Wissenschaftler des Helmholtz Zentrums München haben einen neuen Ansatz gefunden, der einzelne Phasen des Zellzyklus mittels bildgebender Durchflusszytometrie besser sichtbar macht. Dabei ließen sie Fluoreszenzmarker weg und bedienten sich des maschinellen Lernens. Mit einer Bildverarbeitungssoftware extrahierten sie hunderte Merkmale aus Hellfeld- und Dunkelfeldbildern. Mit Hilfe dieser Daten können Algorithmen generiert werden, die die Zellen digital sortieren.

 

Bisher wurden Fluoreszenzstoffe benutzt, um die Zellen einer Zellzyklusphase zuzuordnen. Die Chemikalien schaden Zellen und verfälschen die Ergebnisse. Zusammen mit Kollegen vom Broad Institute of MIT and Harvard, USA, sowie von der Swansea University, der Newcastle University und dem The Francis Crick Institute, UK, haben Wissenschaftler am Institute of Computational Biology (ICB) des Helmholtz Zentrums München jetzt eine Alternative entwickelt.

 

„Wir haben zwei im Allgemeinen vernachlässigte Datenquellen - die Hell- und Dunkelfeldbilder - genutzt“, sagt Thomas Blasi, Doktorand am ICB und Erstautor der Veröffentlichung. „Die Auswertung dieser Daten konnten wir für maschinelles Lernen einsetzen“. Somit war es möglich, die Zellen nicht nur zu klassifizieren, sondern eine digitale Sortierung von hoher Spezifität zu erreichen. Das Helmholtz Zentrum München hat aufgrund der Ergebnisse nun gemeinsam mit dem Broad Institute ein Patent angemeldet. „Die computergestützte Klassifizierung von Zellen anhand großer Populationen von Zellbildern eröffnet neue Perspektiven. Sie könnte auch in vielen anderen Zusammenhängen, also nicht nur für Zellzyklen, Anwendung finden“, ergänzt Prof. Dr. Dr. Fabian Theis, Direktor des ICB.

 

Originalpublikation:

Blasi T. et al. (2016). Label-free cell cycle analysis for high-throughput imaging flow cytometry, Nature Communications. DOI: 10:1038/ncomms10256 (open access) .

 

Siehe auch:

http://www.helmholtz-muenchen.de/