기 인간 역분화줄기세포는, PD0325901, SB431542, 티아조비빈, 아스코브산 및 LIF 미디어를 포함한 배양조건과, PD0325901, SB431542, 티아조비빈, 아스코브산 및 LIF 미디어를 제거한 배양조건과, ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함할 수 있다. 여기서, 4가지 소분자화합물인 PD0325901, SB431542, 티아조비빈, 아스코브산은 염색체 안정성을 유지해주는 기능을 한다.
상기 인간 체세포-유래 세포전환 신경줄기세포는, DMEM/F12(Dulbecco's Modified Eagle's Medium), N2(N2 supplement), B27(serum supplement), bFGFF(basic fibroblast growth factor), EGF(epidermal growth factor), 티아조비빈, 발프로익 산(Valproic acid), 퍼모파민(Purmorphamine), A8301, SB431542, CHIR99021, DZNep(Deazaneplanocin A) 및 5-AZA(Azacitidine)를 포함한 배양조건과, DMEM/F12, N2, B27, bFGF 및 EGF를 포함한 배양조건과, DMEM/F12 및 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함할 수 있다. 여기서, 소분자화합물인 티아조비빈, 발프로익 산, 퍼모파민, A8301, SB431542, CHIR99021, DZNep 및 5-AZA는 염색체 안정성을 유지해주는 기능을 한다.
상기 인간 뇌-유래 신경줄기세포는, 기본배지(Basal medium). 유도 신경줄기세포 성장 보충물(Induced neural stem cell growth supplement) 및 항생제(Antibiotics)를 포함한 배양조건과, 기본배지 및 항생제를 포함한 배양조건과, 기본배지, 항생제 및 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함할 수 있다.
상기 인간모낭줄기세포는, DMEM 미디어에 10% FBS(Fetal bovine serum), Pen/Strep(Penicillin & 스트렙토마이신), L-글루타민(L-glutamine) 및 스트렙토마이신(streptomycin)이 포함된 배양조건과, DMEM 미디어에 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함할 수 있다.
상기 인간 중간엽줄기세포는, DMEM 미디어에 10% FBS(Fetal bovine serum), NEAA(non-Essemtial Amino Acids) 및 Pen/Strep가 포함된 배양조건과, DMEM 미디어에 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함할 수 있다.
상기 인간 섬유아세포는, DMEM 미디어에 10% FBS, Pen/Strep 및 NEAA가 포함된 배양조건을 포함할 수 있다.
상기 HaCaT 세포는, DMEM 미디어에 10% FBS, Pen/Strep, L-글루타민 및 스트렙토마이신이 포함된 배양조건을 포함할 수 있다.
상기 T 세포는 RPMI(미국 Rosewell Park Menorial Institute사) 1640 미디어에 Pen/Strep, 베타-메르캅토에탄올(β-mercaptoethanol) 및 L-글루타민가 포함된 배양조건을 포함할 수 있다.
본 발명의 일 실시예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 상기 판별모델(100)은, 이미지 학습을 위한 데이터 세트를 포함하고, 상기 데이터 세트는 각 1,000개, 1,500개, 2,000개의 훈련(train) 이미지 세트와, 800개의 검증(validation) 이미지 세트와, 100개의 테스트(test) 이미지 세트를 포함할 수 있다.
바람직하게, 훈련 결과, 상기 판별모델(100)은 2,000개의 훈련 이미지 세트를 채택할 수 있었다.
[훈련 결과]
다양한 세포종류와 다양한 배양조건 하에서, 세포 배양후 최소 시간 단위, 즉 1시간, 3시간, 6시간, 12시간 및 24시간 시간대 별로 세포 이미지를 획득하고, 본 발명에 따른 판별모델(CNN 모델이라고도 함)을 적용하여 훈련 정확도(accuracy)를 비교하였다.
상기 판별모델의 데이터 세트로서, 각 1,000개, 1,500개, 2,000개의 훈련 이미지 세트를 달리하고, 공통적으로 800개의 검증 이미지 세트와, 100개의 테스트 이미지 세트를 사용하였다.
[1,000개의 훈련 이미지 세트]
생쥐 배아줄기 세포 중 B6 세포(B6 배아줄기세포라고 함)를 LIF 및 ITS 미디어를 사용하여 배양하고, 그 훈련결과를 도 5 내지 도 9에 정리하였다.
참고로, 도면에서, 왼쪽 그래프는 훈련 및 검증의 정확도(accuracy)와 손실도(loss)(또는 손실값이라고도 함)를 나타내고 있다. 훈련(train)의 정확도와 손실도(loss)는 각각 train_acc와 train_loss로 나타내고 검증(validation)의 정확도와 손실도는 각각 val_acc와 val_loss로 나타내고 있다.
또한, 오른쪽 컨퓨전 행렬(confusion matrix)은 테스트 이미지 세트의 100개의 이미지를 이용하여 정확도를 나타낸 표이다.
