ML-guided robotic microinjection of single neurons in human brain organoids

Dit artikel presenteert een door machine learning geleid robotsysteem dat geautomatiseerde microinjectie van individuele cellen in menselijke hersenorganoiden mogelijk maakt, waardoor de hoge doorvoer en nauwkeurigheid van eerdere murine systemen worden overgenomen om de studie van menselijke hersenontwikkeling te versnellen.

De kern

Stel je voor dat je een gigantisch, levend stadsmodel hebt gebouwd van menselijke hersencellen. Dit heet een hersenorganoid. Het is een mini-hersenen in een flesje, gemaakt van stamcellen, dat zich ontwikkelt net als een echt menselijk brein in de baarmoeder. Wetenschappers gebruiken dit om te kijken hoe onze hersenen groeien, hoe ze werken en wat er misgaat bij ziektes.

Maar hier zit een groot probleem: dit mini-hersenen is een enorm drukke stad. Er wonen miljarden cellen, allemaal op elkaar gepakt. Als een onderzoeker één specifieke bewoner (een enkele cel) wil spreken, een vraag stellen of een cadeau (een stofje) geven, is dat als proberen één specifieke persoon te vinden in een drukke metro tijdens de spits, terwijl je blind bent.

Het oude probleem: De "handmatige" zoektocht
Vroeger deden onderzoekers dit met een heel dun glazen naaldje. Ze moesten met de hand, onder een microscoop, die naaldje naar de juiste cel sturen.

• Het nadeel: Dit is extreem moeilijk, traag en vereist een gouden hand. Een mens kan maar heel langzaam werken en raakt snel moe of ongeduldig. Het is alsof je probeert een speld te vinden in een hooiberg, terwijl je blinddoek op hebt en je hand trilt.

De nieuwe oplossing: De robot met een "AI-bril"
In dit artikel beschrijven de onderzoekers een revolutionaire nieuwe robot. Deze robot is uitgerust met een kunstmatige intelligentie (AI) die fungeert als een super-scherpe bril.

Hier is hoe het werkt, stap voor stap, met een paar leuke vergelijkingen:

1. De AI ziet alles: De robot kijkt door de microscoop en zijn "AI-bril" herkent direct waar de randen van het weefsel zijn. Het kan zelfs zien of een randje de "bovenkant" (apicaal) of de "onderkant" (basaal) van het mini-hersenen is. Dit is alsof de robot een GPS heeft die niet alleen de straten ziet, maar ook precies weet welke kant van de stad je in moet.
2. De robot is een acrobaat: Zodra de AI een doelwit heeft gevonden (bijvoorbeeld een jonge hersencel), beweegt de robotarm met een precisie die een mens nooit kan bereiken. Hij steekt het naaldje precies in die ene cel, zonder de buren te raken.
3. De "drijvende" stad: Soms beweegt het weefsel een beetje (door de trillingen van de naald of het leven van de cellen zelf). De oude robots zouden dan hun doel kwijtraken. Deze nieuwe robot heeft een real-time tracking-systeem. Het is alsof de robot een rubberen band om zijn doelwit heeft gelegd: als het doelwit verschuift, schuift de robot direct mee. Hij blijft altijd op de juiste plek, zelfs als het doelwit beweegt.

Wat hebben ze bereikt?
Met deze robot konden ze:

• Snelheid: Ze konden gemiddeld 1,76 cellen per seconde injecteren. Dat is als het verschil tussen het handmatig schrijven van een boek en het printen van een hele bibliotheek in een dag.
• Succes: De robot slaagde veel vaker dan mensen of oudere robots.
• Inzicht: Ze konden nu niet alleen cellen "merken" met een kleurtje, maar ook kijken hoe die cellen er precies uitzagen van binnen. Ze zagen bijvoorbeeld waar het "postkantoor" van de cel (het Golgi-apparaat) zat en hoe de cel zich verplaatste.

