诱导多能干细胞（iPSC）技术正在革新细胞生物学。然而，个体iPSC系之间的变异性以及缺乏高效技术来全面表征iPSC衍生细胞类型的障碍限制了其在临床前筛选环境中的采用。为了促进iPSC衍生细胞培养成分的验证，我们实施了一种基于细胞涂片和卷积神经网络的成像分析方法，以高保真度识别密集和混合培养物中的细胞类型。我们使用纯培养和混合培养的神经母细胞瘤和星形胶质瘤细胞系基准测试了我们的方法，达到了96%以上的分类准确性。通过迭代数据侵蚀，我们发现包含核区域及其邻近环境的输入可以实现与包含整个细胞的输入同样高的分类准确性，甚至在非常密集的培养物中也能保持预测准确性。然后，我们将这种局部受限的细胞谱型方法应用于评估iPSC衍生神经培养物的分化状态，通过确定有丝分裂后的神经元和神经祖细胞的比例。我们发现基于单细胞的预测显著优于使用培养时间作为分类标准的方法（96% 对 86%，分别）。在混合iPSC衍生神经培养物中，小胶质细胞可以从神经元中明确区分出来，无论它们的反应状态如何，采用分层策略还可以进一步区分激活和非激活细胞状态，尽管准确率较低。因此，形态学单细胞谱型提供了一种手段，可以在复杂的混合神经培养物中量化细胞组成，并有望用于iPSC衍生细胞培养模型的质量控制。
此外，我们还展示了该方法在不同细胞状态下的稳健性，包括诱导小胶质细胞的反应性变化。我们发现在共培养神经元和小胶质细胞的情况下，仍能准确预测细胞类型，而不受处理条件的影响。使用分层方法，可以进一步区分静息态和活化态的小胶质细胞亚群，尽管预测准确率较低。这表明即使在更复杂的异质环境中，该方法依然有效，能够识别细胞类型和状态，从而增强临床前筛选的相关性，提高药物靶点的准确性，最终实现更精确的治疗策略。
总之，我们开发了一种新的应用，即通过扩展高内涵形态学谱型分析到复杂的混合神经培养物中，利用顺序多光谱成像和卷积网络指导的细胞表型分类。结果表明，由此产生的预测器在生物变异和细胞培养密度方面具有鲁棒性。这种方法有望用于iPSC培养的质量控制，使其能够在高通量和高内涵筛选应用中常规使用。
(全文结束)
