Gesunde Zellen haben andere mechanische Eigenschaften als pathologische Zellen. Biomechanische Messungen mit einem Rasterkraftmikroskop (AFM) haben gezeigt, dass Krebszellen von normalen Zellen unterschieden werden können. Die Ergebnisse dieser Messungen könnten daher für die Diagnose verwendet werden, vorausgesetzt, die AFM-Technologie ist in der Lage, mit hohem Durchsatz zu arbeiten.
Um diese Herausforderung zu meistern, hat ein Team des LAAS-CNRS in Zusammenarbeit mit der Mechanobiologie-Abteilung des Restore-Labors (CNRS/Établissement français du sang/Inserm/Université Toulouse Paul Sabatier) ein automatisiertes System für biomechanische AFM-Messungen entwickelt, das eine große Anzahl von Messungen in kurzer Zeit durchführt.
Der erste Schritt besteht darin, die Zellen auf einem mikrostrukturierten Chip zu immobilisieren. Die biomechanischen Messungen werden dann automatisch durchgeführt, wobei eine Steuerungssoftware das AFM von einer Zelle zur nächsten bewegt. Um die Messungen zu standardisieren, wurden Parameter wie die Verteilung der Zellen auf dem Chip, die Geometrie der AFM-Sonde und die Bewegungsgeschwindigkeit optimiert und festgelegt. Mit diesem System konnte das LAAS-Team fast tausend Zellen in zwei Stunden messen, während mit einem herkömmlichen AFM ein ganzer Tag benötigt wird, um nur einige Dutzend Zellen zu messen.
Für jede Zelle zeichnet das AFM 16 Kraftkurven auf (Variationen der Kraft in Abhängigkeit vom Abstand zwischen der AFM-Sonde und der Zellwand), was die Messung und Berechnung von sieben mechanischen Eigenschaften ermöglicht, die für die Klassifizierung von gesunden oder krebsartigen Zellen relevant sind. Die große Menge der so gesammelten Daten (mehr als 100.000 Merkmale) ermöglicht dann den Einsatz von maschinellen Lernverfahren, um gesunde und krebsartige Zellen zu unterscheiden.
Links: Zellen, die auf Mikrostrukturen aus Fibronectin organisiert sind, der Einschub unten rechts zeigt eine vergrößerte Ansicht einer Zelle. Der AFM-Hebel ist das schwarze Dreieck, die Sonde befindet sich am unteren Ende des Dreiecks.
In der Mitte, Fluoreszenzbild einer Kokultur von Krebszellen (grün) und gesunden Zellen (die anderen). Dieses Verfahren ermöglicht die Überprüfung der Vorhersagen des Algorithmus.
Rechts, Ergebnis der Klassifizierung durch den Fuzzy-Logik-Algorithmus LAMDA, der darauf trainiert wurde, gesunde und krebsartige Zellen zu unterscheiden.
© Étienne Dague
Mithilfe eines KI-Werkzeugs, das auf einem am LAAS entwickelten Fuzzy-Logik-Algorithmus basiert, wurden das maschinelle Lernen und anschließend der Test des Systems an nicht malignen und krebsartigen Prostatazelllinien sowie an nicht malignen und krebsartigen Hautfibroblasten-Zelllinien durchgeführt.
Die Tests zeigten die Fähigkeit des Systems, 73 % der Zellen korrekt zu klassifizieren. Je nach den festgelegten Klassifizierungsschwellen produziert das System mehr oder weniger falsch positive (gesunde Zelle als pathologisch klassifiziert) oder falsch negative (Krebszelle als gesund klassifiziert) Ergebnisse. Daher betonen die Forscher, dass eine Feinabstimmung mit Klinikern in Abhängigkeit von der beabsichtigten Anwendung (Diagnose, Chemotherapieüberwachung...) vorgenommen werden muss.
Das LAAS-Team setzt die Entwicklung des Systems fort, indem es andere maschinelle Lernalgorithmen testet, um die Rate der korrekten Klassifizierungen zu verbessern. Ein weiteres Projekt widmet sich der Unterscheidung von Bauchspeicheldrüsenkrebszellen. Darüber hinaus wird eine neue Anwendung untersucht: die Qualitätskontrolle von mesenchymalen Stammzellen, die für die Geweberegeneration in Zusammenarbeit mit Restore bestimmt sind.