Waarom is dit belangrijk?
Stel je voor dat je wilt weten hoe een stad groeit. Je kunt de hele stad fotograferen (dat doen andere methodes), maar dan zie je niet hoe één persoon beslist om een huis te bouwen. Met deze robot kunnen onderzoekers nu één persoon in de stad "aanraken", een vraag stellen en kijken wat er gebeurt.

Dit opent de deur om:

• Te begrijpen hoe menselijke hersenen zich ontwikkelen.
• Ziektes zoals autisme of schizofrenie te bestuderen op het niveau van één enkele cel.
• In de toekomst medicijnen te testen die precies op de verkeerde cellen werken, zonder de rest van het brein te beschadigen.

Kortom:
De onderzoekers hebben een robot met een super-scherpe AI-bril gebouwd die het bijna onmogelijke werk doet: het vinden en aanraken van één enkele naald in een hooiberg van levend weefsel, en dat allemaal razendsnel en zonder fouten. Hierdoor kunnen we eindelijk de geheimen van onze eigen hersenen ontrafelen, één cel tegelijk.

Technische samenvatting

Probleemstelling

Human brain organoids (in vitro gekweekte 3D hersenweefsels) zijn krachtige modellen om de fysiologie, pathologie en evolutie van het menselijk brein te bestuderen. Een grote uitdaging in dit veld is echter het vermogen om individuele cellen binnen dit dichte en heterogene weefsel betrouwbaar te visualiseren en te manipuleren.

• Beperkingen van microinjectie: Microinjectie is een bewezen techniek om membraan-onbegaanbare stoffen direct in individuele cellen te brengen, wat essentieel is voor lijnvolging (lineage tracing), gen-editing en morfologische analyse. Echter, handmatige microinjectie is technisch zeer veeleisend, vereist grote vaardigheid en heeft een lage doorvoer (low-throughput).
• Moeilijkheid bij organoiden: Bestaande geautomatiseerde systemen zijn voornamelijk ontwikkeld voor muistissue. Het toepassen van deze systemen op menselijke organoiden is complexer vanwege de minder homogene structuur, de afwezigheid van scherpe randen en de dynamische aard van het weefsel, wat handmatige targeting bijna onmogelijk maakt voor grootschalige studies.

Methodologie

De auteurs hebben een visie-gestuurd robotsysteem ontwikkeld dat gebruikmaakt van machine learning (ML) om microinjectie in intacte weefsels te automatiseren. Het systeem bestaat uit de volgende componenten en stappen:

1. Hardware:

   • Een gemotoriseerde XYZ-pipetmanipulator geïntegreerd in een standaard omgekeerde epi-fluorescentiemicroscoop.
   • Een computergestuurde drukregelaar voor het nauwkeurig controleren van de injectiedruk.
   • Een motorisch XYZ-stadium om het weefsel onafhankelijk van de pipet te manipuleren.

2. Software en Machine Learning:

   • Pipetdetectie: Een YOLOv5-neuraal netwerk detecteert in real-time de positie (X, Y) en de focusstatus (Z: "onder", "in" of "boven" het brandpunt) van de pipettip.
   • Weefselsegmentatie: Een U-Net-model segmenteert het weefsel van de achtergrond.
   • Randclassificatie: Een algoritme analyseert de kromming (concaviteit) van de gedetecteerde randen om te onderscheiden tussen apicale (holle) en basale (bolle) oppervlakken. Dit is cruciaal voor het bepalen waar de injectie moet plaatsvinden.
   • Kalibratie: Het systeem kalibreert de beweging van de pipet in 3D-cartesiaanse coördinaten naar 2D-pixelcoördinaten in het beeldveld met een nauwkeurigheid van <5 µm.
   • Weefseltracking: Om mechanische verschuivingen van het weefsel tijdens injectie te compenseren, wordt een real-time algoritme gebruikt dat op optische flow (optical flow) gebaseerd is. Dit update de injectiedoelen continu om de verschoven weefselranden te volgen.

