细胞培养的监测的制作方法

本公开涉及用于监测细胞培养的方法，并且具体涉及利用机器学习和非侵入性无标记成像数据来监测细胞培养中在细胞群中发生的细胞状态转变过程并选择要执行的干预措施来控制细胞状态转变过程。本文还描述了相关方法、系统和产品。背景技术：1、近年来，在确定体外复制各种细胞状态转变所需的实验条件方面取得了很大进展。例如，现在可以从多能细胞中获得多种分化细胞(称为“定向分化”的过程)或从分化细胞中获得多种分化细胞(称为“直接重编程”的过程)。这对于细胞疗法、组织工程、疾病研究以及药物开发(例如筛选)和测试(例如安全药理学)具有巨大的潜力。其中一个特别有前景的方面是诱导多能干细胞(ipsc)的使用，它们本身是通过引导的细胞状态转变过程在体外从体细胞产生的。事实上，这为生成更相关的遗传疾病模型、生成定制的细胞疗法和患者组织等打开了大门。然而，细胞状态转变过程，例如诱导多能干细胞分化成不同的目标细胞类型，是通过复杂的程序实现的。ipsc分化方案通常涉及在规定的时间点进行实验干预，例如添加生长因子或小分子，以促进分化为目标细胞类型。由于人们对许多基础生物学原理仍然知之甚少，实验程序往往是经过长期艰苦的反复试验才确定的，从而为任何特定的分化方案定义了一组干预措施。这些干预措施的时间点通常是固定的，并根据一组有限的细胞系的经验来设置，通常还要考虑实验室操作员的时间安排(例如，在周末进行计划)。此外，ipsc细胞系之间存在很大差异，这意味着一个细胞系的最佳时间点可能对另一个细胞系而言较差。这些复杂性导致干细胞分化的质量控制和保证非常困难。由于缺乏适当的工具来监测、理解和控制ipsc分化过程，使得这一问题变得更加复杂。2、为此，在实验环境中使用了多种荧光标记和标记物。然而，即使在实验环境中，基于标记的方法也被证明是有限的，因为许多细胞状态转变过程没有适当的标记物。此外，如果对样品进行标记和/或分析需要对细胞群进行操作(或通常是破坏)，那么标记只能提供有关培养结果的信息，而不能提供任何可用于指导细胞状态转变过程的信息。即使存在标记物，并且标记物的存在与细胞的存活能力兼容(例如，使用表达荧光标记物的转基因细胞系)，从而可以对培养物进行实时监测，标记物的存在和/或对标记物存在的监测也会影响细胞状态的转变过程(例如，通过影响标记蛋白的功能、光漂白等)。此外，在许多情况下，基因修饰和/或细胞群中标记的存在是不合适的，主要是在治疗过程中出于临床原因，包括安全性，以及在个性化疗法中纯粹为了优化而产生的人力和资源负担。3、有人已经提出了不依赖标记来监测或表征ipsc分化过程结果的方法。例如，williams等人(front.in bioeng.and biotech.,july 2020,vol.8,article 851)提出了一种基于机器学习的方法，利用与过程相关的特征作为预测变量，包括生物反应器系统在线连续收集的物理化学数据(溶解氧浓度、ph等)以及离线确定的数据，例如细胞密度、细胞聚集体大小和营养物浓度来预测搅拌罐生物反应器中ipsc分化为心肌细胞的过程的结果——心肌细胞的含量。然而，这种方法需要测量大量的物理化学参数，并对培养物进行采样以进行离线分析。因此，该过程仍然具有侵入性和高度复杂性，尤其不适用于高级搅拌罐生物反应器中的大规模培养之外的任何环境。另一个例子是，qian等人(naturecommunications(2021)12:4580)提出了一种方法，利用代谢成像(特别是nad(p)h和fad的自发荧光)来辨别人类多能干细胞(hpsc)向心肌细胞(cm)分化的低效率和高效率相关的实验条件。然而，这种方法仍然很复杂，需要测量荧光信号，而且仅适用于hpsc分化为cm的非常特定的背景，分化过程中会发生巨大的代谢变化，从而影响这些特定代谢物的荧光寿命。4、因此，我们需要一种改进的系统和方法，用于监测在细胞培养中经历细胞状态转变过程的细胞群并控制细胞培养条件以实现细胞状态转变，且不存在现有技术的所有缺点。