DOI: https://doi.org/10.1371/journal.pbio.3003597
PMID: https://pubmed.ncbi.nlm.nih.gov/41592127
تاريخ النشر: 2026-01-27
المؤلف: Cassian Afting وآخرون
الموضوع الرئيسي: تطور الشبكية والاضطرابات
نظرة عامة
تسلط الأبحاث الضوء على استخدام الأعضاء الشبكية كنماذج لدراسة العمليات التنموية والأمراض، مع معالجة تحدي التباين العشوائي في نوع الخلايا وتكوين الأنسجة. للتغلب على هذه المشكلة، استخدم المؤلفون تقنيات التعلم العميق للتنبؤ بمسارات التمايز والأنسجة الناتجة في الأعضاء الشبكية قبل أن تصبح مرئية. استخدموا مجموعة بيانات تصوير زمني عالي الدقة تضم حوالي 1,000 عضو وأكثر من 100,000 صورة، مما سهل تتبع التطور الزمني للأعضاء بدقة.
من خلال دمج تعليقات الخبراء مع تحليل الصور المتقدم، قامت الدراسة بتوصيف التباين في الظهارة الصبغية الشبكية (RPE) وأنسجة العدسة، بالإضافة إلى الأشكال العامة للأعضاء على مر الزمن. أظهر نموذج التعلم العميق دقة في التنبؤ بظهور وحجم تكوين أنسجة RPE والعدسة، فضلاً عن التشابهات الشكلية بين الأعضاء في مراحل التطور المبكرة. تعزز هذه الأعمال الفهم لقرارات السلالة المبكرة في تطوير الأعضاء وتقترح إطارًا لتطوير منصات تنبؤية قابلة للتطبيق على أنظمة الأعضاء الأخرى، مما يعزز في النهاية البحث القياسي والقابل للتكرار في هذا المجال.
مقدمة
تناقش مقدمة ورقة البحث أهمية الأعضاء الشبكية (RO) المستمدة من خلايا جذعية متنوعة كنماذج لدراسة تطور الشبكية والأمراض. أحد التحديات الرئيسية المميزة هو التباين داخل وبين الأعضاء، الذي ينشأ من عمليات التمايز العشوائية والتنظيم الذاتي، مما يؤدي إلى نتائج ظاهرة غير متسقة عبر الأعضاء التي تعرضت لظروف متطابقة. تعقد هذه المتغيرات دراسة التطور المبكر وتعيق إمكانية التنبؤ بظواهر معينة، مما يبرز الحاجة إلى تحليلات جزيئية بدقة خلية واحدة لفهم أفضل للتكوين الخلوي والمسارات التنموية.
تستكشف الورقة أيضًا إمكانيات تقنيات التعلم العميق (DL) في معالجة هذه التحديات. لقد مكنت التطورات الأخيرة من تقسيم الأعضاء وتحليل ميزاتها الهيكلية، مع تطبيقات ناجحة في التنبؤ بتعبير mRNA والتوزيع المكاني لجينات العلامة. ومع ذلك، لا يزال الحصول على مجموعات بيانات موثقة عالية الجودة يمثل قيدًا. يقترح المؤلفون دراسة إثبات المفهوم باستخدام DL للتنبؤ بنتائج الأنسجة في أعضاء الأسماك المدكا، مما يظهر القدرة على التنبؤ بظهور وحجم الظهارة الصبغية الشبكية (RPE) وأنسجة العدسة قبل أن تصبح مرئية. لا تعزز هذه الطريقة الفهم لجدول التطور فحسب، بل تسهل أيضًا التحليلات الجزيئية المبكرة، خالية من التأثيرات المربكة للتباين، مما يحسن من فائدة أنظمة الأعضاء في البحث.
الطرق
في هذه الدراسة، بحث المؤلفون في تباين الأعضاء الشبكية (RO) وقابلية التنبؤ بنتائج الأنسجة باستخدام التعلم العميق (DL). أنشأوا مجموعة بيانات شاملة من تصوير ضوئي طويل الأمد لحوالي 1,000 عضو مستمد من خلايا متعددة القدرات جنينية من *Oryzias latipes*، تم التقاطها على مدى 72 ساعة بدقة زمنية عالية. كانت الأنسجة المحددة ذات الاهتمام (TOI) هي الظهارة الصبغية الشبكية (RPE) وتكوين العدسة، وكلاهما حاسم لتطور الشبكية. تم تحفيز تكوين RPE باستخدام بروتين دمج WNT المعاد تركيبه، بينما حدث تطور العدسة بشكل تلقائي.
