Organoid painting: een objectieve strategie om humane weefselanalogen op individueel celniveau te fentoyperen met behulp van deep learning-verbeterde beeldvorming en analyse.

De ontdekking van nieuwe, therapeutisch waardevolle moleculen berust op het gebruik van celculturen, welke sterk vereenvoudigd zijn, en diermodellen die niet noodzakelijk overeenstemmen met de mens. Suboptimale modellen aan de preklinische kant, zullen onvermijdelijk leiden tot een groot verlies van kandidaatmoleculen in klinische studies. Dankzij de opkomst van humane geïnduceerde pluripotente stamceltechnologie, is het mogelijk geworden om organoïden te genereren die een meer getrouwe samenstelling en driedimensionele structuur hebben. Jammer genoeg bemoeilijkt de complexe, ondoorzichtig aard van deze weefselanalogen hun integratie in een routine screening omgeving. Wij willen een raamwerk ontwikkelen waarmee organoiden grondig kunnen worden gekarakteriseerd. Meer specifiek, bundelen wij onze expertise in microscopische beeldvorming en deep learning om zeer snelle, hoog-kwalitatieve beeldvorming en cellulaire fenotypering van organïden mogelijk te maken. Om de relevantie kracht bij te zetten, zullen we deze methode toepassen op twee industrieel-relevante voorbeeldapplicaties, met name om celstatus te onderscheiden in tumorsferoïden en om celtypes te identificeren in neuro-organoïden. Eens op punt, geloven wij dat dit raamwerk gretig zal worden aangewend door farmaceutische en klinische onderzoekslaboratoria die hun moleculaire bibliotheken op een relevanter model willen evalueren. Tevens zal het een rol kunnen spelen bij de kwaliteitsbeoordeling van weefselanalogen in de context van regeneratieve geneeskunde.

Trefwoorden:LIGHT SHEET MICROSCOPIE, DIEP LEREN, GENEESMIDDELENSCREENING

Disciplines:Biomedische beeldverwerking, Patroonherkenning en neurale netwerken, Datavisualisatie en high-throughput beeldanalyse