技术实现思路1、发明人假设，通过分析使用无标记成像技术收集的图像中可见的细胞群的形态特征，可以监测和预测细胞培养中发生的细胞状态转变过程的结果。事实上，发明人已经认识到，受过训练的人能够在例如明场或相差显微镜条件下观察细胞培养，并“感受”到细胞状态转变过程的进展。该过程是主观的、劳动密集型的，并且严重缺乏可重复性和客观量化，因此不适合实施严格的质量控制工业过程。然而，发明人推测，可以开发更严格的过程来利用这些图像中的信息内容。发明人开发了利用计算机对此类显微镜图像进行分析的方法，这些方法能够挑选出细胞状态转变过程中的信息特征并对其进行量化，然后将这些特征集成到统计模型中，以捕获这些特征和与细胞状态转变过程相关的指标(例如分化效率等结果特征)之间的关系。发明人进一步表明，在监测ipsc分化为心肌细胞的背景下，这些方法能够在细胞培养过程中预测与细胞状态转变过程相关的指标。这些方法没有目前使用的方法的缺点，因为它们是无标记、非侵入性、简单、可重复、快速、可预测的，并且不需要对细胞进行任何修饰。最后，发明人表明这些方法可用于选择要执行的干预措施并控制细胞培养过程，以实现细胞培养中的细胞状态转变。2、根据本公开的第一方面，本文提供了一种用于监测细胞培养中的细胞群的方法，该方法包括以下步骤：获得在细胞培养过程中的一个或多个时间点通过无标记成像获取的细胞群的一个或多个图像，其中所述无标记成像是提供有关细胞、细胞结构或细胞组的空间构型的信息的成像技术；处理所述一个或多个图像以获得一个或多个无标记图像衍生特征；和使用统计模型来预测指示细胞群中细胞状态转变的一个或多个指标，所述统计模型将所述无标记图像衍生特征作为输入并将指示细胞群中细胞状态转变的一个或多个指标作为输出，其中指示细胞群中细胞状态转变的指标是表征细胞群中发生的细胞状态转变过程的进展和/或结果的指标。细胞培养过程与用于获得细胞状态转变的基本方案相关，所述基本方案包括通过一个或多个过程参数定义的一种或多种干预措施，并且针对至少一种所述干预措施的一个或多个过程参数中的至少一个过程参数的多个候选值重复所述预测指示细胞状态转变过程的一个或多个指标的步骤以获得多组指示细胞状态转变过程的一个或多个指标。比较预测的多组指示细胞状态转变的一个或多个指标提供候选值是否适合实现细胞状态转变的指示。该方法可以包括比较预测的多组指示细胞状态转变过程的一个或多个指标的步骤，以便确定适合实现细胞状态转变的一个或多个候选值。候选值可以包括多个时间点，并且比较预测的多组指示细胞状态转变过程的一个或多个指标可以包括：获得一个或多个指标的组的序列或时间进程。候选值可以包括除干预措施时间点之外的过程参数的多个值，并且比较预测的多组指示细胞状态转变过程的一个或多个指标可以包括：比较与相同的时间点(例如多个时间点中最晚时间点)相关的多组一个或多个指标。3、ren、edward等人("deep learning-enhanced morphological profilingpredicts cell fate dynamics in real-time in hpscs."biorxiv 2021)已经研究了在多能干细胞培养等细胞培养中预测细胞命运的问题，该方法使用荧光标记物来区分单细胞，因为该方法是针对每个单独的细胞进行的，而不是预测整个细胞培养的结果，并且只能在进行干预后预测细胞命运。需要注意的是，细胞培养的整体结果不能简单地通过对培养物中的所有细胞进行平均来获得，至少因为细胞培养过程中发生的细胞间相互作用可能会改变单细胞的命运。相比之下，本文描述的方法使用无标记成像在细胞培养水平上进行预测，并确定进行干预的最佳参数(例如时间窗口)，以便在进行干预之前获得细胞状态转变。4、第一方面的方法可以具有以下可选特征中的任意一个或任意组合。5、该方法还可以包括使用预测的多组指示细胞状态转变过程的一个或多个指标来针对至少一种干预措施从多个候选值中选择候选值。使用预测的多组指示细胞状态转变过程的一个或多个指标来针对至少一种干预措施从多个候选值中选择候选值的步骤可以是自动的(例如，计算机实现)。