도 5 내지 도 9에서, 왼쪽 그래프를 참조보면, 1, 3, 6 시간대에서는 훈련 및 검증의 정확도가 거의 1에 가까운 값을 나타냈지만, 12, 24 시간대에서는 훈련 및 검증의 정확도가 점차 떨어지는 것을 볼 수 있다. 또한, 훈련 및 검증의 손실도는 모든 시간대에서 대체로 불안정하게 나왔으며, 특히 24시간대에서는 0.5 이상으로 증가한 것을 볼 수 있다.
도 5 내지 도 9에서, 오른쪽 컨퓨전 행렬을 참조보면, 24 시간대를 제외하고는 대부분 80%가 넘는 정확도를 보였지만, 이 모델의 학습 결과가 높은 정확도를 보였다고는 할 수 없다.
이상과 같이, 1,000개의 훈련 이미지 세트를 사용하여 훈련한 결과, 훈련 정확도가 높지 않았다.
[1,500개의 훈련 이미지 세트]
생쥐 배아줄기 세포 중 B6 세포(B6 배아줄기세포라고 함)를 LIF 및 ITS 미디어를 사용하여 배양하고, LIF가 첨가되고 LIF가 제거된(LIF-라고 표시함) 미디어를 사용하여 배양하고, 그 훈련결과를 도 10 내지 도 14 및 도 15 내지 도 19에 정리하였다.
또한, 생쥐 역분화줄기세포(miPSCs-)를 LIF 및 ITS 미디어를 사용하여 배양하고, LIF가 첨가되고 LIF가 제거된(LIF-라고 표시함) 미디어를 사용하여 배양하고, 그 훈련결과를 도 20 내지 도 24 및 도 25 내지 도 29에 정리하였다. 참고로, "miPSCs-"에서 "-" 표시는 배양 조건에 4가지 chemical을 첨가하지 않았다는 의미이다.
이상과 같이, 1,500개의 훈련 이미지 세트를 이용한 훈련 결과, B6 배아줄기세포에서 미디어에 따른 세포 구분 정확도가 어느정도 높게 나왔다고 평가되지만, 실제 세포 배양에 있어서 세포 판별을 수행할 수 있을 만큼의 신뢰성이 있는 것은 아니라고 보여진다.
또한, 역분화줄기세포에 대한 훈련에 있어서, 검증 손실도가 과적합(Overfitting)되어 증가하는 결과를 얻었으며, 이는 훈련이 제대로 되지 않았다고 볼 수 있다.
이에 따라, 2,000개의 훈련 이미지 세트를 사용하여 훈련을 진행하였다.
[2,000개의 훈련 이미지 세트]
생쥐 배아줄기 세포 중 B6 세포(B6 배아줄기세포라고도 함)를 LIF 및 ITS 미디어를 사용하여 배양하고, LIF가 첨가되고 LIF가 제거된(LIF-라고 표시함) 미디어를 사용하여 배양하고, 그 훈련결과를 도 30 내지 도 34 및 도 35 내지 도 39에 정리하였다.
도 30 내지 도 34에서, 왼쪽 그래프를 참조하면, 전 시간대별로 훈련과 검증의 정확도가 거의 1에 가깝게 나왔으며, 손실도 또한 거의 0에 가깝게 내려가 있는 것을 볼 수 있다. 이는 모델 학습과 검증이 잘 되었다는 것을 의미하며 오른쪽 컨퓨전 행렬에서도 초기 학습 결과보다 더 높은 정확도 결과가 나왔다.
도 35 내지 도 39에서, 왼쪽 그래프를 참조하면, 시간대별로 훈련과 검증의 정확도가 거의 1에 가까운 것을 볼 수 있으며, 손실도 또한 0에 수렴하고 있는 것을 알 수 있다. 즉 훈련과 검증 과정이 잘 되었다고 볼 수 있으며, 오른쪽 컨퓨전 행렬에서는 12시간 때까지 95% 이상의 정확도를 보였고 24시간 때는 세포의 크기 때문에 정확도가 조금 떨어졌지만, 그래도 90% 이상의 정확도를 보인다.
생쥐 배아줄기 세포 중 J1 세포(J1 배아줄기세포라고도 함)를 LIF 및 ITS 미디어를 사용하여 배양하고, LIF가 첨가되고 LIF가 제거된(LIF-라고 표시함) 미디어를 사용하여 배양하고, 그 훈련결과를 도 40 내지 도 44 및 도 45 내지 도 49에 정리하였다.
도 40 내지 도 44에서, 왼쪽 그래프를 참조하면, 훈련과 검증의 정확도가 모두 1에 가까운 값이 나왔으며, 컨퓨전 행렬에 있어서도 LIF 미디어에 배양한 세포를 구별하는 정확도는 99% 또는 100%, ITS 미디어에 배양한 세포를 구별하는 정확도는 97% 이상이 나왔다.
도 45 내지 도 49에서, 왼쪽 그래프를 참조하면, 훈련과 검증의 정확도가 1에 가깝게 나왔으며, 컨퓨전 행렬에 있어서도 99% 이상의 정확도를 보였다.
생쥐 역분화줄기세포(miPSCs+ Line1)를 LIF 및 ITS 미디어를 사용하여 배양하고, LIF가 첨가된 미디어(LIF)와 LIF가 제거된(LIF-라고 표시함) 미디어를 사용하여 배양하고, 그 훈련결과를 도 50 내지 도 54 및 도 55 내지 도 59에 정리하였다. 참고로, "miPSCs+"에서 "+" 표시는 배양 조건에 4가지 chemical을 첨가했다는 의미이다.
