Für die Verwendung von zellbasierten Therapeutika ist vor allem die korrekt Identifikation
sowohl vom Ausgangsmaterial wie auch dem produziertem Material von
zentraler Wichtigkeit. In dieser Arbeit wurde eine Methodik entwickelt, welche eine
nicht-invasive Klassifizierung von Zellen und zellulärer Entwicklung aufgrund ihrer
zweidimensionalen Magnetresonanz-Korrelationsspektren ermöglichte.
Hierzu wurde ein mobiler MR-Scanner mit einer Feldstärke von 0.5T und einem Isozentrum
von 1 cm3 verwendet. Aufgrund der kompakten und leichten Bauweise war
es möglich, das System in normalen Zellkulturlaboren zu verwenden. Von den Proben
wurde ein zweidimensionales T1/T2 -Korrelationsspektrum aufgenommen, anhand
dessen die Zellen klassifiziert werden sollten. Mithilfe von Agarose-Dotagraf® -Zell-
Phantomen konnte die Stabilität und Reproduzierbarkeit des Messsystems und der
verwendeten Sequenz validiert werden.
Aufgrund der unter Umständen recht langen Messzeiten der MR-Technologie war
auch die Handhabung und Kultur der Zellproben während des Messprozesses von
großer Bedeutung. Um hierfür den Durchsatz an Proben zu erhöhen, wurde eine kostengünstige
und ebenfalls mobile Robotikanlage entwickelt. Diese basierte auf dem
kommerziell erhältlichen Roboterarm Braccio, welcher durch einen Arduino Mega
Mikrocontroller gesteuert wurde. Mit bis zu 24 Proben pro Tag konnte durch die
Automatisierung der Durchsatz an Proben um den Faktor 3 – 4 gesteigert werden.
Durch den entwickelten Prozess war es möglich, eine umfangreiche Datenbank –
bestehend aus 362 unabhängigen Messungen (biologische Replikate) – aufzubauen.
Die Datenbank enthielt Messungen von zehn unterschiedlichen Zelllinien. Zusätzlich
wurden T1/T2 -Korrelationsspektren von mesenchymalen Stromazellen (MSCs)
vor und nach deren Differenzierung zu Adipocyten aufgenommen, um ihre zelluläre
Entwicklung nicht-invasiv charakterisieren zu können.
Die aufgenommenen Daten wurden mithilfe einer geeigneten Support Vector Machine
wie auch angepassten künstlichen neuronalen Netzwerken klassifiziert. Mithilfe
dieser Methoden konnten die Zelllinien und MSCs anhand ihrer aufgenommenen
Korrelationsspektren mit einer Genauigkeit von bis zu 98% klassifiziert werden.
Diese hohe Treffsicherheit legte den Schluss nahe, dass die Kombination aus nichtinvasiver,
zweidimensionaler T1/T2 -MR-Relaxometrie und der Verwendung von geeigneten
Methoden des machine learning und der künstlichen Intelligenz eine effiziente
Methodik für die nicht-invasive Klassifizierung von Zellen sowie zellulärer
Entwicklung darstellt. / For the use of cell-based therapeutics, the correct identification of both the starting
material and the produced material is of central importance. In this work, a methodology
was developed that allowed non-invasive classification of cells and cellular
development based on their two-dimensional magnetic resonance correlation spectra.
For this purpose, a mobile MR scanner with a field strength of 0.5T and an isocenter
of 1 cm3 was used. Due to its compact and lightweight design, it was possible
to use the system in normal cell culture laboratories. A two-dimensional T1/T2 -
correlation spectrum was recorded from the samples, which was used to classify the
cells. Agarose-Dotagraf® cell phantoms were used to validate the stability and reproducibility
of the measurement system and the sequence used.
Due to the possibly quite long measurement times of the MR technology, the handling
and culture of the cell samples during the measurement process was also of great
importance. To increase the throughput of samples for this purpose, a low-cost and
also mobile robotic system was developed. This was based on the commercially
available Braccio robotic arm, which was controlled by an Arduino Mega microcontroller.
With up to 24 samples per day, the automation increased the throughput
of samples by a factor of 3 - 4. Through the developed process it was possible to
build an extensive database – consisting of 362 independent measurements (biological
replicates) . The database contained measurements from ten different cell
lines. In addition, T1/T2 -correlation spectra of mesenchymal stromal cells (MSCs)
before and after their differentiation into adipocytes were recorded to characterize
their cellular development non-invasively. The recorded data were classified using
an appropriate Support Vector Machine as well as adapted artificial neural networks.
Using these methods, the cell lines and MSCs could be classified based on
their recorded correlation spectra with an accuracy of up to 98 %. This high accuracy
suggested that the combination of non-invasive, two-dimensional T1/T2 -MR
relaxometry and the use of appropriate machine learning and artificial intelligence
methods is an efficient methodology for the non-invasive classification of cells as well
as cellular development.
| Identifer | oai:union.ndltd.org:uni-wuerzburg.de/oai:opus.bibliothek.uni-wuerzburg.de:34516 |
| Date | January 2023 |
| Creators | Fey, Philipp |
| Source Sets | University of Würzburg |
| Language | deu |
| Detected Language | English |
| Type | doctoralthesis, doc-type:doctoralThesis |
| Format | application/pdf |
| Rights | https://opus.bibliothek.uni-wuerzburg.de/doku/lic_mit_pod.php, info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds