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

In de wereld van de moderne biologie proberen wetenschappers voortdurend te begrijpen hoe cellen groeien en veranderen. Twee van de belangrijkste processen die zij bestuderen zijn proliferatie, wat simpelweg de manier is waarop cellen zich vermenigvuldigen om hun aantallen te vergroten, en differentiatie, waarbij een generieke cel transformeert in een gespecialiseerde cel, zoals een vetcel. Decennialang hebben onderzoekers vertrouwd op methoden die vereisen dat het experiment wordt gestopt, de cellen worden gedood en ze worden gekleurd met kleurrijke kleurstoffen om te zien wat er gebeurt. Hoewel deze methoden een momentopname bieden, zijn ze destructief; zodra je naar de cellen kijkt, kun je ze niet meer opnieuw bekijken. Dit maakt het moeilijk om het vloeiende, continue verhaal te begrijpen van hoe een celpopulatie zich in de loop van de tijd ontwikkelt. Bovendien kunnen de chemicaliën die worden gebruikt om cellen zichtbaar te maken, de cellen soms beschadigen of valse signalen creëren, wat leidt tot onnauwkeurige tellingen.

Een groeiend onderzoeksveld richt zich nu op een andere aanpak: het observeren van cellen zonder ze aan te raken. Door gebruik te maken van geavanceerde camera's en computerprogramma's, kunnen wetenschappers levende cellen observeren terwijl ze groeien en veranderen, waarbij ze duizenden afbeeldingen vastleggen over dagen of weken, zonder ooit een enkele druppel kleurstof toe te voegen. Deze "label-vrije" methode belooft een helderder, eerlijker beeld van het cellulaire leven. Het is bijzonder essentieel voor opkomende industrieën zoals kweekvlees, waarbij wetenschappers grote hoeveelheden dierlijk vet en spierweefsel in een laboratorium moeten kweken, en voor medisch onderzoek naar obesitas en diabetes, waarbij het begrijpen van de precieze timing van de vorming van vetcellen cruciaal is. De uitdaging is echter geweest om computers te leren deze cellen nauwkeurig te herkennen in de afbeeldingen, aangezien cellen vaak samenklonteren en erg op elkaar lijken.

In een recente studie probeerden onderzoekers twee verschillende manieren te testen om deze label-vrije technologie te gebruiken om tegelijkertijd mesenchymale stamcellen te volgen, veelzijdige cellen die in staat zijn om in vet te veranderen. Deze cellen werden genomen van zowel mensen als varkens, wat de dubbele interesse weerspiegelt in de menselijke gezondheid en de productie van duurzaam vlees. Het team vergeleek twee verschillende strategieën. De eerste was een ingebouwd softwaresysteem geleverd door de fabrikant van het live-celbeeldvormingsapparaat, ontworpen om gemakkelijk in gebruik te zijn en direct geïntegreerd in de microscoop. De tweede was een op maat gemaakt computermodel, getraind door de onderzoekers zelf met behulp van een krachtige, open-source tool genaamd Cellpose, die is ontworpen om computers te helpen de individuele cellen te "zien" en te scheiden in complexe afbeeldingen.

De onderzoekers kweekten deze cellen in het laboratorium, waarbij ze toekeken hoe ze zich vermenigvuldigden en stuurden ze vervolgens aan om vetcellen te worden. Ze maakten elke uur gedurende meerdere dagen foto's van de culturen, waardoor een enorme bibliotheek van afbeeldingen ontstond die de cellen in elke fase van hun leven laten zien. Vervolgens haalden ze dezezelfde afbeeldingen door zowel de ingebouwde software als hun eigen model om te zien welke methode de cellen nauwkeuriger kon tellen en hun groei kon meten. Wat betreft het tellen van cellen terwijl ze zich vermenigvuldigden, werkten beide methoden goed, maar hadden ze verschillende sterktes. De ingebouwde software was uitstekend in het afhandelen van drukke scènes waar cellen dicht op elkaar gepakt zaten, waardoor een betrouwbare telling werd geboden zelfs wanneer de schaal vol zat. Het aangepaste model was echter superieur bij lagere dichtheden, waar het individuele cellen duidelijk kon onderscheiden en ze met hoge precisie kon tellen, zelfs wanneer ze net begonnen te groeien.

