Zellsortierer mit künstlicher Intelligenz Zellen per Zeitlupenkamera identifizieren
Anbieter zum Thema
Zellen sind keine starren Körper, sondern mal mehr und mal weniger flexibel. Dies nutzen MPI-Forscher für eine neue Methode der Zellsortierung aus. Sie haben ein spezielles Durchflusszytometer entwickelt, welches Zellen ohne vorherige Fluoreszenzmarkierung identifizieren kann: anhand ihrer Verformung. Eine Highspeed-Kamera und künstliche Intelligenz machen es möglich.

Erlangen – In Medizin und Biologie besteht ein großes Interesse an effizienten und kostengünstigen Methoden zur Identifizierung und Trennung verschiedener Zelltypen, beispielsweise für die medizinische Diagnostik oder für regenerative Therapien mithilfe von Stammzellen. Bislang wird dazu meist die sogenannte Durchflusszytometrie verwendet, bei der Zellen mit fluoreszierenden Antikörpern markiert und beim Durchfluss durch einen Kanal identifiziert werden.
Diese Methode hat jedoch ihre Schwachstellen: Sie ist nicht nur relativ teuer und zeitintensiv, sondern auch die Antikörper selbst sind problematisch. Da sie körperfremd sind, können sie die Eigenschaften der Zellen, an die sie andocken, verändern und etwa bei einer Injektion in den Körper Schwierigkeiten bereiten. Auch ist die Identifikation von Zellen bei der Durchflusszytometrie nicht immer fehlerfrei.
Verformbarkeit als Erkennungsmerkmal
Als zusätzliches Unterscheidungsmerkmal lassen sich deshalb physikalische Eigenschaften der Zellen nutzen: Aufgrund des Zytoskeletts, eines feinen Netzwerks von Filamenten in der Zellstruktur, besitzt jede Zellart charakteristische mechanische Eigenschaften wie etwa Form, Größe und insbesondere die Verformbarkeit.
Ein Forscherteam um Prof. Dr. Jochen Guck, Direktor am Max-Planck-Institut für die Physik des Lichts, hat darauf aufbauend vor einigen Jahren eine neue Technik entwickelt: Die Echtzeit-Verformungszytometrie (real-time deformability cytometry, kurz: RT-DC). Dabei wird eine Zelllösung durch einen transparenten schmalen Kanal gedrückt, dessen Durchmesser kleiner ist als der eines Haares. Die Zellen werden dabei unbeschadet in die Länge gezogen und der Grad der Verformung lässt eine Zuordnung zu einem bestimmten Zelltyp zu.
:quality(80)/images.vogel.de/vogelonline/bdb/1673400/1673492/original.jpg)
Röntgenmikroskopie von Zellorganellen
Nanopartikel erschöpfen Zellen
Zeitlupenkamera erlaubt Echtzeitauswertung
Die Zuordnung der Zelltypen erfolgt mithilfe der Aufnahmen einer Highspeed-Kamera, die die verformten Zellen im Kanal mit 2000 bis 4000 Bildern pro Sekunde aufnimmt. Das ist vergleichbar z.B. mit Videos, in denen das Platzen eines Luftballons in Zeitlupe beobachtet werden kann.
Die Bilder werden mit einer speziellen Software ausgewertet, die bestimmte, vorher definierte Zelleigenschaften in Echtzeit auswertet. Diese Echtzeitauswertung, ist die Basis für die erste Neuheit: Denn sie ermöglicht es, die Zellen nach der Identifizierung gezielt in einen Sammelkanal abzulenken. So können Zellen erstmals auch aufgrund ihrer Verformbarkeit sortiert werden.
Künstliche Intelligenz hilft beim sortieren
Eine weitere Neuheit liegt darin, RT-DC mit künstlicher Intelligenz zu kombinieren: Mit hunderttausenden Bildern einzelner Zellen lässt sich ein neuronales Netzwerk darauf trainieren, verschiedene Zelltypen zu erkennen. In bisher nicht erreichter Geschwindigkeit kann der KI-Algorithmus dann Zellen identifizieren und ebenfalls in Echtzeit nach Wunsch sortieren.
