Growing evidence implicates the importance of glia, particularly astrocytes, in neurological and psychiatric diseases. Here, we describe a rapid and robust method for the differentiation of highly pure populations of replicative astrocytes from human induced pluripotent stem cells (hiPSCs), via a neural progenitor cell (NPC) intermediate. We evaluated this protocol across 42 NPC lines (derived from 30 individuals). Transcriptomic analysis demonstrated that hiPSC-astrocytes from four individuals are highly similar to primary human fetal astrocytes and characteristic of a non-reactive state. hiPSC-astrocytes respond to inflammatory stimulants, display phagocytic capacity, and enhance microglial phagocytosis. hiPSC-astrocytes also possess spontaneous calcium transient activity. Our protocol is a reproducible, straightforward (single medium), and rapid (<30 days) method to generate populations of hiPSC-astrocytes that can be used for neuron-astrocyte and microglia-astrocyte co-cultures for the study of neuropsychiatric disorders.

SUMMARY Growing evidence implicates the importance of glia, particularly astrocytes, in neurological and psychiatric diseases. Here, we describe a rapid and robust method for the differentiation of highly pure populations of replicative astrocytes from human induced pluripotent stem cells (hiPSCs), via a neural progenitor cell (NPC) intermediate. Using this method, we generated hiPSC-derived astrocyte populations (hiPSC-astrocytes) from 42 NPC lines (derived from 30 individuals) with an average of ∼90% S100β-positive cells. Transcriptomic analysis demonstrated that the hiPSC-astrocytes are highly similar to primary human fetal astrocytes and characteristic of a non-reactive state. hiPSC-astrocytes respond to inflammatory stimulants, display phagocytic capacity and enhance microglial phagocytosis. hiPSC-astrocytes also possess spontaneous calcium transient activity. Our novel protocol is a reproducible, straightforward (single media) and rapid (<30 days) method to generate homogenous populations of hiPSC-astrocytes that can be used for neuron-astrocyte and microglia-astrocyte co-cultures for the study of neuropsychiatric disorders. ABBREVIATIONS hiPSC human induced pluripotent stem cell NPC neural progenitor cell

Summary Amyotrophic lateral sclerosis (ALS) is a devastating condition with very limited treatment options. It is a heterogeneous disease with complex genetics and unclear etiology, making the discovery of disease-modifying interventions very challenging. To discover novel mechanisms underlying ALS, we leverage a unique platform that combines isogenic, induced pluripotent stem cell (iPSC)-derived models of disease-causing mutations with rich phenotyping via high-content imaging and deep learning models. We introduced eight mutations that cause familial ALS (fALS) into multiple donor iPSC lines, and differentiated them into motor neurons to create multiple isogenic pairs of healthy (wild-type) and sick (mutant) motor neurons. We collected extensive high-content imaging data and used machine learning (ML) to process the images, segment the cells, and learn phenotypes. Self-supervised ML was used to create a concise embedding that captured significant, ALS-relevant biological information in these images. We demonstrate that ML models trained on core cell morphology alone can accurately predict TDP-43 mislocalization, a known phenotypic feature related to ALS. In addition, we were able to impute RNA expression from these image embeddings, in a way that elucidates molecular differences between mutants and wild-type cells. Finally, predictors leveraging these embeddings are able to distinguish between mutant and wild-type both within and across donors, defining cellular, ML-derived disease models for diverse fALS mutations. These disease models are the foundation for a novel screening approach to discover disease-modifying targets for familial ALS.

Whereas highly penetrant variants have proven well-suited to human induced pluripotent stem cell (hiPSC)-based models, the power of hiPSC-based studies to resolve the much smaller effects of common variants within the size of cohorts that can be realistically assembled remains uncertain. In developing a large case/control schizophrenia (SZ) hiPSC-derived cohort of neural progenitor cells and neurons, we identified and accounted for a variety of technical and biological sources of variation. Reducing the stochastic effects of the differentiation process by correcting for cell type composition boosted the SZ signal in hiPSC-based models and increased the concordance with post mortem datasets. Because this concordance was strongest in hiPSC-neurons, it suggests that this cell type may better model genetic risk for SZ. We predict a growing convergence between hiPSC and post mortem studies as both approaches expand to larger cohort sizes. For studies of complex genetic disorders, to maximize the power of hiPSC cohorts currently feasible, in most cases and whenever possible, we recommend expanding the number of individuals even at the expense of the number of replicate hiPSC clones.

Abstract Monoclonalization refers to the isolation and expansion of a single cell derived from a cultured population. This is a valuable step in cell culture so as to minimize a cell line’s technical variability downstream of cell-altering events, such as reprogramming or gene editing, as well as for processes such as monoclonal antibody development. However, traditional methods for verifying clonality do not scale well, posing a critical obstacle to studies involving large cohorts. Without automated, standardized methods for assessing clonality post-hoc , methods involving monoclonalization cannot be reliably upscaled without exacerbating the technical variability of cell lines. We report the design of a deep learning workflow that automatically detects colony presence and identifies clonality from cellular imaging. The workflow, termed Monoqlo, integrates multiple convolutional neural networks and, critically, leverages the chronological directionality of the cell culturing process. Our algorithm design provides a fully scalable, highly interpretable framework, capable of analyzing industrial data volumes in under an hour using commodity hardware. In the present study, we focus on monoclonalization of human induced pluripotent stem cells (HiPSCs) as a case example. Monoqlo standardizes the monoclonalization process, enabling colony selection protocols to be infinitely upscaled while minimizing technical variability.