Simulating Multi-Colour Single-Molecule Localisation Microscopy Using an RGB Camera

Dit artikel toont aan dat RGB-camera's een kosteneffectief en eenvoudig alternatief bieden voor meerkleurige super-resolutiemicroscopie, waarbij statistische fluorofore-discriminatie tot zes kleurstoffen met hoge precisie mogelijk maakt.

De kern

De Kleurrijke Oplossing voor Microscopie: Hoe een Gewone Camera Wonderen Kan Doen

Stel je voor dat je een heel klein, donker raam hebt waar je doorheen kijkt om de kleinste onderdelen van een levend wezen te zien. Wetenschappers gebruiken een speciale techniek, genaamd SMLM (Single-Molecule Localisation Microscopy), om deze kleine onderdelen, zoals eiwitten in een cel, tot in de puntjes te zien. Het probleem is echter: hoe zie je verschillende soorten onderdelen tegelijk?

Normaal gesproken is dit als proberen verschillende soorten muziek te horen in één kamer. Als je alles tegelijk afspeelt, wordt het een onbegrijpelijk geluid. Wetenschappers gebruiken daarom vaak dure, ingewikkelde apparatuur om de kleuren (de 'muziek') van elkaar te scheiden. Dit is echter traag, duur en lastig te bouwen.

De Nieuwe Idee: Een Gewone Kleurencamera
In dit artikel vertellen twee onderzoekers van de Universiteit van St Andrews over een slimme, goedkope oplossing. Ze gebruiken een simpele RGB-camera (zoals die in je telefoon of een gewone webcam) in plaats van een dure, speciale camera.

Hoe werkt dat?
Stel je voor dat je een groep mensen in een donkere zaal hebt. Iedereen draagt een ander kleur T-shirt, maar de lichten zijn zwak.

• De oude manier: Je hebt speciale brillen nodig om precies te zien wie rood, blauw of groen draagt.
• De nieuwe manier (deze paper): Je gebruikt een camera die rood, groen en blauw kan zien. Zelfs als de T-shirts een beetje op elkaar lijken (bijvoorbeeld lichtroze en rood), kan de camera kijken naar de exacte verhouding van de kleuren. Door te tellen hoeveel rood, groen en blauw licht er precies op de sensor valt, kan een computerprogramma (een soort slimme detective) met 98% zekerheid zeggen: "Aha! Dit is niet rood, dit is een specifieke tint roze!"

De Simulatie: Een Digitale Proef
Omdat ze nog geen nieuwe, dure microscopen wilden bouwen, bouwden ze een virtuele microscopie in de computer.

1. Ze namen 9 verschillende, bekende kleurstoffen (fluoroforen) die wetenschappers normaal gebruiken.
2. Ze lieten de computer berekenen hoeveel licht elke stof zou geven en hoe dat licht door de lenzen en de RGB-camera zou vallen.
3. Ze voegden zelfs 'ruis' toe, net als statische ruis op een oud televisiebeeld, om het echt te maken.

Wat Vonden Ze?
De resultaten waren verrassend goed:

• Zes kleuren tegelijk: Hun systeem kon zes verschillende kleurstoffen tegelijkertijd herkennen en van elkaar scheiden.
• Precisie: Ze konden de positie van de moleculen bepalen tot op 3 nanometer (dat is ongeveer 10.000 keer smaller dan een mensenhaar).
• Zelfs moeilijke paren: Zelfs twee kleurstoffen die er bijna hetzelfde uitzien (zoals twee verschillende soorten rood), konden ze perfect van elkaar onderscheiden.

De Grenzen
Natuurlijk is er een prijs. Als er te weinig licht is (alsof je in een heel donkere kamer probeert te kijken), wordt het moeilijker.

• Als de moleculen heel weinig licht geven, wordt het voor de computer lastiger om de kleur te raden.
• Als je te veel verschillende kleuren probeert te mengen (meer dan 6 of 9), beginnen de kleuren elkaar te overlappen en raakt de computer in de war.

Waarom is dit belangrijk?
Dit onderzoek laat zien dat je geen miljoenen euro's hoeft uit te geven aan ingewikkelde apparatuur om super-resolutie beelden te maken. Een simpele, goedkope RGB-camera, in combinatie met slimme software, kan net zo goed werken.

Het is alsof je merkt dat je met een simpele brilnetwerk (zoals een webcam) net zo goed kunt zien wat er in een microscopische wereld gebeurt als met een dure, professionele lens, zolang je maar weet hoe je de kleuren moet 'lezen'. Dit opent de deur voor veel meer laboratoria om deze geavanceerde techniek te gebruiken, waardoor we sneller en goedkoper de bouwstenen van het leven kunnen bestuderen.

Technische samenvatting

Probleemstelling

Single-Molecule Localisation Microscopy (SMLM) heeft de biologische beeldvorming revolutionair verbeterd door het mogelijk te maken om moleculaire complexen in situ op nanoschaal op te lossen. Een groot obstakel blijft echter het realiseren van snelle, toegankelijke en hoogwaardige multiplexing (het gelijktijdig visualiseren van meerdere doelen). Bestaande methoden hebben aanzienlijke nadelen:

• Spectrale imaging (bijv. straal splitsers): Beperkt tot maximaal drie doelen en vereist vaak een verkleind beeldveld (FoV).
• Geavanceerde optica (diffraction gratings/prisma's): Verhoogt de experimentele complexiteit aanzienlijk, waardoor deze alleen toegankelijk is voor gespecialiseerde laboratoria.
• Sequential imaging (bijv. DNA-PAINT): Maakt wel multiplexing van tot 30 doelen mogelijk, maar vereist ingewikkelde protocollen, DNA-ontwerp en leidt tot zeer trage beeldvormingssnelheden.
• Intrinsieke eigenschappen: Intensiteit-gebaseerde discriminatie is beperkt tot drie kleurstoffen, en levensduur-gebaseerde (lifetime) methoden zijn vaak beperkt tot confocale opstellingen en niet geschikt voor wide-field imaging.

