KI-Tool ChromAgeNet erkennt alternde Blutstammzellen in Kernbildern

Das Altern verändert nahezu jedes System im Körper, und eine seiner leiseren Auswirkungen zeigt sich im Blut. Mit zunehmendem Alter wird das hämatopoetische System – die Organe und Gewebe, die für die Produktion von Blutzellen verantwortlich sind – weniger in der Lage, eine ausreichende Blutzellproduktion aufrechtzuerhalten. Für Forschende, die untersuchen, wie Blutstammzellen altern und wie ihre Funktion erhalten oder wiederhergestellt werden könnte, ist dieser Rückgang nicht nur eine Kuriosität. Er ist ein Messproblem.

Ein Team unter der Leitung von Dr. Maria Carolina Florian, einer Forscherin im Programm für Regenerative Medizin am Bellvitge Biomedical Research Institute (IDIBELL) und ICREA-Forschungsprofessorin, und Dr. Paula Petrone vom Barcelona Supercomputing Center – Centro Nacional de Supercomputación (BSC-CNS) und dem Barcelona Institute for Global Health (ISGlobal), hat ein Tool vorgestellt, das helfen soll, dieses Problem zu lösen. Das System mit dem Namen ChromAgeNet nutzt künstliche Intelligenz, um altersassoziierte Muster in Mikroskopiebildern von hämatopoetischen Stammzellen zu erkennen, indem es die dreidimensionale Organisation des Chromatins analysiert. Die Ergebnisse sind in der Fachzeitschrift Aging Cell veröffentlicht, und die Arbeit bildete einen zentralen Teil der Doktorarbeit von Pablo Iañez, einem Forscher bei ISGlobal.

Was Chromatin über eine Zelle aussagt

Chromatin ist das Material im Zellkern – hauptsächlich aus DNA und Proteinen bestehend –, das die DNA verpackt und dabei hilft, zu regulieren, welche Gene aktiv sind. Diese Verpackung ist nicht bloß strukturell. Da sie die Genaktivität beeinflusst, trägt die Chromatinorganisation dazu bei, die Identität und Funktion einer Zelle zu bestimmen, und sie verändert sich, wenn Zellen älter werden.

ChromAgeNet ist darauf ausgelegt, diese Beziehung direkt zu nutzen. Anstatt sich auf eine Handvoll molekularer Marker zu verlassen, liest das Tool die dreidimensionale Anordnung des Chromatins in Kernbildern aus und beantwortet eine täuschend einfache Frage: Sieht dieser Zellkern jung oder gealtert aus?

Wie das Modell trainiert wurde

Um das System zu entwickeln, arbeiteten die Forschenden mit dreidimensionalen Bildern von Zellkernen hämatopoetischer Stammzellen der Maus, die mit DAPI gefärbt worden waren – einer einfachen und weit verbreiteten Technik zur Visualisierung von DNA. Anschließend wurde ein Convolutional Neural Network – eine Klasse von KI-Modellen, die speziell für die Analyse von Bildern entwickelt wurde – darauf trainiert, junge von gealterten Zellen allein anhand des Erscheinungsbildes zu unterscheiden.

• Bildeingabe: 3D-Mikroskopiebilder von mit DAPI gefärbten Zellkernen hämatopoetischer Stammzellen der Maus.
• Modelltyp: ein Convolutional Neural Network, das für die Bildanalyse geeignet ist.
• Aufgabe: Klassifizierung jeder Zelle als jung oder gealtert anhand des Kernerscheinungsbildes.
• Fokus: die dreidimensionale Organisation des Chromatins statt vordefinierter Marker.

Dieser Ansatz ist bemerkenswert, weil er das Modell auffordert, alle unterscheidenden Merkmale zu erlernen, die in den Bildern vorhanden sind, anstatt von den Forschenden zu verlangen, sie im Voraus festzulegen.

Leistung: 77 % Genauigkeit und ein übertroffener Benchmark

Laut den Forschenden erreichte ChromAgeNet eine Wahrscheinlichkeit von 77 %, Zellen anhand des Erscheinungsbildes des Zellkerns korrekt als jung oder gealtert zu klassifizieren. Dieses Ergebnis übertraf ein Machine-Learning-Modell, das auf Chromatinmerkmalen basierte, die das Team zuvor manuell definiert hatte.

Der Vergleich ist wichtig. Er legt nahe, dass ein trainiertes neuronales Netz Muster in der Kernarchitektur aufgreifen kann, die konventionelle, merkmalsbasierte Ansätze übersehen – Informationen, die in den Bildern vorhanden sind, aber nicht durch die spezifischen Messungen erfasst werden, die die Forschenden ausgewählt hatten zu betrachten.