Guck vergleicht diesen Ansatz mit der Stärke von Google: „Wenn Katzenbesitzer im Internet Millionen von Katzenfotos posten und dazu etwas schreiben wie ‚meine Katze‘, wird der Suchalgorithmus anhand des Bilds und des Kommentars darauf trainiert, die Eigenschaften zu erkennen, die eine Katze ausmachen. Wenn dann jemand nach ‚Katze‘ googelt, kann der Algorithmus durch das Training eines neuronalen Netzwerks die Bilder mit Katzeneigenschaften identifizieren und aus allen anderen Haustierfotos herausfiltern.“
Ähnlich verhält es sich mit der neuen Methode der Forschergruppe um Guck: Da die Fluoreszenzmoleküle so ausgewählt werden, dass sie nur an bestimmte Zellen andocken, entspricht das Aufleuchten eines Fluoreszenzmoleküls quasi dem Kommentar „meine Katze“. Das Foto der Zelle mit all ihren Eigenschaften entspricht dem Katzenbild. So lernt das neuronale Netzwerk, dass ein Aufleuchten mit einem bestimmten Zelltyp verbunden ist und kann eine Verbindung zum dazugehörigen Foto der Zelle herstellen. Wurde das neuronale Netzwerk durch den Fluoreszenzmarker ausreichend auf einen Zelltyp trainiert, kann der Marker schließlich ganz weggelassen werden und der Zelltyp wird auch ohne Fluoreszenz erkannt, genauso wie der Google-Algorithmus gelernt hat, unabhängig von Kommentaren Katzen zu erkennen.
Zellen so analysieren, wie sie sind
Die neue Methode hat den MPI-Forschern zufolge viele Vorteile: So fällt nach dem Training des neuronalen Netzwerks die zeit- und kostenintensive Floureszenz-Markierung zur Identifizierung weg und die Zellen werden nicht mehr durch körperfremde Moleküle verändert. Dann reichen die von der Highspeed-Kamera geschossenen Bilder aus, um die Zellen zu identifizieren.
Dieses Vorgehen ist sehr zellschonend, verändert die Zelleigenschaften nicht und kann bis zu 1000 Zellen pro Sekunde analysieren. Künstliche Intelligenz für Echtzeit-Verformungszytometrie anzuwenden, bietet eine weitere Erleichterung: Es müssen nicht vorher schon die Parameter definiert werden, anhand derer sich die Zelle erkennen oder eine Zellveränderung durch Krankheiten o.ä. festmachen lässt. Man kann die KI entscheiden lassen, anhand welcher Bildinformation Zellen am besten unterschieden werden können.
Ein ultimativer Zellsortierer?
Guck nennt die neu entwickelte Methode einen „ultimativen Zellsortierer“: Sie vereine die Genauigkeit der etablierten Erkennung über Fluoreszenz mit der Sensitivität der inhärenten mechanischen Zelleigenschaften und habe das Potential, als zukünftige Standardmethode Einzug in alle biologischen und biomedizinischen Labore zu halten.
In Zukunft sollen sich damit beispielsweise schnell, unbeschadet und unverändert blutbildende Stammzellen aus einer Probe gewinnen lassen, die dann einem Chemotherapie-Patienten zum Wiederaufbau des Immunsystems injiziert werden können.
Originalpublikation: Ahmad Ahsan Nawaz, Marta Urbanska, Maik Herbig, Martin Nötzel, Martin Kräter, Philipp Rosendahl, Christoph Herold, Nicole Toepfner, Markéta Kubánková, Ruchi Goswami, Shada Abuhattum, Felix Reichel, Paul Müller, Anna Taubenberger, Salvatore Girardo, Angela Jacobi, Jochen Guck: Intelligent image-based deformation-assisted cell sorting with molecular specificity, Nature Methods, 25 May 2020, DOI: 10.1038/s41592-020-0831-y
* Dr. D. Burggraf, Max-Planck-Institut f.d.Physik des Lichts, 91058 Erlangen
(ID:46611188)