Er is dus behoefte aan een kosteneffectieve, schaalbare oplossing die hoge multiplexing-capaciteit biedt zonder in te leveren op snelheid of experimentele complexiteit.

Methodologie

De auteurs hebben een realistisch simulatieframework ontwikkeld in Python om de prestaties van standaard RGB-camera's te evalueren voor multi-kleur SMLM. In plaats van monochrome sensoren, gebruiken RGB-camera's hun intrinsieke spectrale gevoeligheid (Rood, Groen, Blauw) voor statistische discriminatie van fluoroforen.

• Simulatieomgeving: Een virtuele microscoop werd nagebootst met een 100× objectief (NA 1.25), meerkleurige excitatiebronnen (488, 560, 642 nm), en specifieke optische componenten (penta-band dichroïde en quad-band emissiefilters).
• Fluoroforen: Negen commercieel verkrijgbare kleurstoffen werden geselecteerd met emissiemaxima tussen 519 nm en 682 nm.
• Fotonstatistiek: De simulatie incorporateerde experimenteel afgeleide fotonbudgetten (2.000 tot 23.000 fotonen per 100 ms), Poisson-verdeling voor fotonemissie, en ruismodellen (shot noise, read noise, dark current) gebaseerd op een FLIR Blackfly S RGB-camera.
• Classificatiestrategie:
  • De gemiddelde intensiteit in de R, G en B kanalen werd geëxtraheerd voor elke emitter.
  • Er werden "identificatiegebieden" gedefinieerd rond de verwachte intensiteitsverdelingen voor elke kleurstof (aanvankelijk 60% van de verdeling).
  • Een emitter werd toegewezen aan een kleurstof als zijn intensiteiten binnen het exclusieve identificatiegebied vielen. Emitters die in meerdere gebieden vielen of buiten de gebieden, werden als "onbekend" gemarkeerd.
• Locatiebepaling: De gesimuleerde beelden werden verwerkt met de ThunderSTORM-plugin in ImageJ (wavelet-filtering, Gaussische fitting) om de lokale precisie te bepalen.

Belangrijkste Bijdragen

1. Innovatieve Detectie: Het aantonen dat standaard industriële RGB-CMOS-camera's voldoende spectrale informatie bevatten om tot zes (en potentieel negen) fluoroforen gelijktijdig te onderscheiden, zelfs bij spectrale overlapping.
2. Statistische Discriminatie: Het introduceren van kleur als een extra meetdimension voor SMLM, geinspireerd door het menselijk visuele systeem, zonder de noodzaak van complexe optische splitsing.
3. Kosteneffectiviteit: Het bieden van een alternatief voor dure, gespecialiseerde spectrale imaging-systemen, waardoor hoogwaardige multiplexing toegankelijker wordt voor meer laboratoria.

Resultaten

De simulaties leverden de volgende kwantitatieve resultaten op:

• Classificatieprecisie: Bij een simulatie van zes kleurstoffen (o.a. AF488, AF647, AT488, Cy3B, CF660R, JF585) werd een gemiddelde classificatieprecisie van ~98% bereikt.
  • Vier kleurstoffen (AF488, AT488, Cy3B, JF585) werden met 100% precisie geclassificeerd, inclusief het perfect onderscheiden van spectraal zeer nabije paren zoals AT488 en AF488.
• Locatieprecisie: De gemiddelde lokale precisie bedroeg 3,19 nm. Cy3B presteerde hierin het beste met 1,78 nm.
• Robuustheid:
  • Het verkleinen van het identificatiegebied (van 60% naar 20%) verlaagde de precisie slechts licht (van 99,67% naar 95,53%), maar verhoogde het aantal "afstotende" (onbekende) detecties aanzienlijk (tot 95%), wat een conservatieve maar betrouwbare classificatie garandeert.
  • Het verhogen van het aantal kleurstoffen naar negen verlaagde de precisie naar 85,19% door toegenomen spectrale overlapping.
• Invloed van Fotonbudget: Bij een vijfvoudige reductie in het fotonbudget (relevant voor FRET of tracking) daalde de classificatieprecisie naar 73,70% en de locatieprecisie naar 5,77 nm. Dit onderstreept de gevoeligheid voor fotonstatistiek, maar toont aan dat bruikbare resultaten nog steeds mogelijk zijn.

Betekenis en Conclusie

Dit onderzoek vestigt RGB-detectie als een krachtig, kosteneffectief en experimenteel eenvoudig alternatief voor geavanceerde spectrale SMLM-systemen.

• Toegang: Het maakt hoogwaardige, multi-kleur super-resolutie beeldvorming mogelijk zonder de complexiteit van beam-splitting setups of de traagheid van sequentiële methoden.
• Schaalbaarheid: Hoewel de precisie afneemt bij een zeer groot aantal kleurstoffen of lage fotoncounts, blijft het systeem robuust voor toepassingen met 6-9 doelen.
• Toekomstperspectief: De auteurs suggereren dat wetenschappelijke RGB-CMOS-camera's met hogere quantum-efficiëntie en lagere ruis de prestaties (zowel classificatie als locatieprecisie) verder kunnen verbeteren.

Samenvattend biedt deze studie een nieuwe weg naar toegankelijke, hoge doorvoer multiplexing in de super-resolutie microscopie, waarbij de beperkte spectrale informatie van een RGB-sensor wordt gecompenseerd door statistische analyse en experimenteel gecalibreerde modellen.