Image Analysis Tools for Continuous Label-free Quantification of Proliferation and Adipogenic Differentiation of Mesenchymal Stem Cells

In der Welt der modernen Biologie versuchen Wissenschaftler ständig zu verstehen, wie Zellen wachsen und sich verändern. Zwei der wichtigsten Prozesse, die sie untersuchen, sind die Proliferation, was schlicht die Art und Weise ist, wie sich Zellen vermehren, um ihre Anzahl zu erhöhen, und die Differenzierung, bei der sich eine generische Zelle in eine spezialisierte verwandelt, wie zum Beispiel eine Fettzelle. Jahrzehntelang haben Forscher sich auf Methoden verlassen, die erfordern, dass das Experiment gestoppt wird, die Zellen getötet werden und sie mit farbigen Farbstoffen angefärbt werden, um zu sehen, was passiert. Während diese Methoden einen Schnappschuss liefern, sind sie destruktiv; sobald man die Zellen betrachtet, kann man sie nicht mehr erneut beobachten. Dies macht es schwierig, die glatte, kontinuierliche Geschichte zu verstehen, wie sich eine Zellpopulation im Laufe der Zeit entwickelt. Darüber hinaus können die Chemikalien, die verwendet werden, um Zellen sichtbar zu machen, die Zellen manchmal schädigen oder falsche Signale erzeugen, was zu ungenauen Zählungen führt.

Ein wachsendes Forschungsfeld wendet sich nun einem anderen Ansatz zu: Zellen zu beobachten, ohne sie überhaupt zu berühren. Durch den Einsatz fortschrittlicher Kameras und Computerprogramme können Wissenschaftler lebende Zellen beobachten, während sie wachsen und sich verändern, indem sie tausende von Bildern über Tage oder Wochen hinweg aufzeichnen, ohne jemals einen einzigen Tropfen Farbstoff hinzuzufügen. Diese „label-freie“ Methode verspricht eine klarere, ehrlichere Sicht auf das zelluläre Leben. Sie ist besonders wichtig für aufstrebende Industrien wie das kultivierte Fleisch, bei denen Wissenschaftler große Mengen an tierischem Fett und Muskelgewebe im Labor züchten müssen, sowie für die medizinische Forschung zu Adipositas und Diabetes, bei der das Verständnis des präzisen Zeitpunkts der Fettzellbildung entscheidend ist. Die Herausforderung bestand jedoch darin, Computer darauf zu trainieren, diese Zellen in den Bildern genau zu erkennen, da Zellen oft verklumpen und einander sehr ähnlich sehen.

In einer kürzlich durchgeführten Studie versuchten Forscher, zwei verschiedene Wege der Nutzung dieser label-freien Technologie zur Verfolgung von mesenchymalen Stammzellen zu testen, welche vielseitige Zellen sind, die in der Lage sind, sich in Fett zu verwandeln. Diese Zellen wurden sowohl von Menschen als auch von Schweinen entnommen, was das doppelte Interesse an der menschlichen Gesundheit und der Produktion von nachhaltigem Fleisch widerspiegelt. Das Team verglich zwei unterschiedliche Strategien. Die erste war ein integriertes Softwaresystem des Herstellers des Live-Zell-Bildgebungsgeräts, das darauf ausgelegt ist, einfach zu bedienen und direkt in das Mikroskop integriert zu sein. Die zweite war ein maßgeschneidertes Computermodell, das die Forscher selbst unter Verwendung eines leistungsstarken Open-Source-Tools namens Cellpose trainiert hatten, das dazu dient, Computern zu helfen, einzelne Zellen in komplexen Bildern zu „sehen“ und zu trennen.

Die Forscher züchteten diese Zellen im Labor, beobachteten sie bei der Vermehrung und leiteten sie dann dazu an, Fettzellen zu werden. Sie machten alle Stunden über mehrere Tage hinweg Bilder der Kulturen und erstellten so eine massive Bibliothek von Bildern, die die Zellen in jeder Phase ihres Lebens zeigen. Sie ließen dieselben Bilder dann sowohl durch die integrierte Software als auch durch ihr eigenes Modell laufen, um zu sehen, welches von beiden die Zellen genauer zählen und deren Wachstum besser messen konnte. Wenn es darum ging, die Zellen während ihrer Vermehrung zu zählen, funktionierten beide Methoden gut, hatten aber unterschiedliche Stärken. Die integrierte Software war exzellent darin, überfüllte Szenen zu handhaben, in denen die Zellen dicht gepackt waren, und lieferte selbst dann eine zuverlässige Zählung, wenn die Schale voll war. Das maßgeschneiderte Modell hingegen war überlegen bei geringeren Dichten, wo es einzelne Zellen klar unterscheiden und mit hoher Präzision zählen konnte, selbst wenn sie gerade erst anfingen zu wachsen.