도 50 내지 도 54를 참조하면, 왼쪽 그래프에서 훈련과 검증의 정확도는 거의 1에 가깝게 나왔지만, 검증의 손실도는 1시간과 12시간대를 제외하고는 안정적으로 나왔다.
도 55 내지 도 59를 참조하면, 왼쪽 그래프에서 훈련과 검증의 정확도는 대체적으로 좋게 나왔지만, 검증의 손실도가 1시간대, 24시간대에 불안정하게 나왔다. 세포의 파편(debris) 생성과 세포의 빠른 증식률로 인한 이유가 가장 큰 것 같다. 오차정렬의 정확도는 24시간대를 제외하고는 96% 이상이 나왔으며, 24시간대는 앞에서 언급했던 것과 같이 세포의 빠른 증식률과 파편으로 인해 세포 모양을 구별하는 데 한계가 있어 낮게 나온 것 같다.
생쥐 역분화줄기세포(miPSCs+ Line2)를 LIF 및 ITS 미디어를 사용하여 배양하고, LIF가 첨가되고 LIF가 제거된(LIF-라고 표시함) 미디어를 사용하여 배양하고, 그 훈련결과를 도 60 내지 도 64 및 도 65 내지 도 69에 정리하였다.
도 60 내지 도 64를 참조하면, 왼쪽 그래프에서 훈련과 검증의 정확도는 1에 가깝게 나왔으며, 1 시간대에서 검증 손실도가 약간 불안한 것을 제외하면 모든 시간대에서 손실도가 0에 가까운 값이 나왔다. 컨퓨전 행렬의 정확도가 98% 이상이 나왔고, ITS 미디어는 93% 이상의 정확도로 신뢰할 만한 결과가 나왔다.
도 65 내지 도 69를 참조하면, 왼쪽 그래프에서 24 시간대에서 검증 손실도가 약간 불안정한 것을 제외하면 훈련과 검증의 정확도 또한 1에 가깝게 나왔다. 컨퓨전 행렬에 있어서도 모든 시간대에서 각 미디어에서 배양한 세포를 구별하는 정확도가 매우 높게 나왔다.
생쥐 역분화줄기세포(miPSCs-)를 LIF 및 ITS 미디어를 사용하여 배양하고, LIF가 첨가되고 LIF가 제거된(LIF-라고 표시함) 미디어를 사용하여 배양하고, 그 훈련결과를 도 70 내지 도 74 및 도 75 내지 도 79에 정리하였다.
도 70 내지 도 74를 참조하면, 왼쪽 그래프에서 6 시간대 이후부터 검증 손실도가 대체로 불안정하게 나왔으며, 마지막 24 시간대에서는 훈련 정확도가 높을지라도 세포 파편이 너무 많이 발생하고 세포 증식도 느려 검증 손실도가 너무 크게 나왔다. 1 시간대일 때 LIF 미디어에서 배양한 세포 정확도가 79%가 나왔으며, 24 시간대 일 때 ITS에서 배양한 세포 정확도는 무려 59%의 낮은 정확도가 나왔다. 24 시간대 일 때 세포는 세포 모양을 구별하기 힘들 정도로 세포 파편이 많이 발생생하고 세포도 빨리 증식하여 검증 손실도 및 테스트 정확도가 낮게 나왔다.
도 75 내지 도 79를 참조하면, 왼쪽 그래프에서 훈련 및 검증의 정확도가 대체로 높게 나왔지만, 24 시간대에서 검증 손실도가 불안정하다. 오른쪽 컨퓨전 행렬에서도 나머지 다른 세포에서의 결과처럼 정확도가 그리 높지 않게 나왔다.
이상과 같이, 2,000개의 훈련 이미지 세트를 사용한 훈련 결과, 1,500개의 훈련 이미지 세트를 이용한 훈련에서 보인 과적합 현상이 발생하지 않았으며, 높은 정확도를 얻어내기 어려운 생쥐 역분화줄기세포(miPSCs-)에서도 유의성 있는 높은 정확도를 얻어낼 수 있었다.
이러한 결과는 향후 무인 자동화 세포배양 시스템에 있어서 미디어 종류에 따른 세포 모양 변화를 높은 정확도로 구분할 수 있는 가능성을 제공한다.
도 80은 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 방법에 있어서, 훈련 세트(train set)의 훈련 정확도를 비교한 결과를 나타낸 그래프이다.
도 80을 참조하면, 유지 목적인 LIF(leukemia inhibitory factor) 미디어와 분화(differentiation) 목적인 ITS(insulin-transferrin-selenite) 미디어에서의 차이를 구별하는 정확도에서, 초기 1,000장과 2,000장의 훈련 세트(train set)의 훈련 정확도를 비교하면, 훈련한 데이터의 수가 많으면 많을수록, 즉 2,000장의 훈련 세트에서 정확도가 더 높다는 것을 알 수 있다.
