Erhöhte Präzision in der Zellkultur-Analyse: Künstliche Intelligenz für unbeeinflusste und nicht-destruktive Bewertung von Zellwachstum und -vitalität

Warum Zellkontrollen wichtig sind

Hinter jedem neuen Medikamententest oder grundlegenden Biologie-Experiment stehen lebende Zellen, die in Kunststoffschalen wachsen. Forschende müssen wissen, wie viele Zellen vorhanden sind, wie schnell sie wachsen und wie viele noch leben. Heute erfolgt das oft visuell, manuell oder mit chemischen Farbstoffen, was langsam, kostspielig und anfällig für menschliche Fehler ist. Diese Studie stellt SnapCyte vor, ein Werkzeug der künstlichen Intelligenz, das einfache Mikroskopbilder liest, um Zellwachstum und -gesundheit schnell zu beurteilen – ohne zusätzliche Reagenzien oder teure Geräte.

Ein neuer Weg, Zellen beim Wachsen zu beobachten

Die Autorinnen und Autoren wollten subjektive, manuelle Kontrollen durch einen objektiveren Ansatz ersetzen. Sie entwickelten SnapCyte, um gewöhnliche Zellbilder zu analysieren, die mit Standardmikroskopen oder sogar Smartphones aufgenommen wurden. Das System konzentriert sich auf drei Grundfragen: welchen Anteil der Platte die Zellen bedecken (Konfluenz), wie viele Zellen vorhanden sind (Zellzahl) und welcher Anteil lebend gegenüber tot ist (Vitalität). Zum Training der Software stellten sie eine große, sorgfältig annotierte Bildsammlung aus vielen Zelltypen, Kulturgefäßen und Aufnahmebedingungen zusammen. Fachleute zeichneten Zellbereiche nach und zählten Zellen; diese Beispiele dienten dann dazu, Deep-Learning-Modelle darauf zu trainieren, Muster zu erkennen, die mit Abdeckung, Anzahl und Gesundheit der Zellen zusammenhängen.

Dem Computer beibringen, wie ein Zellen-Experte zu sehen

Zur Beurteilung, wie viel einer Oberfläche von Zellen bedeckt ist, nutzte das Team eine Art Bildanalyse-Netzwerk, das jeden Pixel als „Zelle“ oder „keine Zelle“ klassifizieren kann. Sie trainierten und korrigierten dieses Modell iterativ, bis es bei unabhängigen Testbildern eine Genauigkeit von über 90 Prozent erreichte. SnapCytes Schätzungen der Zellabdeckung stimmten nahezu perfekt mit denen von Expertinnen und Experten überein und übertrafen deutlich mehrere andere gängige Softwaretools. Das System blieb auch bei wechselnder Bildqualität und Auflösung genau, was darauf hindeutet, dass es mit ungleichmäßiger Beleuchtung, Fokus und Kontrast umgehen kann, wie sie im Laboralltag üblich sind.

Von Abdeckung zu Zählung und Zellgesundheit

Einzelne Zellen zu zählen und zu entscheiden, welche lebendig sind, ist schwieriger, insbesondere wenn Zellen überlappen oder in der Größe variieren. Um das zu meistern, passten die Forschenden ein bestehendes Segmentierungsnetzwerk an und retrainierten es an Bildern vieler Zelltypen, Blutkörperchen und sogar Kunststoffkügelchen mit bekannten Größen. Sie verwendeten einen "Human-in-the-loop"-Prozess, korrigierten wiederholt Fehler und fügten schwierigere Beispiele hinzu, bis das Modell mehr als 95 Prozent der Zellen finden konnte und selten Trümmer mit Zellen verwechselte. Ein Begleitmodell lernte, Zellgrößen abzuschätzen und lebende von toten, mit gängigen Farbstoffen gefärbten Zellen zu trennen. In Tests mit gemischten lebenden und toten Proben lagen SnapCytes Ergebnisse weniger als fünf Prozent von den Zählungen von Expertinnen und Experten entfernt, während frühere Machine-Learning-Ansätze deutlich größere Abweichungen zeigten.

KI gegen klassische Labormethoden im Vergleich

Das Team prüfte anschließend, ob SnapCyte Standardtests für Wachstum und Toxizität in Forschung und Arzneimittelentwicklung ersetzen oder erreichen kann. Sie verglichen seine Messungen der Zellabdeckung mit direkten Zellzählungen, farbbasierten Assays zur Verfolgung des Stoffwechsels und einem kommerziellen Live-Cell-Imaging-Gerät. In mehreren Zelllinien und Wirkstoffbehandlungs-Experimenten stimmten SnapCytes Messwerte eng mit diesen etablierten Methoden überein und zeigten oft weniger Variabilität zwischen Anwendern. Das Tool konnte außerdem die Verdopplungszeit der Zellen abschätzen und Wirkstoffempfindlichkeitswerte liefern, die mit veröffentlichten Daten übereinstimmten – und dabei weniger Platten, weniger Reagenzien und deutlich weniger Hands-on-Zeit benötigten.

Was das für die Routinetätigkeit im Labor bedeutet

Insgesamt zeigt die Studie, dass einfache Bilder von Zellkulturen genügend visuelle Informationen enthalten, damit ein trainiertes KI-System abschätzen kann, wie viele Zellen vorhanden sind und wie gesund sie sind – ohne die Zellen zu berühren oder Chemikalien hinzuzufügen. SnapCyte liefert schnelle, konsistente Messungen, die weitgehend unabhängig davon sind, wer es benutzt oder welches Mikroskop zur Verfügung steht. Für praktizierende Wissenschaftlerinnen und Wissenschaftler könnte dies Routinekontrollen des Zellwachstums zuverlässiger und weniger arbeitsintensiv machen und gleichzeitig dieselben Zellen für spätere Experimente erhalten.

Zitation: Wong, C.P., Khazamipour, N., Aalibagi, S. et al. Enhanced precision in cell culture analytics: leveraging artificial intelligence for unbiased and non-destructive assessment of cell growth and viability. Cell Death Discov. 12, 234 (2026). https://doi.org/10.1038/s41420-026-03116-9

Schlüsselwörter: Zellkultur, Künstliche Intelligenz, Zellzählung, Zellvitalität, Bildanalyse