תרבית תאים היא טכנולוגיה יסודית הנמצאת בשימוש נרחב בתחומים כמו ייצור תרופות, רפואה רגנרטיבית, מדעי מזון והנדסת חומרים. מרכיב קריטי בתרבית תאים מוצלחת הוא פיתרון תרבות-א 'המכיל חומרים מזינים חיוניים התומכים בגידול תאים. לכן מיטוב מדיום התרבות ליישומים ספציפיים הוא חיוני. לאחרונה, למידת מכונות הפכה לכלי רב עוצמה לאופטימיזציה של מדיה יעילה. עם זאת, הנתונים הניסויים המשמשים לאימון מודלים כאלה מראים לרוב שונות ביולוגית הנגרמת כתוצאה מתנודות בהתנהגות תאים ורעש מהנהלים או ציוד ניסיוני. שונות זו יכולה להפחית משמעותית את הדיוק החיזוי של מודלים למידת מכונות.
במחקר זה, החוקרים פיתחו מודל למידת מכונה שמסביר במפורש את השונות הביולוגית ויישמו אותו כדי לזהות ניסוחים אופטימליים לתקשורת תרבותית ללא סרום. תאי CHO-K1 (שמקורם בשחלה של האוגר הסיני) היו מעובדים בתקשורת שונים, וריכוזי התאים נמדדו כדי לכמת את השונות הביולוגית. החוקרים שילבו נתונים על הרכב בינוני, שונות ביולוגית וצפיפות תאים למסגרת למידת מכונה ששילבה אלגוריתמים מרובים. עוד השתמשו בלמידה פעילה-מחזור איטרטיבי של אימוני מודלים ואימות ניסיוני.
כתוצאה מכך, הם פיתחו בהצלחה מדיום תרבות נטול סרום שהשיג צפיפות תאים גבוהה פי 1.6 בהשוואה למוצרים הזמינים מסחרית. מכיוון שהמדיום עבר אופטימיזציה ספציפית לתאי CHO-K1, המחקר הדגים את יכולתו של המודל לתפוס את הצרכים התזונתיים הייחודיים של סוגי תאים בודדים. ממצאים אלה צפויים לסייע בפיתוח מדיה תרבותית יעילה יותר לייצור תרופות ורפואה רגנרטיבית. בהתחשב בעובדה שהשונות הביולוגית טבועה בניסויים ביולוגיים, הגישה המוצעת מחזיקה בתחול רחב בתחומים מגוונים של מחקר ביולוגי.
עבודה זו נתמכה על ידי מספרי המענק של JSPS Kakenhi 21K19815 ו- 25K22838 (ל- BWY) ו- JP25KJ0680 (ל- TH).
