"False"
Hoppa direkt till innehållet
printicon
Huvudmenyn dold.
Publicerad: 2022-05-25

AI möjliggör 100 gånger snabbare avbildning av labbodlade cancertumörer

NYHET I en ny studie kombinerar forskare vid Umeå universitet och företaget Sartorius i Umeå djupinlärning med automatisk fluorescensmikroskopi för att göra avbildningar av 3D-cancertumörer. Metoden snabbar upp processen med en faktor 100, vilket tidigare inte varit möjligt. Resultaten publiceras i tidskriften PLOS ONE.

Text: Ingrid Söderbergh

Vi kan dra samma slutsats som med den traditionella Z-stackmetoden, men på en bråkdel av tiden.

– Vår nya metod gör det möjligt att studera 3D-cancertumörer i större utsträckning med fler genererade bilder under kortare tid. Detta kan i sin tur leda till säkrare slutsatser i forskningen, bättre förståelse och snabbare utveckling av nya livsviktiga läkemedelsbehandlingar, säger Edvin Forsgren, doktorand på Kemiska institutionen vid Umeå universitet.

Det vanliga sättet att odla celler är på en platta, så kallade 2D-cellkulturer. I den aktuella studien är cancertumörer (cellkluster av cancerceller som benämns cancersfäroider) odlade i en gel i stället för en platta och därför växer de i 3D, vilket är mer likt hur de växer i verkligheten. Bilderna som tas är dock fortfarande i 2D.

Fluorescensmikroskopi av 3D-cancertumörer är utmanande då det krävs en särskild Z-stackmetod. En Z-stack innebär att många bilder med olika skärpedjup är lagda på hög och tillsammans skapar en “stack” av bilder längs Z-axeln. De många bilderna med olika skärpedjup bidrar till en bild med skärpa på hela provet.

Metoden har två stora nackdelar: dels att bildtagning av stora prover tar lång tid, dels att ju längre tid celler exponeras för fluorescerande ljus desto större är risken för fototoxicitet och fotoblekning. Dessa problem förvärras när prover analyseras över tid, vilket kräver att man tar upprepade Z-stackar och då begränsas av antalet bilder som är möjligt att ta på levande cellkulturer.

Ett alternativ till Z-stacks är en bild som tas genom att öppna slutaren och flytta kameran längs Z-axeln genom hela cellklustret, vilket ger en suddig bild av fluorescens över hela Z-dimensionen. Att ta denna bild, som kallas en Z-sweep, går hundra gånger snabbare än med den traditionella Z-stackmetoden men resultatet blir emellertid suddigt. I studien kombinerar Edvin Forsgren och medarbetare vid företaget Sartorius de två bildteknikerna med djupinlärningsmetoder (AI) för att lösa problemet.

– Vi har optimerat ett artificiellt neuralt nätverk att konvertera Z-sweeps till Z-projektioner (som kommer från Z-stacks). När AI-nätverket har tränats på några hundratals bilder kan vi sedan ge den nya, osedda Z-sweeps och AI-nätverket genererar då nya bilder som är i stort sett likvärdiga med Z-projektionerna, säger Edvin Forsgren.

I studien visar forskarna att det ”tränade” djuplärningsnätverket med hög säkerhet kan producera högkvalitativa fluorescensmikroskopibilder baserat på suddiga Z-sweeps.    

De har testat metoden på olika typer av cellkulturer – både singel- och multisfäroidbilder. I båda fallen fann de att den fluorescerande signalen från den nya metoden bibehöll liknande intensitet som de långsamma, traditionella bilderna baserade på Z-stacks.

Detta betyder att forskarna kan dra samma biologiska slutsatser på cellkulturprover samtidigt som tidsåtgången minskar med en faktor 100.

– Vi genomförde ytterligare experiment där cancertumörer behandlades med cytotoxiska föreningar där vi använde vår nya metod för att kvantifiera behandlingens effekt över tid. Det visade sig än en gång att vi kan dra samma slutsats som med den traditionella Z-stackmetoden, men på en bråkdel av tiden.

Om den vetenskapliga studien:

Forsgren E, Edlund C, Oliver M, Barnes K, Sjögren R, Jackson TR (2022): High-throughput widefield fluorescence imaging of 3D samples using deep learning for 2D projection image restoration. PLoS ONE 17(5): e0264241.

 

För mer information, kontakta gärna:

Edvin Forsgren
Doktorand
E-post
E-post