도 81 내지 86은 본 발명에 따른 각 미디어 조건에서 다양한 세포를 배양할 경우 세포 모폴로지 학습의 정밀도(Precision)와 재현율(Recall)을 나타낸 그래프이다. 여기서, 정밀도는 모델학습에서 Ture라고 분류한 것 중에서, 실제 True인 것의 비율이고, 재현율은 실제 True 인 것 중에서 모델이 Ture라고 예측한 것의 비율이다.
도 81을 참조하면, LIF 미디어에서 배양한 세포의 1,000개의 훈련 이미지 세트를 이용한 훈련에서(상부 그래프 중에서 좌측 그래프 참조), 세포 모폴로지 학습의 정밀도는 시간이 지날수록 감소한다. 또한 세포 모폴로지 학습의 재현율은 3 시간대에서 가장 높았지만, 전체적으로 재현율 값이 높지 않다. 분화 목적인 ITS 미디어에서도 마찬가지로 정밀도와 재현율이 3 시간대에서 가장 높았지만(상부 그래프 중에서 우측 그래프 참조), 전체적으로 불안정하고 낮은 값을 기록하였다.
하지만, LIF 미디어 및 ITS 미디어에서 배양한 세포의 2,000개의 훈련 이미지 세트를 이용한 훈련에서(하부 그래프 참조), 세포 모폴로지 학습의 정밀도와 재현율은 둘다 높게 나온 것을 알 수 있다.
도 82를 참조하면, 2,000개의 훈련 이미지 세트를 이용한 훈련에서, LIF 미디어 및 LIF를 제거한 미디어(LIF-)에서 배양한 세포의 정밀도와 재현율 모두 높은값이 나왔다. 또한 24 시간대에서는 정밀도가 세포의 증식으로 세포 모폴로지 구별의 제한성 때문에 비교적 낮게 나왔지만, 그래도 높은 정밀도를 보여준다.
도 83을 참조하면, 각 미디어 조건에서 배양한 세포[J1 mESCs(mouse embryonic stem cells) 세포](생쥐 배아줄기세포 J1)의 모양을 보고 구별한 정밀도와 재현율은 LIF 미디어 및 ITS 미디어, LIF 미디어 및 LIF(-) 미디어에서 전 시간대에서 1에 가깝게 높게 나왔다. 이는 CNN 모델이 J1 mESCs 세포(생쥐 배아줄기세포 J1)도 구별할 수 있음을 의미하고, 따라서 다양한 세포에서도 이 알고리즘을 적용하여 응용할 수 있다.
도 84를 참조하면, 각 미디어 조건에서 배양한 세포(miPSCs(mouse induced pluripotent stem cells) Line1)의 모양을 보고 구별한 정밀도와 재현율은 LIF + 4chemicals(예: PD0325901, SB431542, 티아조비빈, 아스코브산을 포함) 미디어 및 분화를 위한 ITS 미디어에서는 둘다 12시간 대에서 세포의 파편(debris) 생성으로 인하여 정밀도와 재현율이 다른 시간대보다 낮게 나왔다(상부 2개의 그래프 참조). 또한 LIF + 4chemicals 미디어 및 LIF와 4chemicals를 제거한 미디어(LIF(-)+4chemicals(-))에서 배양한 세포는 24시간대에서 세포의 증식과 파편의 생성으로 인해 오로지 세포의 모양만을 이미지에 담아내기에는 한계가 있어 정밀도와 재현율이 다른 시간대보다 낮게 나왔다(하부 2개의 그래프 참조). 하지만 다른 시간대에서는 높은 정밀도와 재현율을 나타내고 있다.
도 85를 참조하면, 각 미디어 조건(도 84에서의 조건과 동일함)에서 배양한 세포(miPSCs(mouse induced pluripotent stem cells) Line2)의 모양을 보고 구별한 정밀도와 재현율을 나타내고 있으며, 정밀도와 재현율에서 전 시간대에 걸쳐서 대부분 1에 가까운 값을 나타내었다.
따라서, 동일한 세포일지라도 세포 계대수(passage)에 따라 또는 연구자에 따라 세포 모양의 차이가 있을 수 있지만, CNN모델로 훈련한 결과에 따르면, 세포 모양의 차이가 미묘하게 다를지라도 미세한 차이를 구별할 수 있고 높은 정확도로 일관성 있는 결과를 도출할 수 있을 것이다.
참고로, Line1과 Line2는 같은 배양조건에서 배양했지만 다른 세포주(Line)라는 의미를 갖는다.
도 86을 참조하면, 각 미디어 조건(도 82에서의 조건과 동일함)에서 배양한 세포(miPSCs-)의 모양을 보고 구별한 정밀도와 재현율을 나타내고 있다.
LIF를 첨가한 미디어에서 정밀도는 시간대별로 줄어들었지만, 재현율에서는 증가했다(상부 2개의 그래프 중에서 좌측 그래프 참조). 여기서, 시간이 지남에 따라 세포의 파편 생성으로 인해 훈련 정확도가 감소한 것으로 보이지만, 재현율에서는 CNN 모델이 LIF 미디어에서 배양한 세포라고 판단한 것 중에 실제로 맞은 비율이 증가한 것이기 때문에, 훈련이 어느 정도 제대로 수행되었다고 볼 수 있다.