Erkennen, was das Auge nicht sehen kann

Die Rahmung der Studie dreht sich um ein bekanntes Problem in der Mikroskopie: Menschliche Beobachter können einen Zellkern beschreiben, aber sie können subtile, dreidimensionale Unterschiede in der Chromatinverpackung nicht zuverlässig als konsistenten Indikator für das Alter einordnen. ChromAgeNet ist ein Versuch, diese subtilen Unterschiede in ein Signal umzuwandeln, das wiederholt und in großem Maßstab berechnet werden kann.

Wenn ein solches Signal Bestand hat, könnte es die Erforschung der Alterung von Blutstammzellen auf mehrere Weise unterstützen. Es bietet einen potenziellen Messwert für Experimente, die testen, ob eine Behandlung die Stammzellfunktion erhält oder wiederherstellt. Es könnte Forschenden auch helfen, Zellen zu sortieren, die unter dem Mikroskop ähnlich erscheinen, sich in der Praxis aber unterschiedlich verhalten.

Eine disziplinübergreifende Anstrengung

Das Projekt brachte Expertise aus Stammzellbiologie, Alternsforschung, Bildanalyse und künstlicher Intelligenz zusammen – eine Kombination, die sich in den beteiligten Institutionen widerspiegelt. Die Arbeit wurde von Forschenden geleitet, die mit dem Programm für Regenerative Medizin des IDIBELL, dem BSC-CNS und ISGlobal verbunden sind, einem von der "la Caixa"-Stiftung unterstützten Zentrum. Die Studie wurde peer-reviewt, und die in den veröffentlichten Abbildungen verwendeten Bilddaten wurden Dr. Eva Mejía vom IDIBELL zugeschrieben.

Was die Ergebnisse belegen und was nicht

Die Befunde beruhen auf hämatopoetischen Stammzellen der Maus und DAPI-gefärbten Kernbildern, und die berichtete Genauigkeit von 77 % bedeutet, dass das Modell informativ, aber nicht unfehlbar ist – bei etwa einer von vier Klassifizierungen wäre zu erwarten, dass sie in die andere Richtung ausgeht. Die veröffentlichte Zusammenfassung beschreibt auch keine klinische Validierung oder Anwendung bei menschlichen Patienten.

Diese Grenzen sollten im Blick behalten werden. ChromAgeNet ist am besten als Forschungsinstrument zu verstehen: eine Möglichkeit, ein altersassoziiertes Signal aus Bildern zu extrahieren, die in Stammzelllabors bereits Standard sind, unter Verwendung einer Färbetechnik, die kostengünstig und routinemäßig ist.

Warum es wichtig ist

Der größere Einsatz liegt im allmählichen Rückgang des hämatopoetischen Systems mit dem Alter. Da dieses System Blutzellen liefert, berührt sein Verfall unter anderem die Immunität, den Sauerstofftransport und die Blutgerinnung. Tools, die das Altern von Blutstammzellen leichter beobachtbar machen, könnten Forschenden helfen, schärfere Fragen dazu zu stellen, was sich ändert, wann, und ob eine Intervention den Verlauf beeinflusst.

Der Beitrag von ChromAgeNet ist ebenso methodisch wie biologisch. Er zeigt, dass die Chromatinarchitektur, die in gewöhnlicher Mikroskopie erfasst wird, genügend altersbezogene Informationen trägt, damit ein neuronales Netz sie erkennen kann – und dass dieser Ansatz ein Modell übertreffen kann, das auf von Wissenschaftlern selbst definierten Merkmalen basiert. Ob dasselbe Signal auf andere Zelltypen, andere Bildgebungsaufbauten oder menschliche Proben übertragen werden kann, bleibt eine offene Frage, die die Studie nicht klärt.

Das Fazit

• Ein KI-Tool namens ChromAgeNet identifiziert altersassoziierte Muster in Bildern hämatopoetischer Stammzellen, indem es die 3D-Chromatinorganisation analysiert.
• Das Modell klassifizierte Blutstammzellen der Maus mit einer Wahrscheinlichkeit von 77 % korrekt als jung oder gealtert.
• Es übertraf ein Machine-Learning-Modell, das auf Chromatinmerkmalen basierte, die Forschende im Voraus definiert hatten.
• Die Arbeit wurde von Forschenden am IDIBELL, BSC-CNS und ISGlobal geleitet und in Aging Cell veröffentlicht.
• Der Ansatz beruht auf DAPI-Färbung und 3D-Kernbildgebung, Techniken, die in der Stammzellforschung bereits üblich sind.

Dieser Artikel basiert auf einer Berichterstattung von Medical Xpress. Lesen Sie den Originalartikel.