Analyse des Zellzyklus optimiert

NEUHERBERG. Wissenschaftler haben einen neuen Ansatz gefunden, der einzelne Phasen des Zellzyklus mittels bildgebender Durchflusszytometrie besser sichtbar macht, heißt es in einer Mitteilung des Helmholtz Zentrums München.

Dabei ließen sie Fluoreszenzmarker weg und bedienten sich des maschinellen Lernens (Nat Commun 2016; online 7. Januar). Mit einer Bildverarbeitungssoftware extrahierten sie hunderte Merkmale aus Hellfeld- und Dunkelfeldbildern. Mit Hilfe dieser Daten könnten Algorithmen generiert werden, die die Zellen digital sortieren.

Bisher wurden Fluoreszenzstoffe benutzt, um die Zellen einer Zellzyklusphase zuzuordnen. Allerdings schaden die Chemikalien Zellen und verfälschen die Ergebnisse.

Zusammen mit Kollegen vom Broad Institute of MIT and Harvard, USA, sowie von der Swansea University, der Newcastle University und dem The Francis Crick Institute, UK, haben Wissenschaftler am Institute of Computational Biology (ICB) des Helmholtz Zentrums München jetzt eine Alternative entwickelt

."Wir haben zwei im Allgemeinen vernachlässigte Datenquellen - die Hell- und Dunkelfeldbilder - genutzt", wird Thomas Blasi, Doktorand am ICB und Erstautor der Veröffentlichung in der Mitteilung zitiert. "Die Auswertung dieser Daten konnten wir für maschinelles Lernen einsetzen".

Somit war es möglich, die Zellen nicht nur zu klassifizieren, sondern eine digitale Sortierung von hoher Spezifität zu erreichen.

"Die computergestützte Klassifizierung von Zellen anhand großer Populationen von Zellbildern eröffnet neue Perspektiven. Sie könnte auch in vielen anderen Zusammenhängen, also nicht nur für Zellzyklen, Anwendung finden", ergänzt Professor Fabian Theis, Direktor des ICB. (eb)