夜雨聆风干细胞研究者都知道一件事：iPSC（诱导多能干细胞）技术改变了生物医学的边界，但它同时也是一门"玄学"。
同样的操作，同样的试剂，不同批次的结果可能天差地别。一个研究员可能花三个月建系，最终发现这批细胞根本不能用。一个药企可能耗资千万筛选分化方案，却在临床前卡死。
AI正在系统性地解决这些问题。不是概念，是已经在实验室和GMP生产线上跑起来的真实案例。
iPSC的六道关卡，AI如何逐一破解
第一关：重编程—成功率从"碰运气"变成"可预测"
iPSC技术的起点是重编程：将成体细胞（通常是皮肤成纤维细胞）逆转回多能状态。理论优美，现实残酷—典型重编程效率不足1%，绝大多数细胞死亡或停滞，能成功建系的寥寥无几。
问题不在于方法错了，而在于影响变量太多：供体年龄、细胞传代次数、病毒载体剂量、小分子鸡尾酒配比、换液时机……每个变量都可能决定成败，传统方法只能逐一试错。
AI的切入点是预测，而不是替代实验。
Salk研究所的团队将供体细胞的染色质开放性数据（ATAC-seq）与基因表达谱输入ML模型，在实验开始前3天预测哪批细胞具备高重编程潜力。
模型AUC达到0.89，直接帮助研究团队在下游筛除低潜力批次，节省约30%的实验成本。
更进一步的是2023年发表于《Nature》的Geneformer模型。这个在2900万单细胞数据上预训练的基因组语言模型，经过fine-tune后能预测特定转录因子扰动对重编程效率的影响。
在神经元重编程任务中，Geneformer推荐的因子组合将效率提升了3-4倍——而这个推荐，是模型从基因调控网络的"语义"中推断出来的，不依赖大规模湿实验筛选。
Scripps Research的团队则用了另一条路：贝叶斯优化平台Dragonfly，将Sendai病毒MOI值、转染时间窗口、小分子配比设为优化变量，以colony生成效率为目标函数，仅用18轮实验找到最优参数组合，将心肌细胞重编程效率从0.3%提升至2.1%。
传统穷举法完成同等搜索，需要超过200次实验。
第二关：克隆筛选—从"凭眼力"到"机器自动挑"
重编程成功后，培养皿里会出现若干候选克隆。哪个是真正的iPSC？哪个是假阳性？哪个内部已经开始分化？
传统做法是研究员趴在显微镜前，凭经验逐一判断，再用挑克隆针手动取出。这个过程主观性强、通量极低，两个人看同一个克隆可能给出完全不同的结论。
AI用的是同一张显微镜，但判断逻辑完全不同。
京都大学CiRA（山中伸弥团队）部署了基于ResNet的实时监控系统，每2小时采集一次相差图像，持续追踪克隆形态变化。
关键突破在于：模型在Day 2就能检测到早期分化迹象（表现为克隆边缘形态的细微变化），而传统OCT4免疫染色最早也要Day10-12才能确认。
提前8-10天的预警，意味着可以及时干预，而不是等整批细胞废弃后才发现问题。
Ragunton等人开发的系统走得更远：无标记、在线、实时的colony计数与质量分级，模型输出每个克隆的质量评分，通量比人工提升10倍。结合机械臂，系统可以自动标记并优先挑取评分最高的克隆，整个过程不依赖人工干预。
这类系统的商业化已经开始。多家自动化显微镜厂商（如Sartorius、Molecular Devices）正在将AI克隆评分模块集成进标准设备，研究室不需要自建算法，开箱即用。
第三关：质量控制—从"两周等待"到"两天放行"
iPSC建系之后，在正式用于研究或生产前，必须经过严格的质量检测：核型是否正常？多能性marker是否充分表达？有没有拷贝数变异（CNV）？表观遗传是否稳定？
传统全套QC耗时2-3周，是iPSC产业化最大的时间瓶颈之一。更麻烦的是，这些检测结果来自不同平台、不同格式，如何综合判断"这批细胞能不能用"，本身就是一件依赖专家经验的事。
BlueRock Therapeutics（拜耳旗下iPSC疗法公司）在其GMP生产线上构建了三层AI并行QC体系：
核型分析方面，CNN模型直接解析染色体G显带图像，判断染色体数目异常和结构变异，将原本5天的人工分析压缩至4小时；
多能性评估方面，模型从相差显微镜图像中直接提取形态学特征，给出多能性评分，实时输出，无需等待免疫染色；
功能验证方面，DL模型自动解析MEA（多电极阵列）电生理信号，30分钟完成原本2天的人工判读。
三项并行，QC周期从16天压缩至2天。这套体系已支撑BlueRock旗下帕金森病iPSC疗法的IND（临床试验申请）申报。
在多组学维度，scGPT在海量单细胞数据上预训练后，fine-tune可直接从scRNA-seq输出多能性评分和分化偏向预测，不再依赖人工设定marker阈值——这对跨实验室、跨细胞系的标准化放行判断具有重要意义。
第四关：定向分化—把"黑箱操作"变成"可控工程"
