Machine learning Techniken für die Routineanwendung von genetisch kodierten photo-modulierbaren Reportern für die in vivo Optoakustik.

• Antragsteller: Andre Stiel, Ph.D.
• Fachliche Zuordnung: Biophysik ; Bioinformatik und Theoretische Biologie
• Förderung: Förderung seit 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 447748737

Optoakustische (OA) Bildgebung ist eine neue Modalität welche Eindringtiefe mit hoher Auflösung kombiniert. OA liefert zeitaufgelöste 3D Bilder in vivo in Tiefen die mit rein optischen Methoden nicht zu erreichen sind. Da OA nur eine optische Anregungsquelle und einen Ultraschalldetektor erfordert, ist OA in Bezug auf die Infrastruktur ehr mit optischer Mikroskopie als mit kostenintensiven radiologischen Methoden vergleichbar. Die Anwendung von OA in den Biowissenschaften ist neu und die wenigen vorhandenen genetisch kodierbaren Reporter (nötig für eine zielgerichtete in vivo Bildgebung) weisen kein ausreichend hohes OA-Signal auf, um die markierten Zellen gut vom Hintergrundsignal des Gewebes zu trennen. Dies kann durch die Verwendung von Reportern überwunden werden, die auf genetisch kodierten photochromatischen Proteinen basieren (rsOAPs). Das Signal von rsOAPs kann durch Licht moduliert werden, dies ermöglicht eine Trennung des modulierenden Reportersignals vom nicht modulierenden Hintergrund.Das Potenzial von rsOAPs zur Visualisierung von Zellpopulationen auf der Ebene des gesamten Organismus wurde kürzlich demonstriert. Geringe Zellzahlen wurden in vivo in einer Tiefe von bis zu einem Zentimeter sichtbar gemacht. Basierend auf unterschiedlichen Modulationseigenschaften ist bisher eine parallele Visualisierung von bis zu drei Reportern möglich. Die bisherigen Studien verwendeten jedoch dedizierte High-End-OA Aufbauten. Zudem zeigt sich, dass die Interpretation der Modulationskinetik anspruchsvoll und anfällig für Artefakte ist. Dies erschwert die routinemäßige Anwendung, insbesondere im Hinblick auf sehr kleine Zellzahlen tief im Gewebe oder gemischte Populationen unterschiedlicher Reporter. Kürzlich haben wir gezeigt, dass photo-modulations Daten – gewonnen mit kommerziellen Geräten – sehr gut durch maschinelles Lernen (ML) analysiert werden können. Dies wird durch die automatische Analyse einer Vielzahl von Merkmalen ermöglicht, z. B. Signalstärke, Tiefe, Kinetik und Rauschen. Eine weitere Verbesserung der Genauigkeit und Empfindlichkeit ist jedoch nötig, bevor photo-modulations OA zu einer Routineanwendung wird, und damit die breitere Anwendung von OA in den Biowissenschaften ermöglicht. In diesem Projekt werden wir uns mit den Herausforderungen des ML-Ansatzes befassen und ihn optimieren, wobei der Schwerpunkt auf der gleichzeitigen Visualisierung einer geringen Anzahl unterschiedlich markierter Zellen liegt. Die vorgeschlagene Arbeit wird dazu beitragen, die routinemäßige Verwendung von rsOAP in OA zu ermöglichen. OA als Standard-Bildgebungsverfahren für Biowissenschaften wird Forschern ein unverzichtbares Instrument zur Visualisierung der Wechselwirkungen kleiner Zellpopulationen in vivo bieten. Derartige Beobachtungen sind für die Immunologie, die Entwicklungsbiologie und die Tumorbiologie von entscheidender Bedeutung und ermöglichen Einblicke in das dynamische Zusammenspiel, das Krankheitsvorgängen wie Krebs zugrunde liegt.

• DFG-Verfahren: Sachbeihilfen