编辑推荐：
目前，集落形成试验中手工计数 CFU-e 集落耗时且易出错。研究人员开发了基于卷积神经网络的工具 C-COUNT。它能精准识别 CFU-e 集落并输出数量和大小，可用于药物筛选等，为相关研究带来便利。
在生命科学研究的长河中，造血祖细胞的研究始终占据着重要地位。红系祖细胞以及其他造血祖细胞最初是依据它们在半固体培养基中形成的集落来定义的。集落形成试验（CFA）能提供关于祖细胞分化和增殖潜能的关键功能信息，这使得它成为造血学研究和临床诊断的重要手段。比如，它能帮助医生诊断再生障碍性贫血、骨髓增生异常综合征等疾病，也为研究新型造血基因调节剂和药物提供了有力工具。
然而，随着科技的发展，虽然流式细胞术和单细胞转录组学取得了显著进步，但 CFA 却面临着严峻的挑战。传统的手工计数集落方式存在诸多弊端，不仅耗费大量时间，而且极易出错，还容易受到人为因素的干扰，导致结果存在偏差和不一致性。这严重限制了 CFA 在大规模药物或基因筛选中的应用。因此，开发一种高效、准确的 CFU-e 集落识别和计数工具迫在眉睫。
在此背景下，来自未知研究机构的研究人员开展了一项旨在解决这一难题的研究。他们开发出了名为 “C-COUNT” 的工具，这是一种基于卷积神经网络（CNN）的创新工具。研究结果令人瞩目，C-COUNT 能够可靠地从自动显微镜采集的图像中识别 CFU-e 集落，还能同时输出集落的数量和大小。研究人员将 C-COUNT 与三位经验丰富的科学家进行对比测试，发现 C-COUNT 在识别含有髓系集落和其他细胞聚集体的培养板上的 CFU-e 集落时，表现相当甚至更优。此外，研究人员还用 C-COUNT 评估了 CFU-e 祖细胞对不同浓度促红细胞生成素（Epo）的反应，以及对多种基因毒性剂的敏感性，均取得了有价值的成果。
该研究成果意义重大。C-COUNT 工具将传统的 CFU-e 集落形成试验转变为一种严谨且高效的试验方法，为高通量筛选新型促红细胞生成因子和治疗药物提供了可能。它有望大大提高相关研究的效率和准确性，推动造血学研究和临床诊断领域的进一步发展。该研究成果发表在《Experimental Hematology》杂志上。
研究人员在开展这项研究时，用到了几个主要关键的技术方法。首先是基于卷积神经网络（CNN）技术，这是 C-COUNT 工具的核心技术，利用其强大的图像识别能力来识别 CFU-e 集落。其次，使用了 CFU-e 集落形成试验（CFAs），通过培养胎儿肝脏（FL）细胞或骨髓（BM）细胞形成集落。另外，对培养后的集落进行了二氨基联苯胺染色，以便更好地观察和分析集落。
CFU-e 集落形成试验和 Dab 染色
研究人员将胎儿肝脏（FL）细胞（200,000 细胞 / 36mm 板）或骨髓（BM）细胞（500,000 细胞 / 36mm 板），悬浮在含有 1% 甲基纤维素、6% 牛血清白蛋白、5% 胎牛血清和 1mg/ml 人转铁蛋白的培养基中，并添加不同浓度的 Epo 和 100ng/ml 的 SCF。培养 72 小时后，用二氨基联苯胺在室温下对集落进行染色。通过这一试验，为后续 C-COUNT 工具的评估提供了样本。
优化 CFU-e 试验和准备训练数据集
小鼠 CFU-e 祖细胞在妊娠中期的胎儿肝脏（FL）以及成年骨髓（BM）和脾脏中存在。在促红细胞生成素（Epo）存在的情况下，将其接种在半固体培养基（如甲基纤维素）中，48 - 72 小时内会形成紧密堆积的小球形集落，包含 16 - 32 个成红细胞或红细胞。由于从原代采集的细胞状态存在差异等原因，CFU-e 集落形成试验（CFAs）本身存在变异性。研究人员针对这些问题进行了优化试验，并准备了训练数据集，以提高 C-COUNT 工具的准确性。
研究结论表明，C-COUNT 工具能够准确识别 CFU-e 集落，区分髓系集落以及非集落细胞聚集体或碎片，并输出集落数量、大小以及标记 CFU-e 集落的图像。在讨论部分，研究人员指出，C-COUNT 工具可用于大规模 CFU-e 实验和药物筛选，不仅节省人力，还能避免人为偏差。这一工具的出现，为造血学研究和临床诊断提供了新的有力手段，在生命科学和健康医学领域具有广阔的应用前景，有望推动相关领域的深入研究和发展。