或者，使用预测的多组指示细胞状态转变过程的一个或多个指标来针对至少一种干预措施从多个候选值中选择候选值的步骤可以是手动的(例如，由专家通过分析一个或多个指标的多组预测结果和/或分析一个或多个指标的多组比较结果来执行)。6、该方法还可以包括执行控制操作以实施至少一种干预措施。因此，本文还描述了控制细胞培养的方法，该方法包括执行如本文所述的监测细胞培养的方法。7、一组一个或多个指标可以包括单个指标(例如，细胞状态转变的预测效率)。指示细胞群中的细胞状态转变的一个或多个指标可以选自：指示细胞状态转变进展的指标，以及指示细胞状态转变结果的指标。指示细胞群中的细胞状态转变的一个或多个指标可以与细胞状态转变的最后阶段和/或细胞培养的结束相关。一个或多个无标记图像衍生特征可以通过处理在细胞培养结束之前获取的无标记图像来获得。指示细胞状态转变结果的指标可以选自：指示细胞状态转变效率的指标，以及指示用于特定目的的细胞群的质量的指标。指示细胞状态转变进展的指标可以选自：细胞状态转变过程中的阶段的标识、细胞状态转变过程的一个或多个阶段中的每个阶段中的细胞的百分比、比例或数量，以及每个不同的细胞状态转变过程中的细胞的百分比、比例或数量。指示细胞状态转变效率的指标可以选自：已经达到细胞状态转变过程的期望状态的细胞的数量、百分比或比例。指示用于特定目的的细胞群的质量的指标可以选自：具有与细胞状态转变过程相关的一个或多个特征使其适合用于特定目的的细胞的百分比、数量或比例。有利的是，指示细胞群中的细胞状态转变的一个或多个指标可以是指示细胞状态转变结果的指标。8、一个或多个过程参数可以包括至少一种干预措施的时间点。多组指示细胞状态转变过程的一个或多个指标可以包括一个或多个指标的组的序列，该序列中的每一组对应于至少一种干预措施的时间点的候选值。干预措施的时间点的多个候选值可以包括至少2个、至少3个、至少4个、至少5个或5至10个时间点。干预措施的时间点的多个候选值可以包括已获取的细胞培养图像的时间点和/或与已获取的细胞培养图像的时间点不同的时间点。已获取的细胞培养图像的时间点可以是在当前时间点之前和/或包括当前时间点的时间点。与获取细胞图像的时间点不同的时间点可以是当前时间点之后的时间点(即，未来时间点)。因此，本文描述的方法可以用于决定是否应当将一组时间点(候选)中的当前/最晚时间点用于干预措施。作为替代或除此之外，本文描述的方法可以用于比较一组时间点(候选)的未来时间点以及可选地还比较当前时间点以选择干预措施的最佳时间点。换句话说，该方法可用于确定是否在当前时间点实施干预措施，和/或用于预测(即，决定是否在当前时间点或未来时间点实施干预措施)。9、一个或多个过程参数可以包括选自以下的参数：细胞的物理环境的特征和细胞的生化环境的特征。细胞的物理环境的特征可以选自：温度、压力、基质粘度、搅拌、伸展力和收缩力。生化环境的特征可以选自：细胞培养周围大气中的氧压、培养细胞的细胞培养基中的溶解氧、ph、效应物的存在或浓度、营养物的存在或浓度。效应物可以是影响细胞培养中细胞状态转变的化合物或组合物。效应物可以选自生长因子、小分子和大分子，例如核酸、肽或蛋白质。10、统计模型还可以将一个或多个过程参数中的至少一个过程参数作为输入。统计模型可以包括输入和/或输出彼此不同的多个统计模型。用于预测指示细胞群中的细胞状态转变的一个或多个指标的统计模型还可以将一个或多个过程参数的值作为输入。过程参数可以是表征细胞培养过程如何运行的预定值。一个或多个过程参数可以包括与干预措施相关的参数和/或与干预措施不相关的一个或多个过程参数。例如，统计模型可以包括多个统计模型，其中每个统计模型预测不同的指标。这些统计模型中的每一个都可以采用相同或不同的输入。再举个例子，统计模型可以包括多个统计模型，其中每个统计模型将从不同放大倍数的图像获得的无标记图像衍生特征作为输入。这些统计模型中的每一个都可能产生相同或不同的指标作为输出。统计模型可以将通过处理在单个时间点或多个时间点获取的无标记图像获得的无标记图像衍生特征作为输入。