Automated Viability Estimation from Digital Holographic Microscopy: Validation on Heterogeneous Industrial Bioproduction Cultures

Deze studie introduceert en valideert een nieuw, labelvrij DHM-systeem dat de cellevensvatbaarheid in heterogene industriële bioprocessen nauwkeurig en zonder kalibratie kan voorspellen, waardoor niet-invasieve, multiparametrische bewaking voor geavanceerde bioproductie mogelijk wordt.

De kern

🧬 De Grote Uitdaging: Het "Kwaliteitscontrole" van Cellen

Stel je voor dat je een enorme fabriek hebt waar je medicijnen maakt. Maar in plaats van machines, gebruik je levende cellen (specifiek hamstercellen) als kleine fabriekjes. Deze cellen produceren de medicijnen.

Het grootste probleem in deze fabriek is dat je moet weten of de cellen nog gezond zijn. Als ze ziek worden of doodgaan, stopt de productie en is de hele batch medicijnen waardeloos.

Hoe doen ze dit nu?
Op dit moment moeten mensen handmatig een druppel vloeistof uit de tank nemen, het in een buisje doen, het verven met een giftige kleurstof en het onder een microscoop kijken.

• Het nadeel: Dit is langzaam, duur, en omdat je de tank moet openen, kun je per ongeluk bacteriën binnenlaten (besmetting). Het is alsof je elke dag een uur lang de fabriekstil moet stilleggen om te controleren of de machines nog werken.

🔍 De Nieuwe Oplossing: Een "Magische" Camera

De onderzoekers in dit papier hebben een slimme nieuwe manier bedacht om te kijken of de cellen gezond zijn, zonder ze aan te raken of te verven. Ze gebruiken een techniek genaamd Digitale Holografische Microscopie (DHM).

De Analogie: De "Gewichtsbalk" voor Cellen
Stel je voor dat je een cel op een weegschaal legt. Een gezonde cel is zwaar en stevig (vol met water en eiwitten). Een dode cel is als een leeg zakje: het is lichter en platter.

• Huidige methoden: Kijken alleen naar hoe helder of donker een cel is (alsof je kijkt of een auto nog brandt).
• Deze nieuwe methode (DHM): Kijkt naar hoe de cel het licht vertraagt. Een gezonde cel vertraagt het licht meer dan een dode cel. De camera maakt een "hologram" (een soort 3D-kaart) van de cel. Hieruit kunnen ze precies meten hoe "dik" en "zwaar" de cel is, zonder er ook maar één druppel verf aan toe te voegen.

🤖 De Slimme Software: De "Rechter"

Het probleem is dat cellen niet allemaal hetzelfde zijn. Sommige zijn groot, sommige klein, en ze veranderen van vorm naarmate ze ouder worden. Als je alleen naar één cijfer kijkt, kun je een gezonde cel per ongeluk voor een dode houden.

De onderzoekers hebben daarom een kunstmatige intelligentie (AI) getraind.

• De Analogie: Stel je voor dat je een rechter hebt die duizenden foto's van cellen heeft gezien. Deze rechter kijkt niet naar één kenmerk, maar naar een patroon.
  • Hij kijkt naar de grootte, de dikte, de helderheid en de textuur van alle cellen in één keer.
  • Hij maakt een "kaart" van de hele populatie. Als hij ziet dat de meeste cellen op de "gezonde" plek van de kaart staan, zegt hij: "Alles is goed."
  • Als hij ziet dat de cellen beginnen te verschuiven naar de "zieke" plek, waarschuwt hij: "Let op, de productie staat op het punt te zakken!"

🏭 De Test: Van de Lab naar de Grote Fabriek

Wat dit onderzoek zo speciaal maakt, is dat ze dit niet alleen in een klein, schoon lab hebben getest. Ze hebben het getest in echte, grote industriële fabrieken met:

1. Verschillende soorten cellen: Net zoals mensen verschillende gezichten hebben, hebben cellen verschillende vormen.
2. Verschillende vloeistoffen: De cellen zaten in verschillende soorten "voedsel".
3. Extreem hoge dichtheid: Ze hebben getest met tanks die zo vol zaten met cellen dat het leek op een drukke metro in de spits (100 miljoen cellen per milliliter!).

