Real-time, automated, standardized, and transparent analysis of microfluidic nanoparticle data with RPSPASS

Deze studie introduceert RPSPASS, een softwaretoepassing voor geautomatiseerde, gestandaardiseerde en transparante analyse van microfluidische resistieve puls-sensordata van extracellulaire vesikels en nanopartikels, waarmee de nauwkeurigheid en rapportagekwaliteit worden verbeterd.

De kern

De Probleemstelling: Een naald in een hooiberg van onzichtbare balletjes

Stel je voor dat cellen in ons lichaam kleine, onzichtbare balletjes uitstoten. Deze worden extracellulaire vesikels (EV's) genoemd. Ze zijn zo klein (kleiner dan 150 nanometer), dat ze voor het menselijk oog onzichtbaar zijn. Wetenschappers willen deze balletjes graag tellen en meten, omdat ze belangrijke boodschappers zijn voor ziektes zoals kanker of hersenaandoeningen.

Het probleem is dat de huidige apparaten vaak als een ouderwetse weegschaal werken die niet precies genoeg is voor zo'n lichte last. Ze kunnen niet goed zien hoeveel balletjes er precies zijn, hoe groot ze zijn, of ze verwarren de echte balletjes met stofdeeltjes (ruis). Het is alsof je probeert te tellen hoeveel mieren er in een grote tuin lopen, terwijl je door een wazige bril kijkt en soms de mieren verward met steentjes.

De Oplossing: Een slimme, digitale "teller"

In dit artikel presenteren de onderzoekers een nieuwe software genaamd RPSPASS. Je kunt dit zien als een super-slimme bril of een digitale filter die je op de ruwe data van een bestaand apparaat (het nCS1-apparaat) zet.

Het apparaat zelf werkt volgens het "Coulter-principe": het telt deeltjes door ze door een heel klein gaatje te duwen en te meten hoeveel ze de elektrische stroom blokkeren. Het apparaat doet al het werk, maar de data die eruit komt, is vaak rommelig. RPSPASS is de software die die rommel opruimt.

Hoe werkt RPSPASS? (De 3 Sleutels)

De software lost drie grote problemen op met behulp van slimme trucs:

1. De "Kalibratie-Remedie" (Het meetlint corrigeren)
Stel je voor dat je een meetlint hebt dat door de hitte is uitgerekt. Als je er iets mee meet, is de maat niet waar. De onderzoekers voegen een bekende "standaard" toe aan hun monster: een paar balletjes van een exact bekende grootte (zoals een kalibratieballetje).

• De truc: De software kijkt naar deze bekende balletjes en zegt: "Oh, het apparaat zegt dat deze 240 nm zijn, maar we weten dat ze 240 nm moeten zijn. Het apparaat is dus net ietsje verkeerd afgesteld."
• Het resultaat: De software past live de metingen aan, alsof je het meetlint weer recht trekt. Hierdoor worden de metingen veel nauwkeuriger.

2. De "Stofzuiger" (Ruis verwijderen)
Tijdens het meten gebeurt er soms van alles: het gaatje in het apparaat raakt even verstopt, of er zit een stukje stof in het monster. Dit veroorzaakt "ruis" – alsof er ineens een olifant in de tuin loopt terwijl je mieren telt.

• De truc: RPSPASS kijkt naar de data en herkent patronen die niet logisch zijn (bijvoorbeeld een plotseling enorme piek of een vreemde snelheid).
• Het resultaat: De software gooit deze "storingen" er automatisch uit, net als een stofzuiger die alleen het stof weghaalt en de mieren (de echte data) intact laat.

3. De "Vergelijkbare Foto's" (Standaardiseren)
Als je foto's maakt van verschillende mensen met verschillende camera's, zijn de foto's niet met elkaar te vergelijken. Eén foto is misschien te donker, een andere te helder.

• De truc: De software zorgt ervoor dat alle monsters op precies dezelfde manier worden gemeten en "afgesneden" (gating).
• Het resultaat: Wetenschappers kunnen nu heel eerlijk zeggen: "Groep A heeft meer balletjes dan Groep B," zonder dat het verschil komt door een slechte meting.

Waarom is dit belangrijk?

Vroeger was het moeilijk om te zeggen: "Dit is een betrouwbare meting." Nu, met deze software, kunnen onderzoekers:

• Preciezer zijn: Ze zien de kleine balletjes die ze eerder misten.
• Betrouwbare data delen: Omdat de software alles in een standaard formaat zet (zoals een .fcs-bestand, dat ook in de bloedtesten wordt gebruikt), kunnen onderzoekers over de hele wereld hun data met elkaar vergelijken.
• Live kijken: Ze kunnen tijdens het meten al zien of het goed gaat, en zo nodig de instellingen direct aanpassen.

Conclusie

Kortom: De onderzoekers hebben een slimme, automatische assistent gebouwd voor een bestaand meetapparaat. Deze assistent zorgt ervoor dat de metingen van die onzichtbare, kleine celballetjes niet langer een gok zijn, maar een nauwkeurige, betrouwbare telling. Dit helpt artsen en wetenschappers om ziektes beter te begrijpen en sneller nieuwe behandelingen te vinden.

Technische samenvatting

Probleemstelling

Extracellulaire vesikels (EV's) en andere nanopartikels (<150 nm) zijn van groot belang voor diagnostiek, prognose en therapie. Het karakteriseren van deze deeltjes op het niveau van individuele deeltjes is echter een grote uitdaging vanwege hun kleine omvang.

• Tekort aan standaarden: Er ontbreekt een gouden standaard voor gelijktijdige meting van grootte en concentratie. Bestaande methoden (zoals optische flowcytometrie of NTA) hebben beperkingen in gevoeligheid of reproduceerbaarheid.
• Beperkingen van MRPS: Microfluidic Resistive Pulse Sensing (MRPS), commercieel beschikbaar via het nCS1-platform (Spectradyne), biedt hoge resolutie en doorvoer. Echter, de huidige analyse en rapportage van MRPS-data lijden onder gebrekkige automatisering.
  • Er is geen standaard voor het automatisch verwijderen van tijdstippen met tijdelijke verstoppingen (clogging).
  • Kalibratie van de diameter-as is vaak statisch en niet dynamisch, wat leidt tot meetdrift.
  • Data-exportformaten zijn niet compatibel met gevestigde flowcytometrie-software of openbare repositories, wat transparantie en cross-platform integratie belemmert.

Methodologie

De auteurs ontwikkelden RPSPASS (Resistive Pulse Sensing Post-Acquisition Analysis Software), een gratis, open-source applicatie geschreven in MATLAB, om de data-analyse van MRPS te stroomlijnen.

Kerncomponenten van de methodologie:

1. Dynamische Kalibratie: In plaats van één kalibratiefactor toe te passen, gebruikt RPSPASS een algoritme dat "spike-in" deeltjes (NIST-traceable beads) binnen het monster herkent. Het kalibreert de diameter-as dynamisch in korte tijdsintervallen (standaard 10 seconden) om meetdrift en chip-tot-chip variatie te corrigeren.
2. Geautomatiseerde Outlier-detectie en Gating: De software identificeert en verwijdert automatisch ruis en afwijkingen veroorzaakt door tijdelijke verstoppingen of drukveranderingen. Dit gebeurt via een pipeline die meerdere parameters test (zoals signaal-ruisverhouding, transitietijd en deeltjesaantallen) om de meest consistente gating-strategie te vinden.
3. Data-conversie en Export: RPSPASS converteert de originele .hdf5-bestanden naar diverse formaten, waaronder .csv, .mat en cruciaal .fcs. Het .fcs-formaat maakt het mogelijk om MRPS-data te analyseren met gevestigde flowcytometrie-software en te delen via repositories zoals FlowRepository.
4. Live Acquisition Interface: Een nieuwe interface die .h5-bestanden in real-time verwerkt tijdens de acquisitie. Dit stelt gebruikers in staat om direct gekalibreerde data, transitietijden en volume-metingen te visualiseren en de opnameparameters (zoals druk) direct aan te passen.
5. Standaardisatie: De software genereert gestandaardiseerde rapporten met QC-plots en een metadata-tabel (vergelijkbaar met MIFlowCyt-EV) om transparantie te waarborgen.

