Используемый сегодня метод производства тканей из стволовых клеток имеет крайне ограниченную пропускную способность. Ученые из МФТИ и Гарвардского университета при помощи полуавтоматической обработки тканей ускорили протокол производства клеток почти в четыре раза без потери качества. Новый алгоритм помогает также в изучении факторов, влияющих на специализацию клеток.

Результаты опубликованы в журнале Translational Vision Science and Technology. Сетчатка глаза — это набор организованных слоев нейронов, связанных вместе и образующих нейронную цепь. Она воспринимает свет и обрабатывает поступающую визуальную информацию перед отправкой ее в мозг. Из-за ограниченной регенеративной способности потеря нейронов сетчатки приводит к необратимой слепоте.

В 2015 году более 2,5 миллионов человек в России страдали различными заболеваниями сетчатки. С каждым годом заболеваемость растет — в основном за счет старения населения. Разрабатываются различные подходы к лечению заболеваний сетчатки: нейропротекция, генная терапия, замещение клеток и другие. Различаясь по механизму действия, целевому заболеванию и методологии, все они требуют огромного количества клеток сетчатки для исследований.

С помощью стволовых клеток можно воспроизвести развитие сетчатки в пробирке. Сначала кластеры стволовых клеток помещаются в специальную среду, где индуцируется спонтанное образование неразвитых нейронов. За этим следует формирование и созревание сетчатки. Этот подход приводит к получению настоящих нейронов сетчатки, организованных в сложную ткань, без внешней стимуляции путей развития в процессе специализации.

Однако метод имеет свои ограничения: случайный характер начальной стимуляции роста нейронов. Также время, необходимое для правильного развития искусственной сетчатки, составляет 30 дней для сетчатки мыши и до года для органоидов человека. Авторы статьи попытались решить эти проблемы, увеличивая количество производимых клеток и улучшая их качество.

Для сравнения качества выращивания тканей роботом и человеком ученые вырастили несколько тысяч образцов ткани сетчатки для дальнейшей автоматической обработки и столько же образцов для ручного выведения. Авторы просканировали лунки с тканью из первой группы, а полученные изображения проанализировали с использованием специально разработанного скрипта на языке Python.

Программа вычисляет области фотографии, в которых наиболее интенсивно светится флуоресцентный белок. Так как этот белок вырабатывается только в развивающихся клетках сетчатки, высокая интенсивность показывает участки образца с нужной тканью. Таким образом программа способна определять количество развивающейся сетчатки в каждом органоиде.

Оказалось, что применение автоматических алгоритмов не снижает качество выращиваемых тканей и помогает оптимизировать протокол наработки клеток благодаря большому количеству одновременно испытываемых систем. Применение полуавтоматического алгоритма работы позволило снизить затрачиваемое учеными время на обработку клеток с двух часов до 34 минут.

«Мы реализовали роботизированную смену жидкости по ходу дифференцировки сетчатки и показали, что это не оказывает отрицательного влияния на результат специализации клеток. Кроме того, мы разработали инструмент для автоматического определения сетчатки и классификации органов и продемонстрировали его применение для оптимизации условий специализации и контроля качества. Одна из задач, которую мы стремились решить в нашей работе, — это возможность масштабировать дифференциацию для производства большого количества ткани для испытаний лекарств и экспериментов по трансплантации клеток. Автоматическая обработка образцов позволяет снизить необходимые усилия со стороны персонала и повысить в разы количество вырабатываемых клеток. После небольших модификаций этот алгоритм можно будет применять для выращивания других органов, не только сетчатки», — комментирует Евгений Кегелес, сотрудник лаборатории геномной инженерии МФТИ.

«Это как раз тот случай, когда количество имеет значение: благодаря автоматизации мы можем получить триллионы нейронов сетчатки для трансплантации», — добавляет Петр Баранов, руководитель лаборатории в The Schepens Eye Research Institute of Mass Eye and Ear.