분화를 유도한 ITS 미디어에서 배양한 세포는 반대로 시간대별로 정밀도가 증가했지만, 재현율은 감소하였다(상부 2개의 그래프 중에서 우측 그래프 참조). ITS 미디어에서 배양한 세포 모양이 급격하게 변하여 세포의 파편도 많이 생기기 때문에 훈련의 정확도가 높을지라도 재현율이 좀 낮게 나왔다.
LIF 미디어 및 LIF를 제거한 미디어(LIF(-))에서는 LIF 미디어에서 배양한 세포의 재현율이 1시간 대에서 낮게 나온 것을 제외하고는 대체적으로 높게 나왔으며, 두 미디어 조건에서의 세포 구별은 세포 변화의 차이를 눈으로 구별하기 힘든 세포임에도 CNN 모델에서 구별을 잘했음을 의미한다(하부 2개의 그래프 참조).
한편, 도 87은 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 장치를 타나낸 블록도이다.
도 87을 참조하면, 본 발명의 일 실시 예에 따른 인공지능 딥러닝을 이용한 세포 판별 장치는 세포 이미지(10)가 입력되는 입력부(200)와, 딥러닝 기반의 판별모델(100)을 이용하여 상기 세포 이미지(10)가 다양한 세포종류, 다양한 배양조건 및 배양시간 중에서 어느 것에 해당하는지를 판별하는 판별부(300)와, 상기 판별부(300)의 판별결과를 사용자 단말(20)로 제공하는 출력부(400)를 포함할 수 있다.
상기 입력부(200)를 통해 입력되는 세포 이미지(10)는 데이터베이스(210)에 저장될 수 있다.
상기 사용자 단말(20)은 사용자가 세포 판별을 위해 사용하는 디바이스를 지칭할 수 있다. 즉, 사용자 단말(20)에는 세포 이미지(10)에 대하여 세포를 판별한 결과를 사용자에게 디스플레이나 사운드 신호를 통해서 제공할 수 있는 기기이면 모두 포함될 수 있다.
또한, 본 발명의 일 실시 예로서, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체가 제공될 수 있다.
한편, 전술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터 판독 가능 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터 판독 가능 매체에 여러 수단을 통하여 기록될 수 있다. 본 발명의 다양한 방법들을 수행하기 위한 실행 가능한 컴퓨터 프로그램이나 코드를 기록하는 기록 매체는, 반송파(carrier waves)나 신호들과 같이 일시적인 대상들은 포함하는 것으로 이해되지는 않아야 한다. 상기 컴퓨터 판독 가능 매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, DVD 등)와 같은 저장매체를 포함할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10 : 세포 이미지
100 : 판별모델
110 : 제1 신경망 120 : 제2 신경망
130 : 완전 연결 레이어 200 : 입력부
300 : 판별부 400 : 출력부
110 : 제1 신경망 120 : 제2 신경망
130 : 완전 연결 레이어 200 : 입력부
300 : 판별부 400 : 출력부
Claims (16)
- 세포 이미지가 입력되는 입력단계; 및
딥러닝 기반의 판별모델을 이용하여 상기 세포 이미지가 다양한 세포종류, 다양한 배양조건 및 배양시간 중에서 어느 것에 해당하는지를 판별하는 판별단계를 포함하고,
상기 판별단계는,
상기 세포 이미지 내에서 제1 특징을 추출하는 단계;
상기 세포 이미지 내에서 제2 특징을 추출하는 단계; 및
추출된 상기 제1 특징 및 상기 제2 특징에 기초하여 상기 세포 이미지에 대한 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하는 단계를 포함하며,
상기 판별모델은,
상기 세포 이미지에 대하여 상기 제1 특징을 추출하기 위한 제1 신경망;
상기 세포 이미지에 대하여 상기 제2 특징을 추출하기 위한 제2 신경망; 및
추출된 상기 제1 특징 및 상기 제2 특징에 기초하여 입력된 세포 이미지에 대한 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하기 위한 완전 연결 레이어를 포함하는 것을 특징으로 하는 인공지능을 이용한 세포 판별 방법. - 제1항에 있어서,
상기 세포 이미지는 세포 배양후 1시간 ~ 1시간 30분, 3시간 ~ 3시간 30분, 6시간 ~ 6시간 30분, 12시간 ~ 12시간 30분 및 24시간 ~ 24시간 30분 시간대 중 어느 하나 이상에서 촬영장치에 의해 획득하는 것을 특징으로 하는 인공지능을 이용한 세포 판별 방법. - 제1항에 있어서,
상기 제1 신경망은 1개의 컨볼루션 레이어 및 1개의 풀링 레이어로 형성된 얕은 구조의 컨볼루션 신경망으로 구현되고,
상기 제2 신경망은 4개의 컨볼루션 레이어로 형성된 깊은 구조의 컨볼루션 신경망으로 구현되는 것을 특징으로 하는 인공지능을 이용한 세포 판별 방법. - 제1항에 있어서,
상기 다양한 세포종류는 줄기세포주, 인간 피부섬유아세포주, 상피세포주 및 면역세포주 중 어느 하나 이상을 포함하는 동물세포 및 인간세포를 포함하고,
상기 다양한 배양조건은 각 세포주마다 상이한 것을 특징으로 하는 인공지능을 이용한 세포 판별 방법. - 제4항에 있어서,
상기 줄기세포주는 생쥐 배아줄기세포, 생쥐 역분화줄기세포, 인간 배아줄기세포, 인간 역분화줄기세포, 인간 신경줄기세포, 인간모낭줄기세포, 인간 중간엽줄기세포 및 인간 섬유아세포 중 어느 하나 이상을 포함하고,
상기 상피세포주는 사람피부각질세포(HaCaT)를 포함하고,
상기 면역세포주는 T 세포를 포함하며,
상기 인간 신경줄기세포는 인간 체세포-유래 세포전환 신경줄기세포 또는 인간 뇌-유래 신경줄기세포를 포함하는 것을 특징으로 하는 인공지능을 이용한 세포 판별 방법. - 제5항에 있어서,
상기 생쥐 배아줄기세포는,
LIF(leukaemia inhibitory factor) 미디어를 포함한 배양조건과,