Experimentele opzet:

• Gebruik van DC2.4-cellen voor EV-productie en menselijk cerebrospinaal vocht (CSF).
• Vergelijking met Transmission Electron Microscopy (TEM), Flow Cytometry (FCM) en Nanoparticle Tracking Analysis (NTA).
• Testen van verschillende concentraties van spike-in deeltjes (240 nm) om de optimale drempel voor dynamische kalibratie te bepalen.

Belangrijkste Resultaten

1. Verbeterde Nauwkeurigheid en Precisie:
   • Dynamische kalibratie met RPSPASS verlaagde het verschil tussen de gemeten en gecertificeerde diameter van NIST-deeltjes tot minder dan 3 nm.
   • De standaardafwijking (precisie) nam aanzienlijk af door het corrigeren van meetdrift, wat statische kalibratie niet kon bereiken.
2. Optimalisatie van Spike-in Concentraties:
   • Voor betrouwbare dynamische kalibratie is een spike-in concentratie van >8x10⁸ deeltjes/mL aanbevolen om voldoende gebeurtenissen per interval te garanderen.
   • Bij lagere concentraties kan een enkele kalibratiefactor worden gebruikt, maar dit corrigeert geen drift en vermindert de precisie minder effectief.
3. Vergelijking met Andere Methoden:
   • MRPS (met RPSPASS) kon de bimodale verdeling van EV's (40-100 nm) beter oplossen dan flowcytometrie (beperkt tot ~85 nm) en NTA (inconsistent diameterverdeling).
   • TEM was de enige methode die de volledige verdeling volledig oploste, maar MRPS met RPSPASS leverde de meest betrouwbare kwantitatieve data.
4. Statistische Significantie in Cohort-analyse:
   • Bij analyse van CSF-monsters van twee donorgroepen toonde de standaard nCS1-output geen significante verschillen aan vanwege hoge variatie.
   • RPSPASS met dynamische kalibratie en cohort-gating onthulde echter een significant lager aantal deeltjes in groep 2 ten opzichte van groep 1, wat aantoont dat de software de statistische power verhoogt.

Bijdragen en Significatie

De paper introduceert een cruciale tool voor de EV-wereld die de barrières voor MRPS-data-analyse wegneemt:

• Transparantie en Standaardisatie: Door het genereren van gestandaardiseerde metadata en het gebruik van open bestandsformaten (.fcs), maakt RPSPASS cross-platform data-integratie en peer-review mogelijk.
• Hoge Doorvoer en Sensitiviteit: Het platform kan deeltjes tot ~55 nm detecteren en biedt een reproduceerbare methode voor hoge doorvoer, essentieel voor het karakteriseren van EV-heterogeniteit.
• Real-time Kwaliteitscontrole: De live-interface stelt onderzoekers in staat om tijdens de meting beslissingen te nemen, wat de kwaliteit van de data voor downstream-analyse verbetert.
• Toekomstperspectief: De auteurs benadrukken dat de combinatie van MRPS met andere orthogonale methoden (zoals fluorescentie-gedreven single-particle analyse) de specificiteit verder zal verhogen. RPSPASS vormt de basis voor het opbouwen van centrale repositories en atlassen waar inter-laboratorium data kan worden geaggregeerd en vergeleken.

Kortom, RPSPASS transformeert MRPS van een instrument met beperkte data-analyse-opties naar een robuust, gestandaardiseerd en transparant platform voor kwantitatieve nanopartikel-characterisatie.