Het verhaal werd interessanter toen de cellen begonnen te veranderen in vet. Terwijl de cellen differentieerden, begonnen ze gevuld te raken met lipidedruppels, wat kleine vetbelletjes binnen de cel zijn. De ingebouwde software was erg goed in het opsporen van deze volwassen vetcellen omdat ze er anders uitzien en een hogere contrastwaarde hebben dan de andere cellen. Het kon de onderzoekers vertellen welk deel van de schaal bedekt was door deze volwassen vetcellen. Het had echter moeite met het zien van de vroege stadia van het proces, waarbij de cellen die net begonnen te veranderen maar nog niet genoeg vet bevatten om op te vallen, werden gemist. Het aangepaste model was daarentegen getraind om de vorm van de cellen zelf te herkennen, niet alleen het vet binnenin hen. Dit stelde het systeem in staat om de allereerste tekenen van differentiatie op te merken, waarbij cellen werden geïdentificeerd die begonnen te transformeren tot vet lang voordat ze volledig volwassen waren. Dit gaf de onderzoekers een vroeger en gedetailleerder beeld van de transformatie.

De studie testte ook of deze computermodellen konden werken over verschillende soorten en verschillende soorten microscopen heen. Het aangepaste model, dat aanvankelijk was getraind op afbeeldingen van varkenscellen, kon menselijke cellen niet automatisch herkennen zonder opnieuw getraind te worden, wat benadrukt dat deze computerprogramma's specifieke voorbeelden nodig hebben om te leren. Echter, zodra de onderzoekers een nieuwe versie van het model trainden op menselijke cellen, werkte het net zo goed. Bovendien bewezen ze dat deze modellen niet beperkt waren tot het specifieke hoogtechnologische beeldvormingssysteem dat in het laboratorium werd gebruikt. Ze pasten hun aangepaste modellen succesvol toe op afbeeldingen gemaakt met standaard, handmatige microscopen, wat aantoont dat deze technologie in veel verschillende laboratoria kan worden gebruikt, niet alleen in laboratoria met dure, geautomatiseerde apparatuur.

Een van de meest significante bevindingen was het vermogen om de verborgen variaties binnen een enkele cultuurschaal te zien. Omdat het beeldvormingssysteem gedurende de tijd op veel verschillende plaatsen in de schaal foto's nam, konden de onderzoekers zien dat vetcellen niet allemaal tegelijkertijd en op dezelfde plaatsen ontstonden. Sommige gebieden van de schaal waren vol met vetcellen, terwijl andere leeg bleven. Dit soort ruimtelijke detail zou onmogelijk te zien zijn geweest met traditionele methoden, die meestal slechts één foto vanuit het midden van de schaal nemen aan het einde van het experiment. De continue monitoring onthulde ook dat verschillende batches cellen, zelfs van hetzelfde type dier, anders gedroegen. Sommige batches werden snel en efficiënt vet, terwijl andere moeite hadden, een variatie die cruciaal kan zijn voor de productie van consistent kweekvlees of voor het begrijpen van waarom sommige mensen gevoeliger zijn voor obesitas.

Uiteindelijk toonde de studie aan dat label-vrije beeldvorming een krachtig hulpmiddel is dat de noodzaak voor rommelige, destructieve kleuring procedures wegneemt. Het stelt wetenschappers in staat om de volledige levenscyclus van een celpopulatie in realtime te volgen, van het moment dat ze worden gezaaid tot het moment dat ze gespecialiseerde vetcellen worden. Hoewel de ingebouwde software een handige, kant-en-klare oplossing biedt die goed werkt voor volwassen cellen, bieden de op maat getrainde modellen een niveau van flexibiliteit en detail dat ongeëvenaard is, in staat om de vroegste veranderingen op te sporen en zich aan te passen aan verschillende celtypen en microscoopopstellingen. Door deze benaderingen te combineren, kunnen onderzoekers nu de dynamiek van celgroei en vetvorming volgen met een helderheid die voorheen onbereikbaar was, wat nieuwe inzichten biedt voor zowel de medische wetenschap als de toekomst van de voedselproductie. Alle in deze studie ontwikkelde computermodellen zijn publiekelijk beschikbaar gesteld, zodat andere wetenschappers deze instrumenten voor hun eigen onderzoek kunnen gebruiken en verbeteren.