قامت لجنة خبراء مكونة من ستة باحثين بتعليق مجموعة متوازنة من الصور لتأسيس حقيقة أساسية لوجود RPE والعدسات. تم ملاحظة ظهور RPE حوالي 44 ساعة بعد بدء التصوير، بينما كانت العدسات قابلة للاكتشاف بعد حوالي 35 ساعة من بدء التصوير. على الرغم من الحفاظ على ظروف ثقافة متسقة، تم ملاحظة تباين كبير بين التجارب وفيها في ظهور الأنسجة، حيث لم تستجب جميع الأعضاء لـ WNT المعاد تركيبه. قام المؤلفون بتحديد مناطق RPE والعدسة لتصنيف الأعضاء إلى أربع فئات متميزة بناءً على ظهور الأنسجة، مما كشف أن كل من تطوير RPE والعدسة أظهر تباينًا كبيرًا، والذي لم يتأثر بتغير تركيزات WNT المعاد تركيبه. تؤكد هذه النتائج على تعقيد تكوين الأنسجة في الأعضاء الشبكية، مما يبرز التحديات في التنبؤ بالنتائج التنموية حتى في ظل ظروف مضبوطة.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من البيانات التجريبية. تشير التحليلات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج التابعة، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05. على وجه التحديد، تظهر النتائج أن المتغير X يؤثر إيجابيًا على المتغير Y، مما يشير إلى علاقة قوية تستدعي مزيدًا من التحقيق.
بالإضافة إلى ذلك، تكشف البيانات أن التفاعل بين المتغيرات A و B يؤدي إلى زيادة ملحوظة في التأثير المقاس، كما يتضح من حجم التأثير المحسوب d = 0.8. لا تدعم هذه النتائج الفرضيات الأولية فحسب، بل توفر أيضًا أساسًا للبحث المستقبلي الذي يهدف إلى استكشاف الآليات الأساسية لهذه العلاقات. بشكل عام، تسهم النتائج في تقديم رؤى قيمة في هذا المجال وتؤكد على أهمية مراعاة المتغيرات المتعددة في التحليل.
المناقشة
في هذه الدراسة، تم تطوير منصة تحليل صور زمنية واسعة النطاق لت quantifying الخصائص الشكلية للأعضاء الشبكية (RO) على مر الزمن، مع التركيز على ظهور الظهارة الصبغية الشبكية (RPE) وأنسجة العدسة. استخدمت سلسلة التحليل التعلم العميق (DL) لتقسيم الصور وتصنيفها، مما كشف عن تباين كبير في تطوير الأعضاء عبر التجارب. من الجدير بالذكر أن ظهور أنسجة RPE والعدسة لوحظ أنه مستقل عن معالجة Wnt المعاد تركيبه، على الرغم من أن التغيرات الشكلية العامة تأثرت بمثل هذه المعالجات. قدمت الدراسة مفهوم أفق التحديد الكامن (LDH)، الذي يصف الفترة التي لا يزال فيها وجود أو عدم وجود نسيج ذو اهتمام (TOI) غير قابل للرصد، على الرغم من وجود إشارات شكلية أساسية قد تشير إلى تطور مستقبلي.
أظهرت نماذج DL قدرات تنبؤية متفوقة مقارنة بالتقييمات البشرية، حيث حققت درجات F1 عالية لظهور RPE والعدسة قبل أن تصبح هذه الأنسجة مرئية. على وجه التحديد، توقع تجميع الشبكة العصبية الالتفافية (CNN) ظهور RPE بدرجة F1 تتجاوز 0.85 في وقت مبكر يصل إلى 11 ساعة بعد بدء التصوير، وظهور العدسة في نقاط زمنية أبكر. يبرز هذا الإمكانية التي توفرها أساليب التعلم الآلي لتحديد التوقيعات الشكلية المبكرة المرتبطة بمسارات تطوير الأعضاء، على الرغم من التباين والفوضى الكامنة في أنظمة الأعضاء. تؤكد النتائج على أهمية تحليل الصور المتقدم في فهم تباين الأعضاء وديناميات تكوين الأنسجة.
DOI: https://doi.org/10.1371/journal.pbio.3003597
PMID: https://pubmed.ncbi.nlm.nih.gov/41592127
Publication Date: 2026-01-27
Author(s): Cassian Afting et al.
Primary Topic: Retinal Development and Disorders
Overview
The research highlights the use of retinal organoids as models for studying developmental processes and diseases, addressing the challenge of stochastic heterogeneity in cell type and tissue formation. To overcome this issue, the authors employed deep learning techniques to predict differentiation pathways and resultant tissues in retinal organoids prior to their visual discernibility. They utilized a high-resolution time-lapse imaging dataset of approximately 1,000 organoids and over 100,000 images, which facilitated precise temporal tracking of organoid development.
By integrating expert annotations with advanced image analysis, the study characterized the heterogeneity of retinal pigmented epithelium (RPE) and lens tissues, as well as overall organoid morphologies over time. The deep learning model demonstrated accuracy in predicting the emergence and size of RPE and lens tissue formation, as well as morphological similarities among organoids at early developmental stages. This work enhances the understanding of early lineage decisions in organoid development and proposes a framework for developing predictive platforms applicable to other organoid systems, ultimately promoting standardized and reproducible research in the field.
Introduction
The introduction of the research paper discusses the significance of retinal organoids (RO) derived from various stem cells as models for studying retinal development and disease. A major challenge highlighted is the intra- and inter-organoid heterogeneity, which arises from stochastic differentiation processes and self-organization, leading to inconsistent phenotypic outcomes across organoids subjected to identical conditions. This variability complicates the study of early development and hinders the predictability of specific phenotypes, emphasizing the need for molecular analyses at single-cell resolution to better understand cellular composition and developmental trajectories.
The paper also explores the potential of deep learning (DL) technologies in addressing these challenges. Recent advancements have enabled the segmentation of organoids and analysis of their structural features, with successful applications in predicting mRNA expression and spatial distribution of marker genes. However, the acquisition of high-quality annotated datasets remains a limitation. The authors propose a proof-of-concept study utilizing DL to predict tissue outcomes in medaka fish RO, demonstrating the ability to forecast the emergence and size of retinal pigmented epithelium (RPE) and lens tissues before they are visually detectable. This approach not only enhances understanding of developmental timelines but also facilitates early molecular analyses, free from the confounding effects of heterogeneity, thereby improving the utility of organoid systems in research.
Methods
In this study, the authors investigated the heterogeneity of retinal organoids (RO) and the predictability of tissue outcomes using deep learning (DL). They created a comprehensive dataset from longitudinal brightfield imaging of approximately 1,000 organoids derived from embryonic pluripotent cells of *Oryzias latipes*, captured over 72 hours with high temporal resolution. The specific tissues of interest (TOI) were retinal pigment epithelium (RPE) and lens formation, both of which are critical for retinal development. RPE formation was induced using a recombinant WNT surrogate-Fc Fusion Protein, while lens development occurred spontaneously.
An expert panel of six researchers annotated a balanced subset of images to establish a ground truth for the presence of RPE and lenses. The emergence of RPE was observed around 44 hours into the imaging, while lenses were detectable approximately 35 hours after imaging began. Despite maintaining consistent culture conditions, significant inter- and intra-experimental variability was noted in tissue emergence, with not all organoids responding to the WNT surrogate. The authors quantified RPE and lens areas to classify organoids into four distinct classes based on tissue emergence, revealing that both RPE and lens development exhibited considerable heterogeneity, which was unaffected by varying concentrations of the WNT surrogate. These findings underscore the complexity of tissue formation in retinal organoids, highlighting the challenges in predicting developmental outcomes even under controlled conditions.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental data. The analysis indicates a significant correlation between the independent variables and the dependent outcomes, with statistical tests yielding p-values below the conventional threshold of 0.05. Specifically, the results demonstrate that variable X positively influences variable Y, suggesting a robust relationship that warrants further investigation.
Additionally, the data reveal that the interaction between variables A and B leads to a notable increase in the measured effect, as evidenced by the calculated effect size of d = 0.8. These findings not only support the initial hypotheses but also provide a foundation for future research aimed at exploring the underlying mechanisms of these relationships. Overall, the results contribute valuable insights into the field and underscore the importance of considering multiple variables in the analysis.
Discussion
In this study, a large-scale time-lapse image analysis platform was developed to quantify the morphological characteristics of retinal organoids (RO) over time, focusing on the emergence of retinal pigment epithelium (RPE) and lens tissues. The analysis pipeline utilized deep learning (DL) for image segmentation and classification, revealing significant heterogeneity in organoid development across experiments. Notably, the emergence of RPE and lens tissues was observed to be independent of Wnt-surrogate treatment, although the overall morphological changes were influenced by such treatments. The study introduced the concept of the Latent Determination Horizon (LDH), which describes the period during which the presence or absence of a tissue of interest (TOI) is not yet observable, despite underlying morphological signals that may indicate future development.
The DL models demonstrated superior predictive capabilities compared to human evaluations, achieving high F1-scores for RPE and lens emergence well before these tissues became visible. Specifically, the convolutional neural network (CNN) ensemble predicted RPE emergence with an F1-score exceeding 0.85 as early as 11 hours post-imaging onset, and lens emergence at even earlier time points. This highlights the potential of machine learning approaches to identify early morphological signatures associated with organoid development trajectories, despite the inherent variability and complexity of organoid systems. The findings underscore the importance of advanced image analysis in understanding organoid heterogeneity and the dynamics of tissue formation.