Montag, 21. August 2017
Benutzername
Passwort
Registrieren
Passwort vergessen?

Home
e-journal
Der Aktuelle Fall
CME online
News
Gesundheitspolitik
Fachgesellschaften
Therapiealgorithmen
Videos
Veranstaltungen
Broschüren


Suche
Archiv
Buchbestellung
Newsletter
Probe-Abo
Impressum


journalmed.de


Anzeige:
Fachinformation
 
Anzeige:
 
 

JOURNAL ONKOLOGIE – NEWS
Zurück
Zurück
E-Mail
Email
Drucken
Drucken
Zum Bewerten bitte anmelden!
23. Februar 2017

Algorithmus sagt Entwicklung von Blutstammzellen voraus

Autonomes Fahren, automatische Spracherkennung oder das Spiel Go – die Methode des Deep Learning ist momentan in aller Munde. Wissenschaftler haben sie nun eingesetzt, um die Entwicklung von Blutstammzellen im Voraus zu berechnen. In der Fachzeitschrift Nature Methods beschreiben sie, wie ihre Software anhand von Mikroskopie-Bildern den künftigen Zelltyp vorhersagt und es möglich macht, mit ähnlichen Algorithmen krankheitsassoziierte Muster im Genom zu analysieren.
Anzeige:
 
 
„Die Entscheidung einer Blutstammzelle für einen Zelltyp lässt sich nicht beobachten. Man kann sie bisher nur nachträglich durch Zelloberflächenmarker nachweisen“, erklärt Dr. Carsten Marr, Leiter der Arbeitsgruppe Quantitative Single Cell Dynamics am Institute of Computational Biology (ICB) des Helmholtz Zentrums München. Er und sein Team haben nun einen Algorithmus entwickelt, der die Entscheidung bereits im Vorfeld voraussagen kann. Dazu wendeten sie das sogenannte Deep Learning an. „Bei unserer Methode spielen Deep Neural Networks, also künstliche Intelligenz, eine tragende Rolle“, so Marr. „Unser Algorithmus wertet lichtmikroskopische Bilder und Videos einzelner Zellen aus und gleicht diese Daten mit bisherigen Erfahrungen zur Entwicklung derartiger Zellen ab. Der Algorithmus "lernt" auf diese Weise, wie sich bestimmte Zellen verhalten.“

Drei Generationen schneller als bisherige Methoden

Konkret untersuchten die Forscher Blutstammzellen, die im Labor von  Timm Schroeder an der ETH Zürich unter dem Mikroskop gefilmt worden waren.* Anhand der Informationen über Aussehen und Geschwindigkeit konnte die Software sich die entsprechenden Verhaltensmuster einprägen und anschließend voraussagen. „Verglichen mit herkömmlichen Methoden, etwa fluoreszierenden Antikörpern gegen bestimmte Oberflächenproteine, wissen wir drei Zellgenerationen früher, wie sich die Zellen entscheiden werden“, berichtet ICB-Wissenschaftler Dr. Felix Buggenthin, gemeinsam mit Dr. Florian Büttner Erstautor der Studie.

Doch was bringt den Forschern dieser Blick in die Zukunft? Studienleiter Marr beschreibt es so: „Weil wir nun wissen, welche Zelle sich wie entwickelt, können wir diese früher als bisher isolieren und untersuchen, wie sie sich molekular unterscheiden. Dadurch wollen wir aufklären, wie es zur jeweiligen Entscheidung für eine Entwicklungslinie kommt.“

In Zukunft wird es nicht bei den Blutstammzellen bleiben. „Wir verwenden Deep Learning für ganz unterschiedliche Fragestellungen mit ausreichend großen Datensätzen“, erklärt Prof. Dr. Dr. Fabian Theis, ICB-Direktor und Inhaber des Lehrstuhls für Mathematische Modelle biologischer Systeme an der TU München, der zusammen mit Carsten Marr die Studie leitete. „So analysieren wir mit ganz ähnlichen Algorithmen krankheitsassoziierte Muster im Genom und identifizieren Biomarker in klinischen Zell-Screens.“

* Die hier beschrieben Studie ist das aktuellste Ergebnis einer engen Kooperation der ICB-Wissenschaftler mit der Gruppe von Prof. Dr. Timm Schroeder vom Departement Biosysteme der ETH Zürich mit Sitz in Basel, der zuvor am Helmholtz Zentrum in München arbeitete. Im Juli 2016 stellten die Wissenschaftler in ‚Nature Biotechnology‘ gemeinsam eine Software vor, die es erlaubt, einzelne Zellen über Wochen zu beobachten und gleichzeitig deren molekulare Eigenschaften zu messen. Nahezu zeitgleich publizierten sie eine Studie im Fachmagazin Nature, die sich bereits mit der Entwicklung von Blutstammzellen beschäftigte. Mittels Zeitraffer-Mikroskopie konnten die Forscher lebende Blutstammzellen mit bisher nicht gekannter Präzision bei der Ausreifung beobachten und dabei bestimmte Proteine quantifizieren.
Helmholtz Zentrum München
Literatur:
Felix Buggenthin, Florian Buettner,mPhilipp S Hoppe et al.
Prospective identification of hematopoietic lineage choice by deep learning.
Nature Methods; DOI: 10.1038/nmeth.4182
http://www.nature.com/nmeth/journal/vaop/ncurrent/full/nmeth.4182.html
 
Zurück
Zurück
E-Mail
Email
Drucken
Drucken
Zum Bewerten bitte anmelden!



Anzeige:
 
 
Anzeige:
 
 
 
 
Themen
CML
NET
Nutzen Sie auch die Inhalte von journalmed.de, um sich zu Informieren.
Mediadaten
Hilfe
Copyright © 2014 rs media GmbH. All rights reserved.
Kontakt
Datenschutz
AGB
Fakten über Krebs
 
ASCO 2017