High-throughput systeem voor levensvatbaarheidsmonitoring van volwassen Caenorhabditis elegans

Kleine wormen observeren om veroudering te begrijpen

Veel wetenschappers bestuderen veroudering door het leven van kleine wormen, Caenorhabditis elegans, te volgen; deze dieren worden in een paar weken oud en delen veel basissystemen van de biologie met mensen. Het volgen van honderden wormen met het blote oog op Petri-schalen is echter traag, vermoeiend werk en kan fouten introduceren. Deze studie beschrijft een volledig geautomatiseerd systeem dat wormen in een stabiele omgeving houdt, ze duidelijk fotografeert en computer vision gebruikt om te bepalen welke wormen leven, waardoor grootschalige verouderings- en medicijntests veel eenvoudiger uitvoerbaar zijn.

Een nieuwe manier om veel wormen bij te houden

De onderzoekers wilden twee grote problemen oplossen die huidige geautomatiseerde worm-opstellingen beperken: vage, ongelijkmatige afbeeldingen en verwarring tussen wormen en achtergrondruis zoals schimmel of bellen. Hun oplossing is een geïntegreerd hardware- en softwareplatform dat volwassen wormen continu kan volgen. Een aangepaste laboratoriumincubator houdt tientallen Petri-schalen bij gecontroleerde temperatuur en luchtvochtigheid, terwijl ingebouwde camera's en lampen elke schaal volgens een schema scannen. Samen veranderen deze onderdelen wat ooit handwerk was voor een of twee getrainde mensen in een grotendeels hands-off proces dat een maand of langer kan draaien.

Slimme hardware voor heldere en zachte beeldvorming

Aan de hardwarekant begon het team met een commerciële incubator en bewerkte deze voor wormverzorging en beeldvorming. Ze voegden baffled ventilatoren toe om luchtstromen te voorkomen die de schalen uitdrogen, vervingen lampen door ultraviolette lampen voor periodieke desinfectie en installeerden blauwe verlichting voor experimenten die specifieke lichtsignalen vereisen. De belangrijkste upgrade is een vlakke, gekollimeerde lichtplaat onder een geperforeerde plaat die tot 36 schalen kan dragen. Dit type verlichting baddert elke schaal in gelijkmatig, koel licht en voorkomt schittering en wazigheid. Tests toonden aan dat foto’s genomen met het gekollimeerde licht veel scherper waren dan met gewone lampen, waardoor de computer een helderder beeld van elke worm kreeg.

De software leren wormen te onderscheiden van rommel

De software bestuurt zowel beeldacquisitie als beeldanalyse. Een rij van zes industriële camera's rijdt op een eenvoudige lineaire rail binnenin de incubator, zodat elke pass snel zes kolommen schalen kan fotograferen zonder complexe bewegingen. De beelden worden vervolgens doorgegeven aan een deep-learningmodel gebaseerd op de YOLOv5-objectdetectiefamilie. Het team trainde dit model op meer dan twaalfduizend afbeeldingen, waarbij ze niet alleen wormen markeerden maar ook veelvoorkomende lookalikes labelden, waaronder ringvormige markeringen, stukjes schimmel en luchtbellen. Door deze afzonderlijke categorieën te herkennen, is het systeem veel minder geneigd rommel voor dieren aan te zien bij het tellen.

Gemiste wormen vinden met een tweede blik

Zelfs een sterk detectiemodel kan soms wormen missen, vooral donkere exemplaren die in de achtergrond opgaan. Om dit aan te pakken voegden de auteurs een tweede pass toe die het model richt op wat het de eerste keer over het hoofd zag. Na de eerste detectieronde schildert de software alle gevonden wormen wit over en draait de detector opnieuw. Zonder de duidelijke dieren die om aandacht concurreren, kan het model de zwakke, eerder verborgen wormen oppikken. In tests verspreid over tien dagen en 36 schalen verlaagde deze tweetrapsbenadering het percentage gemiste detecties van 1,75 procent naar 0,8 procent, tegen de prijs van enige extra rekentijd.

Snel en nauwkeurig tellen gedurende het hele leven

Om te beoordelen hoe goed het systeem presteert in echte experimenten vergeleek het team het met zorgvuldig handmatig tellen. Voor een set van 36 schalen met elk 15 tot 30 volwassen wormen hadden twee getrainde onderzoekers ongeveer tweeënhalf tot drie uur nodig om klaar te zijn, terwijl de geautomatiseerde opstelling slechts 36 tot 60 minuten nodig had. De automatische tellingen van levende wormen kwamen in meer dan 95 procent van de gevallen overeen met handmatige tellingen, met zeer weinig valse alarmen en misses. In een 30-daagse proef die 96 wormen van volwassenheid tot overlijden volgde, waren de dagelijkse overlevingscurves van het systeem bijna identiek aan die van menselijke waarnemers, waarbij statistische tests een zeer sterke overeenstemming en geen betekenisvolle bias lieten zien.

Wat dit betekent voor verouderings- en medicijnonderzoek

In eenvoudige termen hebben de onderzoekers een betrouwbare robotassistent voor wormverouderingsstudies gebouwd. Het kan honderden wormen tegelijk verzorgen in een zachte, goed gecontroleerde omgeving, duidelijke beelden van hen maken en getrainde software gebruiken om te bepalen welke wormen nog bewegen. Het systeem vermindert de tijd en inspanning die mensen aan de microscoop moeten besteden aanzienlijk, terwijl de resultaten in lijn blijven met de geaccepteerde manuele standaard. Hoewel toekomstig werk nodig is om jongere levensstadia te behandelen en verlamde maar levende wormen te onderscheiden van echt dode exemplaren, biedt dit platform al een sterk, praktisch hulpmiddel om te bestuderen hoe genen, omgeving en kandidaat-geneesmiddelen de levensduur beïnvloeden.

Bronvermelding: Lin, Q., Weng, J., Cheng, Z. et al. High-throughput adult Caenorhabditis elegans viability monitoring system. Sci Rep 16, 15014 (2026). https://doi.org/10.1038/s41598-026-43579-5

Trefwoorden: C. elegans, levensduurmonitoring, geautomatiseerde beeldvorming, deep learning, verouderingsonderzoek