11、比较多组指示细胞状态转变过程的预测的一个或多个指标可以包括：获得一个或多个指标的组的序列，其中每个组与时间点序列中的时间点相关，以及确定一个或多个指标的组的变化率和/或变化方向随时间的变化。当一个或多个指标的组的变化率和/或变化方向随时间的变化满足一个或多个预定标准，干预措施的时间点可以被选择为时间点序列中的最晚时间点。该方法可以包括确定一个或多个指标的组的变化率和/或变化方向随时间的变化满足一个或多个预定标准和/或时间点序列中的最晚时间点满足一个或多个预定标准，并且确定在时间点序列中的最晚时间点执行干预措施。该方法可以包括确定一个或多个指标的组的变化率和/或变化方向随时间的变化不满足一个或多个预定标准和/或确定时间点序列中的最晚时间点不满足一个或多个预定标准，并且确定在时间点序列中的最晚时间点不执行干预措施。参考在某个时间点执行干预措施包括在所述时间点之后尽快执行干预措施，或者在最晚时间点和随后获取并处理图像的时间点之间的任何时间执行干预措施。一个或多个预定标准可以选自：变化率高于预定阈值、变化方向为正、变化方向不为负、最晚时间点在参考时间的预定时间范围内、以及最晚时间点超过参考时间的预定时间。参考时间可以指定为培养的开始时间、先前干预措施的时间或基本方案的任何其他指定时间点。12、比较预测的多组指示细胞状态转变过程的一个或多个指标可以包括：获得多组与相同时间点和除干预措施的时间点之外的至少一个过程参数的相应(即，针对多组一个或多个指标中的每一组的任一个)候选值相关的一个或多个指标，以及比较多组一个或多个指标的值以确定适合于实现细胞状态转变的至少一个过程参数的候选值。所确定的候选值可以是与多组一个或多个指标中的一个或多个指标的最佳值相关的候选值。取决于所考虑的特定指标，最佳值可以是最大值、最小值或最接近预定目标值的值。例如，当指标是细胞状态转变效率时，最优值可以是最大值。相反，当指标是未经历细胞状态转变的细胞的百分比时，最优值可以是最小值。13、一个或多个过程参数可以包括干预措施的时间点，多组指示细胞状态转变过程的一个或多个指标可以包括一个或多个指标的组的序列，并且该方法还可以包括通过一个或多个指标的组的序列来确定获取细胞群的其他图像的时间或速率。14、细胞状态转变可以是分化、去分化、从非活动性到活动性的转变、细胞激活、生理处理能力的变化、成熟或从非衰老细胞到衰老细胞的转变。细胞群可以是多能细胞群并且细胞状态转变可以是分化。无标记成像可以是非荧光无标记成像。无标记成像可以是光学显微镜术、拉曼显微镜术、光学相干断层扫描术、定量相位成像、叠层成像、光声显微镜术。光学显微镜术可以是相差显微镜术或明场显微镜术。15、处理一个或多个图像以获得一个或多个无标记图像衍生特征可以不包括确定一个或多个图像中的单细胞。处理一个或多个图像以获得一个或多个无标记图像衍生特征可以包括使用图像分析算法来量化一个或多个图像的一个或多个无标记图像衍生特征。处理一个或多个图像以获得一个或多个无标记图像衍生特征可以包括获得针对每个无标记图像和每个无标记图像衍生特征的一个或多个数值。处理一个或多个图像以获得一个或多个无标记图像衍生特征可以包括组合一个或多个数值，其中每个数值与多个图像中的相应一个相关。处理一个或多个图像以获得一个或多个无标记图像衍生特征可以包括组合与同一图像相关的多个数值。处理一个或多个图像以获得一个或多个无标记图像衍生特征可以包括获得无标记图像衍生特征，其包括多个值，其中每个值与图像中的像素相关，或由此得出的汇总值。处理一个或多个图像以获得一个或多个无标记图像衍生特征可以包括获得无标记图像衍生特征，其包括对图像中由专家定义的视觉特征进行量化的一个或多个值，或由此得出的汇总值。处理一个或多个图像以获得一个或多个无标记图像衍生特征可以包括使用计算机视觉算法来获得多个值，其中每个值与图像中的像素相关。计算机视觉算法可以包括经过训练的机器学习模型。计算机视觉算法可以包括将滤波应用于图像的算法。计算机视觉算法可以包括确定图像的汇合图的算法。计算机视觉算法可以包括确定图像中的边缘的算法。