SATOMI - Bewältigung der Herausforderungen bei der Segmentierung und Nachverfolgung von wachsenden Kolonien und mikrobieller Vielfalt
Gefördert durch die Helmholtz Imaging Platform
Ansprechpartner: Hanno Scharr
Die Bildgebung von lebenden Zellen eröffnet faszinierende Einblicke in lebende Bakterien, wie sie in expandierenden Kolonien wachsen und sich teilen, mit Morphologien, die von einfachen Kokken und Stäbchenformen bis hin zu multizellulären Organismen reichen, die sich zu komplexen fadenförmigen Netzwerken entwickeln. Gekoppelt mit hochmultiplexen mikrofluidischen Lab-on-Chip-Systemen bietet die Zeitraffer-Mikroskopie mehrere einzigartige Möglichkeiten für die mikrobielle Forschung: i) das dynamische Wachstum von Bakterienpopulationen nicht-invasiv ab einer einzelnen Zelle zu überwachen, ii) die Entwicklung der räumlich-zeitlichen Eigenschaften von Zellen und Bakterienkolonien über lange Zeitfenster zu erfassen, iii) Verteilungen der Vorfahrenbeziehungen zwischen Zellen in einer Population (Lineages) abzuleiten und iv) eine Hochdurchsatz-Datenerfassung unter präziser Kontrolle der Umgebung zu ermöglichen. Es ist klar, dass die zuverlässige Analyse der gesammelten Zeitraffer-Bilder essentiell ist, um quantitative Einzelzell-Metriken zu extrahieren und sie in biologische Erkenntnisse umzusetzen. Zwei grundlegende, eng miteinander verknüpfte Bildanalyseaufgaben, um Erkenntnisse aus der Fülle der erfassten Daten zu gewinnen, sind die Zellsegmentierung, die räumliche Identifizierung einzelner Zellen in den Bildern, und die Zellverfolgung, die Zuordnung dieser Zellen und ihrer Nachkommen in einer Bildsequenz.
Die SATOMI-Plattform wurde entwickelt, um das Spektrum der Anwendungsfälle zu erweitern und die Time-to-Insight auf dem Gebiet der mikrobiellen Einzelzellanalyse zu beschleunigen durch:
- Adaption von State-of-the-Art DL-basierten Segmentierungsmethoden für die Segmentierung von Bakterienzellen mit dem Ergebnis spezialisierter DL-Modelle für die Aufgabe der mikrobiellen Zellsegmentierung
- Einführung der probabilistischen Verfolgung in die Produktion
- Bereitstellung eines umfassenden und gut annotierten Benchmark-Datensatzes mit einer Vielzahl von Organismen und eines flexiblen Zellsimulators zur Unterstützung der DL-Modellgenerierung.
Das Hauptziel des vorgeschlagenen Ansatzes ist es, den ersten Benchmark-Datensatz und das Deep-Learning-basierte Framework SATOMI für die Segmentierung und DL-gestützte Verfolgung diverser Mikroben mit unterschiedlichen Morphologien bereitzustellen. Ein solches Framework sollte in der Lage sein, bereits für neue Anwendungsfälle eine gute Genauigkeit zu erreichen, idealerweise ohne zusätzlichen Annotationsaufwand. Dennoch ist die angedachte Lösung flexibel genug, um später durch annotierte oder kuratierte Trainingsdaten erweitert zu werden. Der notorische Mangel an manuell kuratierten, qualitativ hochwertigen Daten wird durch einen Simulator-basierten Ansatz für eine nahezu realistische Darstellung der Zellmorphologien und des Wachstumsverhaltens von Kolonien gemildert, um Testbildsequenzen sowohl für die Segmentierung als auch für das Tracking zu erhalten. Zusammengenommen zielt ein solches Framework darauf ab, die wiederkehrende Entwicklung von hochspezialisierten "one-off"-Tools für neue Anwendungsfälle aus verschiedenen Bereichen wie Biotechnologie, Umwelt und Gesundheit zu vermeiden.
Kooperationspartner:
Katharina Nöh, Forschungszentrum Jülich, IBG‐1: Biotechnologie
Dietrich Kohlheyer, Forschungszentrum Jülich, IBG‐1: Biotechnologie
Ralf Mikut, Karlsruher Institut für Technologie (KIT), Institut für Automation und angewandte Informatik (IAI)