编辑推荐：
心血管疾病（CVDs）治疗面临难题，心肌细胞再生困难。研究人员开展利用拉曼光谱（Raman spectroscopy）和机器学习监测人诱导多能干细胞（hiPSCs）分化为心肌细胞的研究。结果显示机器学习可早期预测分化，DNN 模型准确率超 82%，为心肌细胞生产质控提供新方法。
心血管疾病一直是全球健康的重大挑战，每年都有大量患者因心血管疾病离世。在治疗心血管疾病时，心脏受损后有限的再生能力成为关键阻碍。心肌梗死发生后，心肌细胞大量死亡且无法自然补充，坏死组织和纤维化愈合不良，严重影响心脏功能。干细胞治疗为修复受损心脏组织带来希望，尤其是胚胎干细胞（ESCs）和人诱导多能干细胞（hiPSCs）分化成心肌细胞用于心脏修复的策略，在临床前研究中已展现出改善心脏功能的潜力。
然而，在将 hiPSCs 高效转化为心肌细胞用于治疗的过程中，面临诸多挑战。精确控制 iPSCs 的分化和重编程对确保心肌细胞的纯度和功能质量至关重要，但目前监测细胞分化过程的方法存在严重缺陷。传统方法，如流式细胞术、免疫染色和 ELISA，虽然能提供细胞特性和成熟度的关键信息，但它们具有侵入性、破坏性且耗时，需要大量样本准备工作，无法满足实时监测细胞分化过程的需求。这使得优化分化方案变得困难，增加了生产过程中的变异性，降低了制造效率。因此，开发非破坏性、无标记的传感技术用于实时监测心脏细胞分化迫在眉睫。
为了解决这些问题，国外研究人员开展了一项利用拉曼光谱结合机器学习监测 hiPSCs 分化为心肌细胞过程的研究。研究成果对于推进再生医学治疗心肌损伤具有重要意义，该研究发表在《Biosensors and Bioelectronics》杂志上。
研究人员采用了多种关键技术方法。首先是细胞培养和分化技术，使用 WTC11 hiPSCs 细胞系，在特定条件下进行培养和分化，培养过程中不同阶段更换不同培养基。其次是细胞表征技术，运用流式细胞术和免疫染色来定性和定量分析心脏细胞，评估分化结果，通过检测心肌特异性标记物如肌原纤维蛋白 cTnT 的表达，以及观察分化细胞的自发搏动活动来判断细胞的分化和功能成熟情况。然后是拉曼光谱技术，利用 532 nm i - Raman Plus 532S 拉曼光谱仪结合显微镜获取拉曼光谱，使用商业银 SERS 底物进行 SERS 分析。此外，还运用了主成分分析（PCA）和机器学习（ML）技术，对数据进行预处理和分析，以探索光谱数据与细胞分化之间的关系。
下面来看具体的研究结果：
- 流式细胞术和免疫染色分析：通过流式细胞术分析 cTnT 表达，结果显示不同样本的 cTnT 表达水平差异明显，能明确区分低和高心脏分化水平。免疫荧光染色进一步证实，低分化条件下部分细胞不表达 cTnT，而高分化条件下非 cTnT 阳性细胞显著减少，表明高分化条件下心脏细胞分化效率更高，为后续分析提供了重要参考。
- 拉曼光谱可视化：对不同批次、不同分化天数的细胞上清液进行拉曼光谱分析，发现光谱存在差异。第二批次测量的光谱显示出更明显的荧光效应、噪声以及独特的谱带。光谱变化可能受细胞培养基异质性、激光照射导致的样本降解、环境条件等多种因素影响。虽然难以将光谱中的谱带与特定分子准确关联，但研究人员推测其可能与多种代谢物有关。
- PCA 结果：对数据进行预处理后构建 PCA 模型，发现该模型在整体上未显示出与分化天数直接相关的变化趋势，也无法明确区分低和高心肌细胞分化过程。即使针对分化第 15 天的样本进行分析，PCA 模型虽能在一定程度上区分部分样本，但仍存在分类局限性。
- 机器学习结果：
- 模型性能评估：利用不同分化天数的细胞上清液拉曼光谱数据训练机器学习模型，包括随机森林（RF）、K 近邻（KNN）和深度神经网络（DNN）。结果显示，DNN 模型在预测高和低心脏分化时准确率可达 100%，KNN 和 RF 模型准确率也超 90%，表明机器学习方法在区分不同分化程度样本方面具有优势。
- 外部样本测试：使用未参与训练和验证的外部样本测试模型，随机选择样本时模型表现不佳。但当选择与校准数据光谱变异性较低（相关系数 > 0.80）的样本时，所有模型的准确率、灵敏度和特异性显著提高。DNN 模型在各阶段表现最佳，这表明通过选择合适样本，能提高模型预测细胞分化的准确性。
- 特征重要性分析：通过排列特征重要性方法确定影响模型分类的关键变量。结果显示，拉曼位移位置在 1200 cm-1 - 1670 cm-1区域的变量最为重要，该区域的谱带与多种生物分子相关，这些分子对模型分类起到关键作用。
研究结论表明，拉曼光谱结合机器学习在非侵入性评估心肌细胞分化方面具有巨大潜力。虽然 PCA 在不同培养批次中未呈现清晰趋势，但对第 15 天样本的分析有一定效果。而机器学习模型在预测能力上优于 PCA，特别是 DNN 模型在多个分化阶段准确率超 82%，能够实现可靠的早期预测，有助于降低心肌细胞制造过程的成本，提高生产效率。
这项研究首次利用拉曼光谱和机器学习通过细胞培养上清液实时监测心脏分化。尽管环境条件和原材料的变化会引入光谱变异性，但通过控制这些参数可进一步提高预测准确性。未来研究可聚焦于优化拉曼测量条件、减少外部变异性以及探索在线监测方案。该研究为再生医学和生物制造领域提供了新的策略和方法，有望推动高效、数据驱动的治疗方案发展，为心血管疾病患者带来新的希望。