ITS(Insulin-transferrin-selenium supplement) 미디어를 포함한 배양조건과,
LIF 미디어를 제거한 배양조건 중 어느 하나 이상을 포함하고,
상기 생쥐 역분화줄기세포의 배양조건은,
PD0325901, SB431542, 티아조비빈(thiazovivin), 아스코브산(ascorbic acid) 및 LIF 미디어를 포함한 배양조건과,
PD0325901, SB431542, 티아조비빈, 아스코브산 및 LIF 미디어를 제거한 배양조건과,
ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고,
상기 인간 배아줄기세포 또는 상기 인간 역분화줄기세포는,
PD0325901, SB431542, 티아조비빈, 아스코브산 및 LIF 미디어를 포함한 배양조건과,
PD0325901, SB431542, 티아조비빈, 아스코브산 및 LIF 미디어를 제거한 배양조건과,
ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고,
상기 인간 체세포-유래 세포전환 신경줄기세포는,
DMEM/F12, N2, B27, bFGF, EGF, 티아조비빈, 발프로익 산(Valproic acid), 퍼모파민(Purmorphamine), A8301, SB431542, CHIR99021, DZNep(Deazaneplanocin A) 및 5-AZA(Azacitidine)를 포함한 배양조건과,
DMEM/F12, N2, B27, bFGF 및 EGF를 포함한 배양조건과,
DMEM/F12 및 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고,
상기 인간 뇌-유래 신경줄기세포는,
기본배지(Basal medium). 유도 신경줄기세포 성장 보충물(Induced neural stem cell growth supplement) 및 항생제(Antibiotics)를 포함한 배양조건과,
기본배지 및 항생제를 포함한 배양조건과,
기본배지, 항생제 및 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고,
상기 인간모낭줄기세포는,
DMEM 미디어에 10% FBS, Pen/Strep, L-글루타민 및 스트렙토마이신이 포함된 배양조건과,
DMEM 미디어에 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고,
상기 인간 중간엽줄기세포는,
DMEM 미디어에 10% FBS, NEAA 및 Pen/Strep가 포함된 배양조건과,
DMEM 미디어에 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고,
상기 인간 섬유아세포는,
DMEM 미디어에 10% FBS, Pen/Strep 및 NEAA가 포함된 배양조건을 포함하고,
상기 HaCaT 세포는,
DMEM 미디어에 10% FBS, Pen/Strep, L-글루타민 및 스트렙토마이신이 포함된 배양조건을 포함하고,
상기 T 세포는 RPMI 1640 미디어에 Pen/Strep, 베타-메르캅토에탄올 및 L-글루타민가 포함된 배양조건을 포함하는 것을 특징으로 하는 인공지능을 이용한 세포 판별 방법. - 제1항에 있어서,
상기 판별모델은,
이미지 학습을 위한 데이터 세트를 포함하고, 상기 데이터 세트는 각 1,000개, 1,500개, 2,000개의 훈련 이미지 세트와, 800개의 검증 이미지 세트와, 100개의 테스트 이미지 세트를 포함하는 것을 특징으로 하는 인공지능을 이용한 세포 판별 방법. - 제6항에 있어서,
상기 판별모델은 2,000개의 훈련 이미지 세트를 채택하는 것을 특징으로 하는 인공지능을 이용한 세포 판별 방법. - 세포 이미지가 입력되는 입력부;
딥러닝 기반의 판별모델을 이용하여 상기 세포 이미지가 다양한 세포종류, 다양한 배양조건 및 배양시간 중에서 어느 것에 해당하는지를 판별하는 판별부; 및
상기 판별부의 판별결과를 사용자 단말로 제공하는 출력부를 포함하고,
상기 판별부는,
상기 세포 이미지 내에서 제1 특징을 추출하는 단계;
상기 세포 이미지 내에서 제2 특징을 추출하는 단계; 및
상기 추출된 제1 특징 및 제2 특징에 기초하여 상기 세포 이미지에 대한 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하는 단계를 수행하며,
상기 판별모델은,
상기 세포 이미지에 대하여 상기 제1 특징을 추출하기 위한 제1 신경망;
상기 세포 이미지에 대하여 상기 제2 특징을 추출하기 위한 제2 신경망; 및
추출된 상기 제1 특징 및 상기 제2 특징에 기초하여 입력된 세포 이미지에 대한 세포종류, 배양조건 및 배양시간 중 어느 하나 이상을 결정하기 위한 완전 연결 레이어를 포함하는 것을 특징으로 하는 인공지능을 이용한 세포 판별 장치. - 제9항에 있어서,
상기 세포 이미지는 세포 배양후 1시간 ~ 1시간 30분, 3시간 ~ 3시간 30분, 6시간 ~ 6시간 30분, 12시간 ~ 12시간 30분 및 24시간 ~ 24시간 30분 시간대 중 어느 하나 이상에서 촬영장치에 의해 획득하는 것을 특징으로 하는 인공지능을 이용한 세포 판별 장치. - 제9항에 있어서,
상기 제1 신경망은 1개의 컨볼루션 레이어 및 1개의 풀링 레이어로 형성된 얕은 구조의 컨볼루션 신경망으로 구현되고,
상기 제2 신경망은 4개의 컨볼루션 레이어로 형성된 깊은 구조의 컨볼루션 신경망으로 구현되는 것을 특징으로 하는 인공지능을 이용한 세포 판별 장치. - 제9항에 있어서,
상기 다양한 세포종류는 줄기세포주, 인간 피부섬유아세포주, 상피세포주 및 면역세포주 중 어느 하나 이상을 포함하는 동물세포 및 인간세포를 포함하고,
상기 다양한 배양조건은 각 세포주마다 상이한 것을 특징으로 하는 인공지능을 이용한 세포 판별 장치. - 제12항에 있어서,
상기 줄기세포주는 생쥐 배아줄기세포, 생쥐 역분화줄기세포, 인간 배아줄기세포, 인간 역분화줄기세포, 인간 신경줄기세포, 인간모낭줄기세포, 인간 중간엽줄기세포 및 인간 섬유아세포 중 어느 하나 이상을 포함하고,
상기 상피세포주는 사람피부각질세포(HaCaT)를 포함하고,
상기 면역세포주는 T 세포를 포함하며,
상기 인간 신경줄기세포는 인간 체세포-유래 세포전환 신경줄기세포 또는 인간 뇌-유래 신경줄기세포를 포함하는 것을 특징으로 하는 인공지능을 이용한 세포 판별 장치. - 제13항에 있어서,
상기 생쥐 배아줄기세포는,
LIF(leukaemia inhibitory factor) 미디어를 포함한 배양조건과,
ITS(Insulin-transferrin-selenium supplement) 미디어를 포함한 배양조건과,
LIF 미디어를 제거한 배양조건 중 어느 하나 이상을 포함하고,
상기 생쥐 역분화줄기세포의 배양조건은,
PD0325901, SB431542, 티아조비빈(thiazovivin), 아스코브산(ascorbic acid) 및 LIF 미디어를 포함한 배양조건과,
PD0325901, SB431542, 티아조비빈, 아스코브산 및 LIF 미디어를 제거한 배양조건과,
ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고,
상기 인간 배아줄기세포 또는 상기 인간 역분화줄기세포는,
PD0325901, SB431542, 티아조비빈, 아스코브산 및 LIF 미디어를 포함한 배양조건과,
PD0325901, SB431542, 티아조비빈, 아스코브산 및 LIF 미디어를 제거한 배양조건과,
ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고,
상기 인간 체세포-유래 세포전환 신경줄기세포는,
DMEM/F12, N2, B27, bFGF, EGF, 티아조비빈, 발프로익 산(Valproic acid), 퍼모파민(Purmorphamine), A8301, SB431542, CHIR99021, DZNep(Deazaneplanocin A) 및 5-AZA(Azacitidine)를 포함한 배양조건과,
DMEM/F12, N2, B27, bFGF 및 EGF를 포함한 배양조건과,
DMEM/F12 및 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고,
상기 인간 뇌-유래 신경줄기세포는,
기본배지(Basal medium). 유도 신경줄기세포 성장 보충물(Induced neural stem cell growth supplement) 및 항생제(Antibiotics)를 포함한 배양조건과,
기본배지 및 항생제를 포함한 배양조건과,
기본배지, 항생제 및 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고,
상기 인간모낭줄기세포는,
DMEM 미디어에 10% FBS, Pen/Strep, L-글루타민 및 스트렙토마이신이 포함된 배양조건과,
DMEM 미디어에 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고,
상기 인간 중간엽줄기세포는,
DMEM 미디어에 10% FBS, NEAA 및 Pen/Strep가 포함된 배양조건과,
DMEM 미디어에 ITS 미디어를 포함한 배양조건 중 어느 하나 이상을 포함하고,
상기 인간 섬유아세포는,
DMEM 미디어에 10% FBS, Pen/Strep 및 NEAA가 포함된 배양조건을 포함하고,
상기 HaCaT 세포는,
DMEM 미디어에 10% FBS, Pen/Strep, L-글루타민 및 스트렙토마이신이 포함된 배양조건을 포함하고,
상기 T 세포는 RPMI 1640 미디어에 Pen/Strep, 베타-메르캅토에탄올 및 L-글루타민가 포함된 배양조건을 포함하는 것을 특징으로 하는 인공지능을 이용한 세포 판별 장치. - 제9항에 있어서,
상기 판별모델은,
이미지 학습을 위한 데이터 세트를 포함하고, 상기 데이터 세트는 각 1,000개, 1,500개, 2,000개의 훈련 이미지 세트와, 800개의 검증 이미지 세트와, 100개의 테스트 이미지 세트를 포함하는 것을 특징으로 하는 인공지능을 이용한 세포 판별 장치. - 제15항에 있어서,
상기 판별모델은 2,000개의 훈련 이미지 세트를 채택하는 것을 특징으로 하는 인공지능을 이용한 세포 판별 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/KR2022/016153 WO2023075310A1 (ko) | 2021-10-25 | 2022-10-21 | 인공지능을 이용한 세포 판별 방법 및 장치 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210142481 | 2021-10-25 | ||
| KR20210142481 | 2021-10-25 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230059734A true KR20230059734A (ko) | 2023-05-03 |
Family
ID=86380594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220135609A KR20230059734A (ko) | 2021-10-25 | 2022-10-20 | 인공지능을 이용한 세포 판별 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230059734A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117953977A (zh) * | 2024-03-26 | 2024-04-30 | 广东美赛尔细胞生物科技有限公司 | 一种重组间充质干细胞培养控制方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102084683B1 (ko) | 2019-01-07 | 2020-03-04 | 기초과학연구원 | 인공신경망을 이용한 세포 영상 분석 방법 및 세포 영상 처리 장치 |
-
2022