Het resultaat?
De nieuwe methode werkt net zo goed als de oude, dure handmatige methode, maar dan:

• Sneller: Geen wachttijden.
• Veiliger: Geen handmatige ingrepen, dus minder kans op besmetting.
• Beter: Het werkt zelfs als de tanks vol zitten.

🔮 De Toekomst: Voorspellen in plaats van Reageren

Het allercoolest aan deze technologie is dat het niet alleen zegt of de cellen dood gaan, maar ook wanneer ze dat gaan doen.

• De Analogie: Stel je voor dat je een auto hebt die een storing krijgt. De oude methode zegt pas "De auto is stuk" als de motor stopt. De nieuwe methode ziet de trillingen in de motor al dagen van tevoren en zegt: "Binnen 24 uur gaat de motor uit, start de reparatie nu!"
• In de fabriek betekent dit dat ze de productie kunnen aanpassen voordat de cellen sterven, waardoor ze meer medicijn kunnen maken.

💡 Samenvatting in één zin

De onderzoekers hebben een slimme, niet-invasieve camera met AI ontwikkeld die als een "super-rechter" fungeert: hij telt en controleert miljoenen cellen in een fabriekstank in real-time, zonder ze aan te raken, en waarschuwt de fabrieksleider voordat er iets misgaat.

Dit is een enorme stap voorwaarts om medicijnen goedkoper, sneller en veiliger te maken.

Technische samenvatting

Probleemstelling

In de bioproductie is cellevensvatbaarheid (viability) een kritieke parameter voor het bepalen van opbrengst en productkwaliteit. Huidige industriële praktijken vertrouwen echter nog steeds grotendeels op handmatige, offline assays (zoals trypanblauw-uitsluiting of fluorescentie met flowcytometrie). Deze methoden hebben ernstige beperkingen:

• Tijdsresolutie: Metingen worden meestal slechts elke 12-24 uur gedaan, waardoor kritieke gebeurtenissen (zoals apoptose of besmetting) onopgemerkt kunnen blijven.
• Risico's: Het nemen van monsters introduceert contaminatierisico's en vereist het gebruik van giftige kleurstoffen.
• Beperkingen bij hoge dichtheid: Bestaande automatische methoden (zoals optische dichtheid of biocapacitance) verliezen nauwkeurigheid bij hoge celconcentraties (>100 miljoen cellen/mL) door signaalsaturatie of gebrek aan specificiteit.
• Aanpassingsvermogen: Bestaande beeldvormingsmethoden zijn vaak getest onder gecontroleerde, homogene labomstandigheden en falen bij de grote variabiliteit van industriële processen (verschillende cel lijnen, media, en procesmodi).

Methodologie

De auteurs hebben een nieuw, label-vrij (label-free) pipeline ontwikkeld gebaseerd op Digitale Holografische Microscopie (DHM) om cellevensvatbaarheid automatisch te schatten.

1. Opname en reconstructie:

• Opstelling: Er werd gebruik gemaakt van een defocus-transmissiemicroscoop-configuratie waarbij de lichtbundel met zichzelf interfereert. Dit vereenvoudigt de optische opstelling (geen aparte referentie-arm) en maakt deze geschikt voor toekomstige inline/on-line implementatie.
• Reconstructie: Een geüpdatet algoritme combineert invers-probleem optimalisatie met kunstmatige neurale netwerken (CNN). Er worden twee aparte CNN's gebruikt: één voor fase-reconstructie (op basis van gesimuleerde data) en één voor absorptie-reconstructie (op basis van experimentele data). Dit verbetert de resolutie en reduceert fouten bij hoge celdichtheden.
• Segmentatie: Gebruik van het Cellpose-framework (diep leernetwerk) om individuele cellen te identificeren en te maskeren, zelfs in dichte populaties.