Die Geschichte wurde interessanter, als die Zellen begannen, sich in Fett zu verwandeln. Während die Zellen differenzierten, begannen sie, sich mit Lipidtröpfchen zu füllen, winzigen Fettblasen innerhalb der Zelle. Die integrierte Software war sehr gut darin, diese reifen Fettzellen zu entdecken, da sie anders aussehen und einen höheren Kontrast aufweisen als die anderen Zellen. Sie konnte den Forschern sagen, wie viel der Schale von diesen reifen Fettzellen bedeckt war. Sie hatte jedoch Schwierigkeiten, die frühen Stadien des Prozesses zu erkennen, und übersah die Zellen, die gerade erst begonnen hatten, sich zu verändern, aber noch nicht genug Fett angesammelt hatten, um hervorzustechen. Das maßgeschneiderte Modell hingegen wurde darauf trainiert, die Form der Zellen selbst zu erkennen, nicht nur das Fett in ihnen. Dies ermöglichte es ihm, die allerersten Anzeichen der Differenzierung zu entdecken und Zellen zu identifizieren, die begannen, sich fest zu verpflichten, Fett zu werden, lange bevor sie voll ausgereift waren. Dies gab den Forschern eine frühere und detailliertere Sicht auf die Transformation.

Die Studie testete auch, ob diese Computermodelle über verschiedene Spezies und verschiedene Arten von Mikroskopen hinweg funktionieren könnten. Das maßgeschneiderte Modell, das ursprünglich mit Bildern von Schweinzellen trainiert worden war, konnte menschliche Zellen nicht automatisch erkennen, ohne neu trainiert zu werden, was verdeutlicht, dass diese Computerprogramme spezifische Beispiele benötigen, um zu lernen. Sobald die Forscher jedoch eine neue Version des Modells mit menschlichen Zellen trainierten, funktionierte es ebenso gut. Darüber hinaus bewiesen sie, dass diese Modelle nicht auf das spezifische High-Tech-Bildgebungssystem beschränkt waren, das im Labor verwendet wurde. Sie wandten ihre maßgeschneiderten Modelle erfolgreich auf Bilder an, die mit Standard-Manuell-Mikroskopen aufgenommen wurden, was zeigte, dass diese Technologie in vielen verschiedenen Laboren eingesetzt werden kann, nicht nur in solchen mit teurem, automatisiertem Equipment.

Eines der bedeutendsten Ergebnisse war die Fähigkeit, die verborgenen Variationen innerhalb einer einzelnen Kulturschale zu sehen. Da das Bildgebungssystem über die Zeit hinweg Bilder von vielen verschiedenen Stellen in der Schale aufnahm, konnten die Forscher sehen, dass Fettzellen nicht alle zur gleichen Zeit oder an den gleichen Orten entstanden. Einige Bereiche der Schale waren voller Fettzellen, während andere leer blieben. Diese Art von räumlicher Detailgenauigkeit wäre mit traditionellen Methoden, die meist nur ein einzelnes Bild aus der Mitte der Schale am Ende des Experiments aufnehmen, unmöglich gewesen. Die kontinuierliche Überwachung enthüllte auch, dass verschiedene Chargen von Zellen, selbst aus derselben Tierart, sich unterschiedlich verhielten. Einige Chargen wurden schnell und effizient zu Fettzellen, während andere Schwierigkeiten hatten – eine Variation, die entscheidend für die Produktion von konsistentem kultiviertem Fleisch oder für das Verständnis darüber, warum manche Menschen eher zu Adipositas neigen, sein könnte.

Letztendlich demonstrierte die Studie, dass die label-freie Bildgebung ein mächtiges Werkzeug ist, das die Notwendigkeit unordentlicher, destruktiver Färbeverfahren beseitigt. Sie erlaubt es Wissenschaftlern, den gesamten Lebenszyklus einer Zellpopulation in Echtzeit zu beobachten, vom Moment der Aussaat bis zum Moment, in dem sie sich zu spezialisierten Fettzellen entwickeln. Während die integrierte Software eine bequeme Plug-and-Play-Lösung bietet, die gut mit reifen Zellen funktioniert, bieten die maßgeschneiderten, trainierten Modelle ein Niveau an Flexibilität und Detailtiefe, das unübertroffen ist, da sie in der Lage sind, die frühesten Veränderungen zu erkennen und sich an verschiedene Zelltypen und Mikroskop-Setups anzupassen. Durch die Kombination dieser Ansätze können Forscher nun die Dynamik des Zellwachstums und der Fettbildung mit einer Klarheit verfolgen, die zuvor unerreichbar war, was neue Erkenntnisse sowohl für die medizinische Wissenschaft als auch für die Zukunft der Lebensmittelproduktion bietet. Alle in dieser Studie entwickelten Computermodelle wurden der Öffentlichkeit zur Verfügung gestellt, damit andere Wissenschaftler diese Werkzeuge für ihre eigene Forschung nutzen und verbessern können.