计算机视觉算法可以被配置为获得对一个或多个图像中由专家定义的视觉特征进行量化的一个或多个值。由专家定义的视觉特征可以是在无标记图像中可直接解释和可见的特征。由专家定义的视觉特征可以是群体水平特征。由专家定义的视觉特征可以选自：细胞数量、细胞的汇合程度、具有特定细胞表型的细胞的比率和/或比例、与细胞层的一般结构和形态相关的一个或多个值、以及具有特定表型的细胞组的数量和/或大小。处理一个或多个图像以获得一个或多个无标记图像衍生特征可以包括使用经过训练的机器学习模型以获得多个值，其中每个值与图像中的像素相关。经过训练的机器学习模型可以选自：经过有监督的训练以预测与一个或多个感兴趣的标记物相关的一个或多个信号的机器学习模型、经过训练以学习用于图像确定的图像通用特征表示的机器学习模型、在显微图像上进行训练以学习对显微图像分析有用的特征的机器学习模型，以及经过训练以确定显微图像数据集中的可变特征的机器学习模型。经过训练的机器学习模型可以是经过有监督的训练以预测与指示细胞状态转变阶段的一个或多个标记物相关的一个或多个信号的机器学习模型。机器学习模型可以经过训练以预测与指示相应标记物的存在的相应标记相关的一个或多个信号。机器学习模型可以经过训练以基于输入的无标记图像来预测一个或多个标记图像，这些标记图像显示与指示细胞状态转变阶段的一个或多个标记物相关的一个或多个信号。16、统计模型可以是回归模型。统计模型可以是通过训练统计模型以利用包括无标记图像衍生特征在内的输入来预测指示细胞状态转变的一个或多个指标而获得的。统计模型可以是线性回归模型或非线性回归模型。统计模型可以选自：简单线性回归模型、多元线性回归模型、偏最小二乘回归模型、正交偏最小二乘回归、随机森林回归模型、决策树回归模型、支持向量回归模型，以及k近邻回归模型。统计模型可以是通过利用包括无标记图像衍生特征的输入、利用包括针对多种细胞培养确定的无标记图像衍生特征的值和指示细胞状态转变的一个或多个指标的相应值的训练数据训练统计模型来预测指示细胞状态转变的一个或多个指标而获得的。指示细胞状态的一个或多个指标的相应值可以是测量值或者是从确定无标记图像衍生特征的细胞培养的测量值得出的指标。多种细胞培养可以是使用基本方案和定义干预措施的一个或多个过程参数中的至少一个参数的多个值进行的。其中多个值可以与包含候选值的相应范围相关。基本方案可以与定义干预措施的多个参数中的每一个的默认值相关。统计模型可以是通过利用包括针对多种细胞培养确定的无标记图像衍生特征的值和指示细胞状态转变的一个或多个指标的相应值的训练数据训练统计模型，以基于包括无标记图像衍生特征在内的输入(即预测特征、预测变量)来预测指示细胞状态转变的一个或多个指标而获得的，其中多种细胞培养是使用基本方案和定义干预措施的一个或多个参数中的至少一个参数的默认值进行的。17、根据第二方面，本文提供了一种控制细胞培养过程的方法，该方法包括执行根据第一方面的任意实施方案的监测细胞培养的方法，以及使用预测的多组指示细胞状态转变过程的一个或多个指标针对至少一种干预措施从多个候选值中选择候选值。该方法还可以包括执行控制操作以实施至少一种干预措施。该方法可以具有关于第一方面描述的任何特征。18、根据第三方面，本文提供了一种提供已经历细胞状态转变的细胞群的方法，该方法包括：在适合细胞进行细胞状态转变的条件下培养细胞群；以及使用第一方面的任意实施方案的方法监测细胞群。该方法还可以包括选择干预措施并执行一个或多个控制操作以基于指示细胞状态转变的预测指标来实施干预措施。因此，该方法可以包括使用预测的多组指示细胞状态转变过程的一个或多个指标来针对至少一种干预措施从多个候选值中选择候选值和/或实施一个或多个控制操作以实施至少一种干预措施。预测的指示细胞状态转变的指标可以用于确定要执行的一种或多种干预措施和/或要采取的一种或多种控制操作以实现该一种或多种干预措施。控制操作的示例包括向细胞培养中添加化合物或组合物(例如效应物，如生长因子、细胞因子、抑制剂等)、改变培养基、改变细胞的物理环境的一个或多个特征，以及改变细胞的生化环境的一个或多个特征，以及可以采取来改变细胞群的环境并且可以影响细胞状态转变的任何其他操作。