Der Biologe Daniel Gerlich hat eine selbstlernendes Computerprogramm entwickelt: Mit ihm können mikroskopische Bilder vollautomatisch und ohne jede menschliche Unterstützung analysiert und ausgewertet werden.
In der modernen Biologie ist die automatische Aufnahme von Mikroskop-Bildern längst Standard. Dabei können pro Experiment mehrere Millionen Bilder entstehen. Diese werden danach analysiert und beurteilt, damit sinnvolle Aussagen getroffen werden können. Computer helfen bei der Analyse der Daten. Allerdings mussten die Wissenschaftler bisher genaue Kriterien vorgeben, nach denen der Computer die Daten sortiert. Diesen Ansatz nennt man „Supervised Machine Learning“.
Daniel Gerlich ist Senior Gruppenleiter am IMBA-Institut für Molekulare Biotechnologie der Österreichischen Akademie der Wissenschaften in Wien und ein Pionier auf dem Gebiet der automatisierten Mikroskopie lebender Zellen. Jetzt entwickelte er mit seinem Team eine Methode des sogenannten „Unsupervised Machine Learning“. Hierbei erkennt der Computer selbst, wie die Kriterien aussehen müssen, nach denen Bilder zugeordnet werden können.
Die beiden größten Vorteile der neuen Methode ohne menschlichen Einfluss sind die höhere Objektivität und Reproduzierbarkeit der Ergebnisse. Die Zeitersparnis spielt ebenfalls eine Rolle. Daniel Gerlich bearbeitet mit der neuen Technik unter anderem das Thema Zellteilung. „In unserem Experiment haben wir dem Computer nur vorgegeben, dass er die Teilung der Zelle in sechs Phasen unterscheiden soll. Ohne unser weiteres Zutun erkannte das System die strukturellen Veränderungen der Zelle während des Teilungsprozesses und ordnete ähnlich aussehende Bilder den einzelnen Phasen zu.“
Vorhergehende Versuche vollautomatisierter Zellerkennung wurden durch die hohe Variabilität der Zellstrukturen erschwert. Die von Gerlichs Arbeitsgruppe entwickelte Methode löst dieses Problem durch die Berücksichtigung der Zeitinformation. Das heißt, dass keine isolierten Bilder analysiert werden, sondern gefilmte Abläufe. Die gewonnen Ergebnisse sind dadurch sehr viel genauer als mit herkömmlichen Methoden. In der Studie, in der Gerlich die Teilung menschlicher Krebszellen beobachtete, konnten somit auch die feinen Übergänge zwischen den einzelnen Phasen der Teilung festgehalten werden. Die neue Methode ermöglicht daher detaillierte Untersuchungen von Defekten, die zum Entarten von Krebszellen führen können. „Erst die Zeitachse setzt die vielen einzelnen Datensätze in den richtigen Zusammenhang,“ ist Gerlich überzeugt. „Unsupervised Machine Learning“ wird dadurch zu einem wertvollen Werkzeug der modernen Zellbiologie.
Weitere Informationen: www.imba.oeaw.ac.at
Unsere Whitepaper-Empfehlung
Gewährleisten Sie Sterilität bei Medizinprodukten, wie Implantaten und OP-Material. Das Whitepaper von BGS Beta-Gamma-Service gibt Einblicke in den Ablauf, Vorteile, Validierungsschritte der Strahlensterilisation & wichtige Aspekte beim Wechsel des Sterilisationsverfahrens. Jetzt…
Teilen:
