美国FDA于2024年 11 月 18 日发布了一份题为“Frequently Asked Questions —— Developing Potential Cellular and Gene Therapy Products”的指南草案。其中提到在IND中，申报方应描述与产品性能相关的质量属性，包括DS（Drug Substance）、DP(Drug Product)、中间体和辅料的属性。 这些质量属性包括产品的物理化学或生物学特性，例如用于确定剂量单位的强度、基因型或表型变异、生物活性或效力、免疫活性。

国际细胞治疗协会(ISCT)向科学界提供一套基于“侵入性”技术的生物学标准，用于定义研究目的的MSC（间充质干细胞），由于 MSC 固有的异质性（由MSC供体、批次和克隆之间的差异引起），这些关键治疗功能的功效很难预测。

美国FDA生物制品评价与研究中心细胞和基因治疗部Steven R. Bauer 博士认为MSC形态学亚群对应拥有不同的功能（免疫抑制、分化），应当将形态学特征补充进特定生物学功能和临床效力中的评估和预测指标，以更好地解决MSC 异质性相关的问题。

目前针对MSC表征和生物学效力的测定包含了形态学、表面标志物、分化潜能免疫调节能力、分泌特定细胞因子、表达特定基因和/或蛋白等。首先形态学分析还处于基础的人工定性判断，此外其它的测定均属于侵入性的检测方法（如FCM，qPCR，WB等），样本需要进行消化，固定，孵育抗体等侵入性过程，造成细胞被污染、破坏等现象的发生，整个流程存在检测周期长、成本高、操作复杂等缺点，同时伴随着检测样本（区域化）与实际使用产品（整体化）不同，及受不同操作人员的差异化带来的结果不稳定等因素制约，难以适应产业化制备需求。

基于细胞形态学的非侵入性细胞质量在线监测和分析平台，完美地结合了数字化智能化细胞生产线。不仅可以降低人力参与程度，提高生产流程的智能化水平，也可以提供大量的细胞形态学分析结果，预测其生物学功能以及临床治疗效果，为传统的质量检测方式提供辅助评估，实现生产合格的细胞等同于临床有效的细胞。

（图1 非侵入性细胞质量在线监测和分析平台与细胞数智化产线结合实例）

基于AI深度学习的视觉细胞分割模型，可以通过明场图像直接预测细胞及细胞核轮廓，进而获得细胞物理形态特征。模型的训练图像累计超过36400张，涵盖不同参数的图像，例如倍数、是否相差、曝光强度、细胞汇合度，以增强模型的泛化性。基于AI机器学习的细胞生物学特征预测模型，可以通过明场图像直接预测细胞的生物学特征，包括表面标志物、表达特定基因和蛋白、免疫抑制功能，其底层逻辑是通过细胞的形态学特征与生物学特征的非线性拟合关系。

（图2 深度学习模型工作流程）