Microscopy is a central method in life sciences. Many popular methods, such as antibody labeling, are used to add physical fluorescent labels to specific cellular constituents. However, these approaches have significant drawbacks, including inconsistency; limitations in the number of simultaneous labels because of spectral overlap; and necessary perturbations of the experiment, such as fixing the cells, to generate the measurement. Here, we show that a computational machine-learning approach, which we call "in silico labeling" (ISL), reliably predicts some fluorescent labels from transmitted-light images of unlabeled fixed or live biological samples. ISL predicts a range of labels, such as those for nuclei, cell type (e.g., neural), and cell state (e.g., cell death). Because prediction happens in silico, the method is consistent, is not limited by spectral overlap, and does not disturb the experiment. ISL generates biological measurements that would otherwise be problematic or impossible to acquire.

Abstract Cerebral organoids provide unparalleled access to human brain development in vitro. However, variability induced by current culture methodologies precludes using organoids as robust disease models. To address this, we developed an automated Organoid Culture and Assay (ORCA) system to support longitudinal unbiased phenotyping of organoids at scale across multiple patient lines. We then characterized organoid variability using novel machine learning methods and found that the contribution of donor, clone, and batch is significant and remarkably consistent over gene expression, morphology, and cell-type composition. Next, we performed multi-factorial protocol optimization, producing a directed forebrain protocol compatible with 96-well culture that exhibits low variability while preserving tissue complexity. Finally, we used ORCA to study tuberous sclerosis, a disease with known genetics but poorly representative animal models. For the first time, we report highly reproducible early morphological and molecular signatures of disease in heterozygous TSC+/− forebrain organoids, demonstrating the benefit of a scaled organoid system for phenotype discovery in human disease models.

ABSTRACT Demultiplexing methods have facilitated the widespread use of single-cell RNA sequencing (scRNAseq) experiments by lowering costs and reducing technical variations. Here, we present demuxalot : a method for probabilistic genotype inference from aligned reads, with no assumptions about allele ratios and efficient incorporation of prior genotype information from historical experiments in a multi-batch setting. Our method efficiently incorporates additional information across reads originating from the same transcript, enabling up to 3x more calls per read relative to naive approaches. We also propose a novel and highly performant tradeoff between methods that rely on reference genotypes and methods that learn variants from the data, by selecting a small number of highly informative variants that maximize the marginal information with respect to reference single nucleotide variants (SNVs). Our resulting improved SNV-based demultiplex method is up to 3x faster, 3x more data efficient, and achieves significantly more accurate doublet discrimination than previously published methods. This approach renders scRNAseq feasible for the kind of large multi-batch, multi-donor studies that are required to prosecute diseases with heterogeneous genetic backgrounds.

Abstract Cell death is an essential process in biology that must be accounted for in live microscopy experiments. Nevertheless, cell death is difficult to detect without perturbing experiments with stains, dyes or biosensors that can bias experimental outcomes, lead to inconsistent results, and reduce the number of processes that can be simultaneously labelled. These additional steps also make live microscopy difficult to scale for high-throughput screening because of the cost, labor, and analysis they entail. We address this fundamental limitation of live microscopy with biomarker-optimized convolutional neural networks (BO-CNN): computer vision models trained with a ground truth biosensor that detect live cells with superhuman, 96% accuracy more than 100 times faster than previous methods. Our models learn to identify important morphological characteristics associated with cell vitality without human input or additional perturbations, and to generalize to other imaging modalities and cell types for which they have no specialized training. We demonstrate that we can interpret decisions from BO-CNN models to gain biological insight into the patterns they use to achieve superhuman accuracy. The BO-CNN approach is broadly useful for live microscopy, and affords a powerful new paradigm for advancing the state of high-throughput imaging in a variety of contexts.

Abstract Cell death is a critical process that occurs normally in health and disease. However, its study is limited due to available technologies that only detect very late stages in the process or specific death mechanisms. Here, we report the development of a new fluorescent biosensor called genetically encoded death indicator (GEDI). GEDI specifically detects an intracellular Ca 2+ level that cells achieve early in the cell death process and marks a stage at which cells are irreversibly committed to die. The time-resolved nature of GEDI delineates a binary demarcation of cell life and death in real time, reformulating the definition of cell death. We demonstrate that GEDI acutely and accurately reports death of rodent and human neurons in vitro , and show GEDI enables a novel automated imaging platform for single cell detection of neuronal death in vivo in zebrafish larvae. With a quantitative pseudo-ratiometric signal, GEDI facilitates high-throughput analysis of cell death in time lapse imaging analysis, providing the necessary resolution and scale to identify early factors leading to cell death in studies of neurodegeneration.

Abstract Elevated expression of the complement component 4A (C4A) protein has been linked to an increased risk of schizophrenia (SCZ). However, there are few human models available to study the mechanisms by which C4A contributes to the development of SCZ. In this study, we established a C4A overexpressing neuroimmune cortical organoid (NICO) model, which includes mature neuronal cells, astrocytes, and functional microglia. The C4A NICO model recapitulated several neuroimmune endophenotypes observed in SCZ patients, including modulation of inflammatory genes and increased cytokine secretion. C4A expression also increased microglia-mediated synaptic uptake in the NICO model, supporting the hypothesis that synapse and brain volume loss in SCZ patients may be due to excessive microglial pruning. Our results highlight the role of C4A in the immunogenetic risk factors for SCZ and provide a human model for phenotypic discovery and validation of immunomodulating therapies.

Abstract Human-derived cortical organoids (hCOs) recapitulate cell diversity and 3D structure found in the human brain and offer a promising model for discovery of new gene therapies targeting neurological disorders. Adeno-associated viruses (AAVs) are the most promising vehicles for non-invasive gene delivery to the central nervous system (CNS), but reliable and reproducible in vitro models to assess their clinical potential are lacking. hCOs can take on these issues as they are a physiologically relevant model to assess AAV transduction efficiency, cellular tropism, and biodistribution within the tissue parenchyma, all of which could significantly modulate therapeutic efficacy. Here, we examine a variety of naturally occurring AAV serotypes and measure their ability to transduce neurons and glia in hCOs from multiple donors. We demonstrate cell tropism driven by AAV serotype and hCO donor and quantify fractions of neurons and astrocytes transduced with GFP as well as overall hCO health.