iPSC最终要分化成有用的细胞：心肌细胞、神经元、肝细胞、胰岛细胞……每种细胞的分化方案都是一套包含20-30个步骤的操作规程，细胞密度、生长因子浓度、加药时序、氧浓度……任何一个参数偏差都可能导致目标细胞比例不达标。
即便是经验丰富的实验室，批次间分化效率的变异系数也常常超过40%。
AI在这里的价值不是替代生物学判断，而是把"直觉"变成"可计算的过程控制"。
Fujifilm CDI在心肌细胞分化生产中部署了LSTM时序模型，整合每日采集的细胞形态特征和培养基代谢物数据（乳酸/葡萄糖消耗率），预测Day 21的cTnT阳性率（心肌细胞成熟指标）。
当模型预测值低于设定阈值时，系统自动推送CHIR99021浓度的调整建议，操作员据此干预。
结果是批次间变异系数从42%下降至18%，稳定性大幅提升，这直接决定了生产线能否保证每批细胞都达到临床级标准。
强化学习在这个场景中代表更激进的方向：将分化过程建模为序列决策问题，AI根据每日观测的细胞状态，自主推荐当日操作（加哪种因子、换什么培养基），并从最终分化结果中学习。
目前这类系统还在学术验证阶段，但已有团队在视网膜色素上皮细胞（RPE）分化中展示了超越人工方案的成熟度。
第五关：细胞身份判断—"分化出来的细胞是否真的能用"
这是很多研究者忽视、却往往致命的一关。
分化结束后，流式细胞仪显示cTnT阳性率85%，看起来不错。但这批心肌细胞是心室型还是心房型？成熟度够不够？和上一批的一致性如何？这些问题直接决定这批细胞能不能用于药筛或移植。
AI把细胞身份判断从"单一marker打分"升级为"多模态综合评估"。
Hong等人整合基因表达谱、细胞形态和电生理特征，训练多模态模型量化iPSC-CM（iPSC来源心肌细胞）的成熟度评分，精度比单一cTnT marker判断提升35%。
模型输出的不只是一个数字，而是细胞亚型标注（心室型/心房型/结节型）+ 成熟度百分位 + 与参考批次的一致性评分。
跨批次一致性是产业化的核心问题。scArches、Harmony等工具专门处理批次效应，将不同批次的scRNA-seq数据整合到统一坐标系中，让研究者可以直接回答"这批细胞和三个月前那批是不是同一种细胞"。
第六关：疾病建模与药筛—把患者装进培养皿
iPSC技术最令人兴奋的应用，是用患者自体细胞在体外重建疾病。
患者的iPSC分化成心肌细胞，就能在培养皿里展现患者心脏的疾病表型；分化成神经元，就能研究患者大脑里发生的事。
问题在于：高内涵成像一次能产生TB级数据，药物筛选动辄涉及数万化合物，人工分析根本无法跟上。
AI在这里是唯一可行的分析引擎。
Recursion Pharmaceuticals将Cell Painting高内涵成像与深度学习结合，在iPSC来源的神经元模型上筛选ALS（渐冻症）候选药物，单次实验覆盖超过10万种化合物，命中率是传统方法的4倍。
Cell Painting用6种荧光染料同时标记细胞的不同结构，DL模型从图像中提取数千个形态特征，捕捉人眼根本看不见的细微表型差异。
UCSF的团队走向了更个体化的方向：从患者iPSC分化出心肌细胞，用ML分析钙瞬变波形（反映细胞电活动的光学信号），预测患者个体对抗心律失常药物的反应。
准确率83%，初步实现了"临床试验in a dish"——在正式用药前，先在患者自体细胞上测试药物反应。
DeepNEU则代表了更前沿的方向：纯计算机模拟iPSC分化过程，in silico预测疾病新靶点，再交给湿实验验证。
在Pompe病（罕见溶酶体贮积症）的研究中，DeepNEU通过模拟找到了新的治疗靶点，全程不需要先做实体细胞实验。
技术正在成熟
回顾这六道关卡，AI的介入有一条清晰的逻辑主线：从图像开始（门槛最低），延伸到过程控制（价值最高），最终到达分子层面的预测与决策（影响最深远）。
对于正在做iPSC研究的团队，落地路径并不遥远：
现有的自动化显微镜加一个AI模块，就能实现克隆自动筛选；
现有的QC数据接入多模态模型，就能把放行周期压缩到原来的1/8；
现有的分化数据积累到一定量，就能训练过程控制模型消除批次差异。
这不是五年后的事。BlueRock已经在GMP线上跑了，Recursion已经在用AI跑药筛了，Fujifilm CDI已经把批次变异压下来了。
iPSC研究的下一个十年，AI不是可选项，是基础设施。
参考：Geneformer (Theodoris et al., Nature 2023) / BlueRock Therapeutics GMP pipeline / Fujifilm CDI CM differentiation QC / Recursion ALS screening / UCSF iPSC-CM personalized cardiology
加入AI4Cell的社区