3. Experimentele Opzet:

   • Gebruik van menselijke iPSC-afgeleide hersenorganoiden (WTC11 lijn) en embryonale muishersenslices (E14.5).
   • Slices van 250 µm dikte werden gemaakt.
   • Injectie van Dextran-Alexa-fluorescerende kleurstoffen (A488/A555) voor morfologische reconstructie.
   • Combinatie met immunofluorescentie (o.a. voor GRASP65, SOX2, Tbr1, Ctip2) om intracellulaire architectuur en celidentiteit te bepalen.

Belangrijkste Bijdragen

• Generaliseerbaarheid: Het systeem is getraind op muistissue maar werkt zonder hertraining succesvol op menselijke organoiden, ondanks de complexere en minder homogene structuur.
• Volledige Automatisering: Het systeem automatiseert het volledige proces: van beeldvorming, pipetfocussen, weefselranddetectie, doelannotatie tot en met de daadwerkelijke injectie.
• Real-time Compensatie: De implementatie van een algoritme voor het volgen van weefselverplaatsing (tissue displacement tracking) lost het probleem van drift op, wat essentieel is voor succesvolle injecties in levend weefsel.
• Schaalbaarheid: Het systeem maakt het mogelijk om cellen te targeten met een snelheid van gemiddeld 1,76 cellen per seconde, wat een enorme stijging is ten opzichte van handmatige methoden.

Resultaten

• Detectienauwkeurigheid: Het ML-model voor weefselsegmentatie en randclassificatie behaalde een F1-score, precisie en recall van >0,9, wat aantoont dat het systeem weefsels en randen zeer nauwkeurig herkent.
• Injectie-efficiëntie:
  • De ML-gestuurde autoinjector toonde een bijna tweevoudige toename in succespercentage voor injecties in neuronen vergeleken met de vorige versie van de robot (zonder ML-segmentatie) en handmatige injecties.
  • Handmatige microinjectie in individuele neuronen binnen dergelijk weefsel bleek niet haalbaar.
• Morfologische Reconstructie: Het systeem slaagde erin om de morfologie en intracellulaire architectuur van geïsoleerde neuronen en apicale progenitorcellen (APs) in menselijke organoiden te reconstrueren.
  • Er werd bijvoorbeeld de lokalisatie van het Golgi-apparaat (perinucleair in neuronen) in kaart gebracht.
  • Het was mogelijk om specifieke celtypen (zoals SOX2-positieve apicale progenitors in de ventriculaire zone) te targeten en hun lijn te volgen.
• Toepasbaarheid: Het systeem functioneerde zowel op muistissue als op menselijke organoiden, wat de robuustheid van de aanpak bevestigt.

Beteeknis en Impact

Deze studie opent nieuwe wegen voor het bestuderen van de menselijke hersenontwikkeling op celniveau.

• Functionele Interrogatie: In tegenstelling tot transcriptomics (zoals scRNA-seq of ruimtelijke transcriptomics), die vaak statische momentopnames bieden en cellen uit hun context halen, stelt deze technologie het mogelijk om cellen in situ functioneel te manipuleren en hun dynamiek te volgen.
• Lineage Tracing: Het maakt het mogelijk om de afstamming en het lot van individuele cellen tijdens de ontwikkeling van het menselijk brein in detail te reconstrueren.
• Brede Toepassing: Hoewel gericht op hersenorganoiden, kan de technologie worden uitgebreid naar andere complexe 3D-organoiden (zoals hart- of levermodellen) en andere weefsels met heterogene samenstellingen.
• Schaalbaarheid: Het overwinnen van de "low-throughput" barrière van microinjectie maakt grootschalige, systematische studies naar cellulaire dynamica en ziektemechanismen in menselijk weefsel mogelijk.

Kortom, de auteurs hebben een robuust, ML-gestuurd platform ontwikkeld dat de technische barrières voor single-cell manipulatie in menselijke organoiden wegneemt, waardoor een nieuwe generatie experimenten mogelijk wordt die de link legt tussen celidentiteit, morfologie en functie in een native weefselomgeving.