Fischei-Sortierer
Fischeier mit maschinellem Lernen automatisch sortieren
Zebrafische besitzen fast alle Gene, die Menschen auch haben. Daher eignen sich ihre Eier als Modellorganismus für die Gen- und Wirkstoffforschung. Die Probenvorbereitung erfolgt mit Machine-Learning künftig automatisch.
Bild 1 | Prototyp des automatisierten Fischsortierers. Herzstück der Anlage ist ein Kamerasystem, das den Befruchtungszustand in Kombination mit einem Machine-Learning-Algorithmus erkennt. (Bild: Fraunhofer IPA)
Der Zebrafisch, auch Zebrabärbling genannt, ist seit langem ein beliebter Modellorganismus in der Zell- und Molekularbiologie. Die sechs Zentimeter langen Winzlinge entwickeln sich in durchsichtigen Eiern außerhalb des Mutterleibs. Forscher schätzen den Fisch wegen seiner Transparenz – bis ins frühe Larvenstadium hinein können sie seine Zellen und Organe unter dem Lichtmikroskop beobachten, ohne die Embryonen dabei zu verletzen. Ein geschlechtsreifes Weibchen kann wöchentlich mehrere hundert Eier legen, die sich für die Gen- und Wirkstoffforschung im Labor eignen, etwa für die krebstoxikologische Forschung oder die Untersuchung von Herzkrankheiten. Das Genom des Zebrafischs stimmt zu 70 Prozent dem des Menschen überein, auch wichtige Organsysteme sind identisch – eine ideale Voraussetzung für die biomedizinische Forschung.
Bild 2 | Befruchtetes Fischei mit mehr als zwei Zellen. (Bild: Stefan Scholz / Helmholtz-Zentrum für Umweltforschung GmbH – UFZ)
Hochdurchsatz-Analyseverfahren
Diffizil ist jedoch die Probenvorbereitung der Fischeier: Diese müssen von einer Fachkraft einzeln auf ihren Befruchtungszustand untersucht, mikroskopisch klassifiziert und anschließend in einer Mikrotiterplatte abgelegt werden. Um eine Mikrotiterplatte mit 96 Gefäßen zu befüllen, benötigt eine trainierte Laborangestellte etwa zwölf Minuten, die Fehlerrate ist aufgrund der monotonen Tätigkeit erhöht. Forscher des Fraunhofer IPA wollen diesen Arbeitsvorgang erheblich beschleunigen. Eine automatisierte Lösung soll künftig drei Eier pro Sekunde klassifizieren. Die befruchteten Eier werden in weniger als zwei Minuten in eine 96-Well-Mikrotiterplatte einsortiert. Ziel ist es, ein Hochdurchsatz-Analyseverfahren zu etablieren, das sich in eine vollautomatisierte Anlage integrieren lässt, um den Probendurchsatz zusätzlich zu erhöhen. Das Ministerium für Wirtschaft, Arbeit und Wohnungsbau des Landes Baden-Württemberg fördert die Entwicklung des Verfahrens im Rahmen des Projekts ´Applikationszentrum Labor 4.0 – Das Labor in der Cloud!´ „Mit unserer Technologie entlasten wir nicht nur Laboranten bei der Aufbereitung der Proben, sondern umgehen den Engpass in der Prozesskette, senken die Personalkosten und beschleunigen beispielsweise die Erforschung von Medikamenten“, so Bastian Standfest, Wissenschaftler der Gruppe Technologie- und Geräteentwicklung in der Abteilung Laborautomatisierung und Bioproduktionstechnik am Fraunhofer IPA. Gemeinsam mit Gruppenleiter Martin Thoma und den Kollegen Xi Chen und Sascha Getto der Abteilung Bild- und Signalverarbeitung entwickelt er den automatisierten Fischeisortierer, der derzeit als Prototyp vorliegt. Herzstück des Sortierers ist ein Kamerasystem, das den Befruchtungszustand in Kombination mit einem Machine-Learning-Algorithmus erkennt.
Selbstlernendes System
Die befruchteten und unbefruchteten Eier werden zunächst aus einem belüfteten Behälter mit einer rotierenden Spritze aufgesaugt und in eine Transferflüssigkeit verteilt, um im nächsten Schritt in einen Fluidik-Kanal geleitet und dort vereinzelt zu werden. Optische Sensoren prüfen, ob der Vorgang erfolgreich war. Das Kamerasystem detektiert anschließend den Befruchtungszustand mithilfe des Deep-Learning-Algorithmus, der die verschiedenen Zellstadien identifiziert. „Wir trainieren den Algorithmus durch eine Datenbank mit Bildern von klassifizierten Fischeiern. Dabei definiert er die diversen Merkmale der Zellstadien und trifft so eine Aussage, ob ein Ei befruchtet ist oder nicht“, erläutert Standfest den Prozess. Die befruchteten Eier werden durch einen Druckstoß vom Fluidik-Chip in die Mikrotiterplatte abgelegt. Erste Tests sind vielversprechend, die Falsch-positiv-Rate ist gering – unbefruchtete Eier wurden nur in 0,2% der Fälle als befruchtet klassifiziert. Das Forscher-Team geht davon aus, mehrere tausend Eier pro Stunde einsortieren zu können. Derzeit arbeiten Standfest und seine Kollegen daran, die Geschwindigkeit des Prozesses zu maximieren, auch der Algorithmus wird optimiert. „Durch die ständige Rückkopplung der neu aufgenommenen Bilder verbessern wir diesen sukzessive. Ziel ist die Entwicklung eines selbstlernenden Systems“, so Standfest. „Es lässt sich auch an weitere makroskopische Sortierprozesse anpassen, etwa zum automatischen Vereinzeln und Klassifizieren anderer Organismen“. Der aktuelle Aufbau dient als erster Anwendungsfall für ein intelligentes und selbstlernendes System. Die neue Plattformtechnologie dient als Einstieg in Biointelligente Systeme und kann zukünftig an verschiedene Anwendungsbereiche angepasst werden.
