deepOrganoid: Um modelo de viabilidade celular em campo claro para triagem de organoides incorporados em matriz

Triagens de viabilidade em alta capacidade são comumente usadas na identificação e desenvolvimento de medicamentos quimioterápicos. Esses sistemas dependem da fidelidade dos modelos celulares para recapitular a resposta ao medicamento que ocorre in vivo. Nos últimos anos, houve uma expansão na utilização de materiais derivados de pacientes, assim como técnicas avançadas de cultura celular, como organoides tumorais multicelulares, para aumentar ainda mais a relevância translacional dos sistemas modelo celulares. A análise quantitativa simples ainda é um desafio, principalmente devido às dificuldades na segmentação robusta de imagens em culturas 3D heterogêneas. Contudo, segmentação explícita não é requerida com o avanço do aprendizado profundo, podendo ser usado tanto para problemas contínuos (regressão) quanto para classificação categórica. Abordagens de aprendizado profundo também se beneficiam por serem totalmente orientadas a dados e altamente automatizáveis, podendo ser estabelecidas e executadas com parâmetros definidos pelo usuário mínimos ou inexistentes. Neste artigo, descrevemos o desenvolvimento e implementação de um modelo de aprendizado profundo regressivo treinado em imagens de campo claro de organoides derivados de pacientes e utilizamos a leitura terminal de viabilidade (CellTiter-Glo) como rótulos para o treinamento. Em última análise, isso levou à geração de uma ferramenta não invasiva e sem rótulos para avaliar mudanças na viabilidade dos organoides.