2. Levensvatbaarheidsalgoritme (Populatie-analyse):
In plaats van te vertrouwen op drempelwaarden voor individuele celkenmerken (wat faalt door variabiliteit tussen cel lijnen), analyseert het algoritme de populatie als geheel:

• Kenmerken: Er worden 10 single-cell kenmerken geëxtraheerd, waaronder gemiddelde optische padverschil (OPD), absorptie, diameter en granulairheid.
• 2D Histogram: De verdeling van cellen in de ruimte van 'OPD vs. Absorptie' wordt weergegeven als een 2D histogram.
• Peak Detectie: Een lokaal maximum-detectie-algoritme telt het aantal populaties (één of twee pieken).
  • Twee pieken: De scheidslijn tussen levend en dood wordt bepaald op basis van de piekposities (dode cellen hebben lagere OPD).
  • Één piek: Een voorspellende CNN (Prediction CNN) analyseert het histogram (inclusief combinaties van andere kenmerken) om te bepalen of de populatie overwegend levend of dood is.
• Onafhankelijkheid: Het algoritme werkt per tijdstip zonder kennis van eerdere of latere staten, wat essentieel is voor on-line monitoring.

3. Validatie:

• Dataset: Een zeer grote en heterogene dataset van 40 celculturen verzameld van drie industriële productielocaties en één academisch lab.
• Variabiliteit: Omvat 6 verschillende CHO-cel lijnen, 5 media-formuleringen, verschillende procesmodi (batch, fed-batch, perfusie) en dichtheden tot 100 miljoen cellen/mL.
• Referentie: Vergelijking met de industriële standaard Vi-CELL (Beckman Coulter) en flowcytometrie.

Belangrijkste Bijdragen

1. Generaliseerbaar algoritme: De eerste DHM-pipeline die is gevalideerd op een zo breed scala aan industriële condities zonder dat per proces kalibratie of parameter-tuning nodig is.
2. Hoge dichtheid: Succesvolle toepassing bij extreem hoge celdichtheden (tot 100 x 10^6 cellen/mL), een gebied waar veel bestaande sensoren falen.
3. Geavanceerde monitoring: Het gaat verder dan alleen levensvatbaarheid en toont aan dat DHM-data ook gebruikt kan worden voor het voorspellen van andere procesparameters.
4. Simpel ontwerp: Een kostenefficiënte, compacte optische opstelling die potentieel heeft voor miniaturisatie tot een inline-sensor.

Resultaten

• Nauwkeurigheid: Er is een hoge overeenkomst met Vi-CELL metingen.
  • Bij levensvatbaarheid tussen 90-100%: Afwijking van 1,8% ± 1,5%.
  • Over het volledige bereik (0-100%): Gemiddelde afwijking van 3,7% ± 5,7%.
• Hoge dichtheid: Bij kunstmatig gemengde populaties en echte perfusie-culturen (110 x 10^6 cellen/mL) bleef de nauwkeurigheid behouden, met een gemiddelde fout van 5,5% bij hoge dichtheden.
• Voorspelling IgG-titer: Een regressiemodel (Gradient Boosting) kon de concentratie van recombinant eiwit (IgG) voorspellen op basis van de DHM-kenmerken, met goede dynamische overeenkomst.
• Vroege detectie: Door analyse van de temporele evolutie van celkenmerken in een UMAP-ruimte (dimensiereductie), kon een vroege verschuiving in de celpopulatie worden gedetecteerd die voorafging aan de daling van de levensvatbaarheid. Dit biedt potentie voor vroegtijdige waarschuwingen.

Betekenis en Toekomstperspectief

Deze studie bewijst dat DHM een krachtige tool is voor de volgende generatie bioproductiecontrole. Het biedt een niet-invasieve, label-vrije en multiparametrische oplossing die de beperkingen van huidige handmatige methoden en indirecte sensoren overwint.

• Industriële impact: Het stelt bedrijven in staat om processen sneller te optimaliseren, harvest-tijdstippen nauwkeuriger te bepalen en productkwaliteit te waarborgen door continu monitoring.
• Toekomst: De volgende stap is de ontwikkeling van een fysieke inline/on-line sonde. De auteurs wijzen op technische uitdagingen (zoals het beheersen van de cel-laagdikte in de sensor om overlappende diffractiepatronen te voorkomen), maar benadrukken dat het ontwerp van de optische opstelling hiervoor geschikt is.
• Uitbreiding: Hoewel nu gefocust op CHO-cellen, kunnen de principes mogelijk worden toegepast op andere celtypen (HEK, insectencellen) en zelfs aanhechtende cellen.

Kortom, dit werk legt de basis voor een nieuwe standaard in bioprocesmonitoring die volledig geautomatiseerd, robuust en adaptief is voor complexe industriële omgevingen.