Verbeterde precisie in celkweekanalyse: kunstmatige intelligentie voor onbevooroordeelde en niet-destructieve beoordeling van celgroei en levensvatbaarheid

Waarom controle van cellen belangrijk is

Achter elke nieuwe medicijntest of elk basisbiologisch experiment groeien levende cellen in plastic schaaltjes. Onderzoekers moeten weten hoeveel cellen ze hebben, hoe snel die cellen groeien en hoeveel er nog leven. Tegenwoordig gebeurt dit vaak visueel, handmatig of met chemische kleurstoffen, wat traag, duur en gevoelig voor menselijke fouten is. Deze studie introduceert SnapCyte, een kunstmatige-intelligentietool die eenvoudige microscoopbeelden leest om snel celgroei en gezondheid te beoordelen, zonder extra reagentia of dure apparatuur.

Een nieuwe manier om celgroei te observeren

De auteurs wilden subjectieve, handmatige controles vervangen door een objectievere aanpak. Ze bouwden SnapCyte om gewone beelden van cellen, gemaakt met standaardmicroscopen of zelfs smartphones, te analyseren. Het systeem richt zich op drie kernvragen: welk deel van het schaaltje door cellen wordt bedekt (confluentie), hoeveel cellen aanwezig zijn (celtelling) en welk deel levend versus dood is (levensvatbaarheid). Om de software te trainen stelden ze een grote, zorgvuldig gelabelde beeldverzameling samen van veel verschillende celtypen, kweekvaten en beeldomstandigheden. Experts tekenden celgebieden uit en telden cellen; deze voorbeelden werden gebruikt om deep-learningmodellen te leren patronen te herkennen die verband houden met celbedekking, aantallen en gezondheid.

De computer leren zien als een celeexpert

Om te beoordelen welk deel van een oppervlak door cellen is bedekt, gebruikte het team een type beeldanalyzenetwerk dat elk pixel kan omzetten in een eenvoudige ‘cel’ of ‘geen cel’-beslissing. Ze trainden en corrigeerden dit model iteratief totdat het meer dan 90 procent nauwkeurigheid bereikte op onafhankelijke testbeelden. De schattingen van SnapCyte voor celbedekking stemden vrijwel perfect overeen met die van menselijke experts en overtroffen duidelijk meerdere andere gangbare softwaretools. Het systeem bleef ook nauwkeurig wanneer beeldkwaliteit en resolutie varieerden, wat suggereert dat het om kan gaan met de ongelijke belichting, scherpte en contrast die typisch zijn in het dagelijks laboratoriumwerk.

Van bedekking naar tellingen en celgezondheid

Het afzonderlijk tellen van cellen en bepalen welke cellen levend zijn is moeilijker, vooral wanneer cellen overlappen of in grootte variëren. Om dit aan te pakken pasten de onderzoekers een bestaand celsegmentatienetwerk aan en trainden het opnieuw op afbeeldingen van vele celtypen, bloedcellen en zelfs kunststofdeeltjes met bekende afmetingen. Ze gebruikten een ‘mens-in-de-lus’ proces, waarbij fouten herhaaldelijk werden gecorrigeerd en uitdagendere voorbeelden werden toegevoegd totdat het model meer dan 95 procent van de cellen kon vinden en zelden puin als cellen aanzag. Een begeleidend model leerde celgrootte te schatten en levende van dode cellen te scheiden die met gangbare kleurstoffen waren gemarkeerd. In testen met mengsels van levende en dode monsters week SnapCyte’s resultaat minder dan vijf procent af van de tellingen van experts, terwijl eerdere machine-learningbenaderingen veel grotere fouten vertoonden.

AI testen tegenover klassieke labmethoden

Het team vroeg zich vervolgens af of SnapCyte standaardgroei- en toxiciteitstests uit onderzoek en medicijnontwikkeling kon vervangen of evenaren. Ze vergeleken de metingen van celbedekking met directe celtellingen, kleurgebaseerde assays die het metabolisme volgen, en een commercieel instrument voor live-celbeeldvorming. In meerdere cellijnen en bij geneesmiddelbehandelingsproeven volgden SnapCyte’s aflezingen deze gevestigde methoden nauw en vertoonden ze vaak minder variatie tussen gebruikers. De tool kon ook inschatten hoe lang het duurt voordat cellen in aantal verdubbelen en gaf geneesmiddelengevoeligheidswaarden die overeenkwamen met gepubliceerde gegevens, terwijl minder platen, minder reagentia en veel minder handmatige tijd nodig waren.

Wat dit betekent voor dagelijks labwerk

Al met al laat de studie zien dat simpele afbeeldingen van celkweken voldoende visuele informatie bevatten voor een getraind AI-systeem om te beoordelen hoeveel cellen aanwezig zijn en hoe gezond ze zijn, zonder de cellen aan te raken of chemicaliën toe te voegen. SnapCyte levert snelle, consistente metingen die grotendeels onafhankelijk zijn van wie het gebruikt of welke microscoop beschikbaar is. Voor werkende wetenschappers kan dit routinematige controles van celgroei betrouwbaarder en minder arbeidsintensief maken, terwijl dezelfde cellen behouden blijven voor latere experimenten.

Bronvermelding: 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

Trefwoorden: celkweek, kunstmatige intelligentie, celtelling, cel levensvatbaarheid, beeldanalyse