在实施方案中，可预先确定(例如，在基本方案中指定)可能影响细胞状态转变的一种或多种化合物或组合物的特性和添加顺序，并根据预测的指示细胞状态转变的一个或多个指标动态确定一种或多种所述化合物或组合物的添加时间和/或浓度。这可能特别有用，因为可以使用已知的控制操作序列在细胞培养中获得许多细胞状态转变过程，但是对于细胞群和期望的细胞状态转变结果来说最佳的控制操作的精确参数可能会因细胞群的遗传背景等因素而有所不同。19、因此，根据第四方面，本文还描述了一种控制细胞培养过程以获得细胞群中期望的细胞状态转变的方法，该方法包括：使用第一方面的任意实施方案的方法监测细胞群；基于预测的指示细胞状态转变的指标来确定一种或多种干预措施。该方法还可以包括在适合细胞进行细胞状态转变的条件下培养细胞群。该方法还可包括实施所确定的一个或多个控制操作。20、本文描述的方法可用于生产用于治疗(包括细胞疗法和基于组织的疗法)、用于组织工程、用于药物筛选、用于疾病建模或用于安全药理学的细胞。本文描述的方法可用于细胞培养的恒定/重复监测、细胞培养的响应控制、以及作为关于质量控制或控制步骤的决策的准确基础。此外，任何这样的控制步骤及其结果都可以被记录并与该方法的预测结果一起使用，作为细胞培养过程的持续改进的基础。21、根据本公开的第五方面，本文提供了一种用于提供工具以监测细胞培养过程中的细胞群的方法，其中该细胞培养过程与用于获得细胞状态转变的基本方案相关，该基本方案包括通过一个或多个过程参数定义的一种或多种干预措施，该方法包括以下步骤：获得在多种细胞培养过程中的一个或多个时间点通过无标记成像获取的细胞群的多个图像，其中无标记成像是提供有关细胞、细胞结构或细胞组的空间构型的信息的成像技术，或通过处理所述多个图像获得的无标记图像衍生特征的值，以及指示每个细胞培养过程中细胞群的细胞状态转变的一个或多个指标的测量值；22、可选地，处理一个或多个图像以获得一个或多个无标记图像衍生特征；23、训练统计模型来预测指示细胞群中细胞状态转变的一个或多个指标，其中统计模型使用包括无标记图像衍生特征在内的输入并提供指示细胞状态转变的一个或多个指标作为输出，其中指示细胞群中的细胞状态转变的指标是表征细胞群中发生的细胞状态转变过程的进展和/或结果的指标；24、使用该经过训练的统计模型来针对至少一种干预措施的一个或多个过程参数中的至少一个过程参数的多个候选值预测指示细胞状态转变过程的一个或多个指标，以获得多组指示细胞状态转变过程的一个或多个指标，以及25、确定应用于预测的多组指示细胞状态转变过程的一个或多个指标的一个或多个标准，以确定候选值是否适合实现细胞状态转变。本方面的方法可以具有关于第一方面的任意实施方案描述的任何特征。多种细胞培养过程可以包括使用相同的基本方案以及与基本方案中的一种或多种干预措施相关的多个过程参数的多个值进行的细胞培养过程。例如，多个候选值可以包括一种或多种干预措施的多个时间点和/或向细胞培养基添加一种或多种效应物的多个浓度。26、根据第六方面，本文提供了一种用于监测细胞培养和/或用于提供工具以监测细胞培养和/或提供已经历细胞状态转变的细胞群和/或控制细胞培养的系统。该系统包括：至少一个处理器；至少一个非暂时性计算机可读介质，其包含指令，当由至少一个处理器执行指令时，使得至少一个处理器执行本文描述的任何方面的任意实施方案的方法。该系统可以包括以下一项或多项：细胞培养环境(例如培养箱)、一个或多个传感器(例如一个或多个无标记成像装置)、以及一个或多个效应器(例如一个或多个液体处理系统)。27、根据另一方面，本文提供了一种非暂时性计算机可读介质，其包括指令，当由至少一个处理器执行执行时，使得至少一个处理器执行本文描述的任何方面的任意实施方案的方法。28、根据另一方面，本文提供了一种包括代码的计算机程序，当该代码在计算机上执行时，使得计算机执行本文描述的任何方面的任意实施方案的方法。