- 2022-10-20 KR KR1020220135609A patent/KR20230059734A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102084683B1 (ko) | 2019-01-07 | 2020-03-04 | 기초과학연구원 | 인공신경망을 이용한 세포 영상 분석 방법 및 세포 영상 처리 장치 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117953977A (zh) * | 2024-03-26 | 2024-04-30 | 广东美赛尔细胞生物科技有限公司 | 一种重组间充质干细胞培养控制方法及系统 |
| CN117953977B (zh) * | 2024-03-26 | 2024-06-11 | 广东美赛尔细胞生物科技有限公司 | 一种重组间充质干细胞培养控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Generation of human blastocyst-like structures from pluripotent stem cells | |
| Van den Ameele et al. | Thinking out of the dish: what to learn about cortical development using pluripotent stem cells | |
| Manna et al. | Artificial intelligence techniques for embryo and oocyte classification | |
| KR20230059734A (ko) | 인공지능을 이용한 세포 판별 방법 및 장치 | |
| CN115273077B (zh) | 细胞模型构建方法、计算机设备及存储介质 | |
| JP2018173273A (ja) | 細胞の再プログラム化を検出するための方法及び装置 | |
| Chang et al. | Human induced pluripotent stem cell region recognition in microscopy images using convolutional neural networks | |
| US20210372994A1 (en) | Systems and methods for identifying bioactive agents utilizing unbiased machine learning | |
| WO2013138513A1 (en) | Application of light scattering patterns to determine differentiation status of stem cells and stem cell colonies | |
| Mota et al. | Automated mesenchymal stem cell segmentation and machine learning-based phenotype classification using morphometric and textural analysis | |
| Tu et al. | Modeling human pregastrulation development by 3D culture of blastoids generated from primed-to-naive transitioning intermediates | |
| Seo et al. | Symmetry breaking of hPSCs in micropattern generates a polarized spinal cord-like organoid (pSCO) with dorsoventral organization | |
| Kim et al. | Prediction of Stem Cell State Using Cell Image‐Based Deep Learning | |
| CN106874712B (zh) | 一种基于池化时间序列特征表示的细胞分裂事件识别方法 | |
| Alsanie et al. | Generating homogenous cortical preplate and deep-layer neurons using a combination of 2D and 3D differentiation cultures | |
| WO2023221951A2 (zh) | 基于细胞动态图像机器学习的细胞分化 | |
| Fujitani et al. | Morphology-based non-invasive quantitative prediction of the differentiation status of neural stem cells | |
| CN102533647B (zh) | 一种诱导干细胞神经分化的方法 | |
| JP2024523057A (ja) | 人工知能を利用した細胞判別方法および装置 | |
| CN115272342B (zh) | 基于明场图像的细胞分化程度评估方法、存储介质及系统 | |
| Kinoshita et al. | Automated collective motion analysis validates human keratinocyte stem cell cultures | |
| WO2023075310A1 (ko) | 인공지능을 이용한 세포 판별 방법 및 장치 | |
| Chu et al. | Human induced pluripotent stem cell formation and morphology prediction during reprogramming with time-lapse bright-field microscopy images using deep learning methods | |
| Chang et al. | Human induced pluripotent stem cell region detection in bright-field microscopy images using convolutional neural networks | |
| Gorman et al. | Multi-scale imaging and informatics pipeline for in situ pluripotent stem cell analysis |