LUMIN: ett automatiserat grafiskt analysverktyg för storskalig kalciumbildning av in vitro-neuronala kulturer

Varför det är viktigt att iaktta hjärnceller

Våra hjärnor fungerar genom snabba elektriska signaler, men att faktiskt mäta denna aktivitet inne i levande celler är svårt. Ett vanligt alternativ är att iaktta små ljusblixtar från speciella färgämnen som lyser när kalciumnivåerna stiger i neuroner—en indirekt men kraftfull indikator på hjärnaktivitet. När laboratorier i allt större utsträckning odlar mänskliga nervceller från stamceller för att modellera sjukdomar och testa läkemedel, samlar de stora mängder av dessa ”kalciumfilmer”. Problemet är att omvandla tusentals flimrande celler till tydliga, pålitliga mätningar ofta kräver komplex, specialskriven kod. Den här artikeln presenterar LUMIN, ett användarvänligt programverktyg som låter biologer analysera stora kalciumbildningsexperiment på en vanlig laptop och hjälper till att översätta råfilmer av levande hjärnceller till insikter om hälsa, sjukdom och potentiella behandlingar.

Från lysande celler till big data

Författarna börjar från en enkel fråga: hur kan ett typiskt biologilabb, utan specialistprogrammerare, få ordning på kalciumbildning från stora plattor med mänskliga stamcells‑deriverade neuroner? Dessa kulturer används i allt större utsträckning för att studera tillstånd som Parkinsons sjukdom eller epilepsi och för att screena läkemedelskandidater, men befintliga analysverktyg är till största delen byggda för inspelningar i levande djur. Dessa verktyg korrigerar ofta för hjärnrörelser och utför andra tunga beräkningar som är onödiga för platta cellkulturer, vilket fördröjer analysen och gör användningen mer komplicerad. LUMIN är specifikt designat för celler odlade i skålar. Det omsluter hela arbetsflödet—att hitta individuella celler i varje film, mäta deras kalciumsignaler över tid och omvandla dessa spår till kvantitativa beskrivningar av aktivitet—i ett grafiskt gränssnitt, så att användaren klickar sig igenom stegen istället för att skriva kod.

Hur verktyget ser och mäter varje cell

LUMIN:s arbetsflöde börjar när tidsseriebilder har förvärvats i mikroskopet. En pipeline för ”segmentering och signalextraktion” omvandlar först varje bildstack till en enda karta som framhäver den starkaste signalen över tid, och identifierar sedan individuella celler med moderna bildigenkänningsverktyg som ursprungligen tränats för biologiska bilder. Valfritt kan en kärnfärgning läggas till så att mjukvaran kan matcha varje lysande cellkropp till en kärna, vilket förbättrar noggrannheten. Efter lätt filtrering baserat på cellstorlek och ljusstyrka extraherar programmet medelvärdet av fluorescensen från varje cell i varje bildruta och producerar ett separat kalciumspår för tusentals celler. Denna process skalar linjärt med datamängden, så även tiotusentals celler över flera inspelningar kan bearbetas på ungefär en halvtimme på en standardlaptop.

Två sätt att läsa neuronernas ”röster”

När de råa spåren väl extraherats erbjuder LUMIN två huvudsakliga analystrådar, anpassade till olika typer av experiment. I kulturer som avfyrar snabba, spikliknande utbrott av aktivitet jämnar modulen för ”transient aktivitet” ut datan, normaliserar varje cells baslinje och detekterar därefter toppar som sticker ut från bakgrundsbruset. Den mäter egenskaper som hur höga, breda och frekventa dessa spikar är och använder standardmetoder för klustring för att gruppera celler i distinkta aktivitetstyper. I tystare kulturer där läkemedel orsakar en långsam, bestående ökning i kalcium istället för skarpa spikar använder modulen för ”baslinjeskift” en annan strategi. Den jämför varje cells signal efter stimulering med dess egen förstimulusperiod, summerar den totala ökningen (area under kurvan) och klassificerar celler som responderande eller icke‑responderande baserat på hur mycket de avviker från kontrollprover.

Att testa LUMIN på humana neuroner

För att visa att verktyget fungerar i realistiska miljöer tillämpade teamet LUMIN på mänskliga mellanhjärnesneuroner odlade från embryonala stamceller. I en uppsättning experiment registrerade de spontan avfyrning och tillsatte sedan välkända läkemedel som antingen ökar eller tystar neuronal aktivitet. LUMIN kvantifierade snabbt hur många celler som var aktiva, hur ofta de spikade och hur spikarnas former ändrades under respektive läkemedel, vilket bekräftade förväntade effekter såsom kraftig tystnadseffekt av tetrodotoxin och ökad avfyrning med föreningar som främjar excitation. I en andra experimentserie undersökte de kulturer som för det mesta var tysta tills de stimulerades med en kemikalie som imiterar den exciterande budbäraren glutamat. Med hjälp av baslinjeskiftsmodulen visade de att denna stimulans orsakade breda, bestående kalciumökningar i majoriteten av neuronerna och använde efterföljande färgning för att bekräfta att de responderande cellerna främst var neuroner, inklusive dopaminproducerande sådana som är viktiga vid Parkinsons sjukdom.

Vad detta betyder för framtida hjärnforskning

I grunden förvandlar LUMIN komplexa kalciumbildningsdata till tillgängliga, standardiserade mätningar av hur mänskligt härledda neuroner beter sig i en odlingsskål. Genom att kombinera modern bildigenkänning, flexibel analys för både snabba spikar och långsamma skift samt ett användarvänligt grafiskt gränssnitt, gör det att forskare utan avancerade kodningskunskaper kan profilera tusentals celler och jämföra hur de reagerar på olika föreningar eller sjukdomsrelaterade förändringar. Även om det ännu inte innehåller mer avancerade funktioner som nätverksnivå‑kartläggning eller fullt publiceringsklara figurer fyller verktyget en viktig lucka: det gör höggenomströmmande funktionella avläsningar från stamcellsbaserade mänskliga modeller praktiska i vardagliga labbmiljöer och kan därigenom påskynda upptäckter inom neurovetenskap och läkemedelsutveckling.

Citering: Hänninen, E., Mueller, A.K., Bagge, J.V. et al. LUMIN: an automated graphical analysis toolbox for high-throughput calcium imaging of in vitro neuronal cultures. Sci Rep 16, 9496 (2026). https://doi.org/10.1038/s41598-026-40269-0

Nyckelord: kalciumbildning, neuronaktivitet, stamcellsmodeller, storskalig analys, neurofarmakologi