CAMPA: Ein leistungsfähiges Deep-Learning-Framework zum Verständnis von subzellulären Organisationen
CAMPA, ein neues Deep-Learning-Framework, ermöglicht die Analyse der subzellulären Organisation gesunder und gestörter Zellen mithilfe hochauflösender Fluoreszenzmikroskopiedaten und wurde nun in der Fachzeitschrift Nature Methods vorgestellt. Das Tool erleichtert die Analyse von High-Throughput-Screens für einen beschleunigten Erkenntnisgewinn aus komplexen Datensätzen.
Ein Forscherteam von Helmholtz Munich, der Universität Zürich und der UNSW in Sydney hat ein leistungsfähiges neues Werkzeug zur Analyse der räumlichen Organisation von Zellen mithilfe von hochauflösender Fluoreszenzmikroskopie entwickelt. In ihrer Veröffentlichung beschreiben sie die Entwicklung von CAMPA (Conditional Autoencoder for Multiplexed Pixel Analysis), einem Deep-Learning-Framework, das die Untersuchung der subzellulären Organisation sowohl gesunder als auch kranker Zellen ermöglicht. Prof. Fabian Theis, Letztautor von Helmholtz Munich, erläutert ihre Beweggründe: "’Foundation models‘, wie beispielsweise umfassende Sprachmodelle, revolutionieren gerade Anwendungen im Bereich Maschine Learning und Künstlicher Intelligenz. Ein langfristiges Ziel unserer Forschung ist es, ein Grundlagenmodell der Zelle zu erstellen. CAMPA überträgt aktuelle Projekte von uns und anderen im Bereich der KI für die Modellierung von Genexpression einzelner Zellen hin zum Lernen des räumlichen subzellulären Aufbaus. Das ist ein Schritt in Richtung eines solchen Modells.“ Darüber hinaus weist Co-Erstautorin Dr. Hannah Spritzer von Helmholtz Munich auf ihr Ziel hin: „Unser Ziel war es, eine automatisierte Methode für die quantitative Analyse der subzellulären Organisation zu entwickeln, die die Analyse von High-Throughput-Screens erleichtern kann.“
Die subzelluläre Organisation ist entscheidend für die Zellfunktion. Um konsistente subzelluläre Merkmale zu identifizieren, die in jeder Zelle selbst bei zellulären Störungen vorhanden sind, verwendet CAMPA einen conditional variational Autoencoder, eine unüberwachte Deep-Learning-Methode. Diese Merkmale können verwendet werden, um interpretierbare zelluläre Fingerabdrücke zu erstellen, die es Forschenden ermöglichen, Ähnlichkeiten und Unterschiede zwischen Störungen zu identifizieren für ein besseres Verständnis zellulärer Prozesse. Mit CAMPA können Wissenschaftler:innen Störungen anhand ihrer subzellulären Phänotypen charakterisieren, was bedeutet, dass dies ein leistungsstarkes Werkzeug für zelluläres Phänotyp-Screening sein kann.
"Mit CAMPA können wir jetzt konsistent die verschiedenen Organellen und andere Strukturen in Zellen direkt aus hochmultiplexen Bildern identifizieren, wodurch wir Erkenntnisse aus diesen komplexen Datensätzen deutlich schneller gewinnen", hebt Dr. Scott Berry, einer der beiden Erstautoren, von der Universität Zürich und der UNSW, hervor. Prof. Lucas Pelkmans, Letztautor ebenfalls von der Universität Zürich, fügt hinzu: "Dies kann ein Durchbruch für die Arzneimittelforschung sein. Mit CAMPA können wir jetzt unsere 4i (iterative indirekte Immunfluoreszenz-Bildgebung) Plattform nutzen, um die Wirkungen von Medikamenten in einer detaillierten subzellulären Auflösung zu vergleichen, was einzigartige Einblicke in Wirkungsmechanismen und letztendlich therapeutische Potenziale ermöglicht." Schlussendlich kann CAMPA dazu beitragen, einen durchsuchbaren Atlas von intrazellulärer Variation aufzubauen, der dabei helfen würde, die Regeln aufzudecken, nach denen der räumliche Kontext die genomische Aktivität über mehrere Skalen hinweg beeinflusst.
Über die Wissenschaftler:innen
Prof. Dr. Dr. Fabian Theis, Leiter des Computational Health Centers bei Helmholtz Munich, Professor für Mathematical Modelling of Biological Systems an der technischen Universität München (TUM), TUM School of Life Sciences Weihenstephan, TUM School of Computation, Information and Technology
Dr. Hannah Spitzer, Postdoc am Computational Health Center bei Helmholtz Munich
Originalpublikation
Spitzer and Berry et al. (2023): Learning consistent subcellular landmarks to quantify changes in multiplexed protein maps. Nature Methods DOI:https://doi.org/10.1038/s41592-023-01894-z
Informationen zur Finanzierung
S.B. acknowledges support from a European Molecular Biology Organisation long-term fellowship (ALTF1175-2016), a Human Frontiers Science Programme long-term fellowship (LT000238/2017-L), an Australian Research Council Discovery Early Career Researcher Award (DE230100271) and the University of New South Wales. L.P. is supported by the European Research Council (ERC-2019-AdG-885579) and the Swiss National Science Foundation (SNSF grant 310030_192622). S.B. and L.P. acknowledge support from the University of Zurich. H.S. and F.J.T. acknowledge support from the German Federal Ministry of Education and Research (BMBF) (031L0210A) and from the Helmholtz Association’s Initiative and Networking Fund through Helmholtz AI ( ZT-I-PF-5-01).