Höghastighetsövervakningssystem för livskraft hos vuxna Caenorhabditis elegans

Att iaktta små maskar för att förstå åldrande

Många forskare studerar åldrande genom att följa livet hos små maskar kallade Caenorhabditis elegans, eftersom dessa djur åldras på bara några veckor och delar många grundläggande biologiska drag med människor. Men att manuellt följa hundratals maskar på petriskålar är långsamt och tröttsamt arbete som kan introducera fel. Denna studie beskriver ett helt automatiserat system som håller maskarna i en stabil miljö, fotograferar dem tydligt och använder datorseende för att avgöra vilka maskar som är vid liv, vilket gör stora åldrings- och läkemedelstester mycket enklare att genomföra.

Ett nytt sätt att hålla reda på många maskar

Forskarna gav sig i kast med att lösa två stora problem som begränsar nuvarande automatiserade maskuppställningar: suddiga, ojämna bilder och förväxling mellan maskar och bakgrundsstörningar som mögel eller bubblor. Deras lösning är en integrerad hård- och mjukvaruplattform som kan övervaka vuxna maskar dygnet runt. En modifierad laboratorieinkubator rymmer dussintals petriskålar i kontrollerad temperatur och fuktighet, medan inbyggda kameror och lampor skannar varje skål enligt ett schema. Tillsammans omvandlar dessa delar vad som tidigare var ett handpåläggningsjobb för en eller två tränade personer till en i stort sett obemannad process som kan köras i en månad eller längre.

Smart hårdvara för klar och skonsam avbildning

På hårdvarusidan utgick teamet från en kommersiell inkubator och byggde om den för maskvård och avbildning. De lade till bafflade fläktar för att förhindra att luftflödet torkar ut skålarna, bytte in ultravioletta lampor för periodisk desinfektion och installerade blå lampor för experiment som kräver speciella ljussignaler. Den viktigaste uppgraderingen är en flat kollimerad ljuspanel under en perforerad platta som rymmer upp till 36 skålar. Denna typ av belysning badar varje skål i jämnt, svalt ljus och undviker blänk och oskärpa. Tester visade att bilder tagna med den kollimerade belysningen var mycket skarpare än de med vanliga lampor, vilket gav datorn en klar bild av varje mask.

Lära mjukvara att skilja maskar från störningar

Mjukvaran styr både bildtagning och bildanalys. En rad av sex industriella kameror åker på en enkel linjärskena inne i inkubatorn, så varje passage kan fotografera sex kolumner av skålar snabbt utan komplex rörelse. Bilderna skickas sedan till en djupinlärningsmodell baserad på YOLOv5-familjen för objektigenkänning. Teamet tränade denna modell på mer än tolv tusen bilder, inte bara genom att markera maskar utan också genom att märka vanliga liknelser, inklusive ringformade märken, mögelrester och luftbubblor. Genom att känna igen dessa separata kategorier är systemet mycket mindre benäget att missta skräp för djur vid uppräkning.

Hitta missade maskar med en andra titt

Även en stark detektor kan ibland missa maskar, särskilt mörka som smälter in i bakgrunden. För att åtgärda detta lade författarna till en andra omgång som fokuserar modellen på det den förbises första gången. Efter första detektionsrundan målar mjukvaran över alla funna maskar med enkla vita fläckar och kör detektorn igen. Utan de tydliga djuren som konkurrerar om uppmärksamheten kan modellen plocka upp de svaga, tidigare dolda maskarna. I tester som omfattade tio dagar och 36 skålar minskade denna tvåstegsmetod andelen missade detektioner från 1,75 procent till 0,8 procent, till priset av något mer beräkningstid.

Snabba, exakta räkningar under ett helt liv

För att se hur väl systemet presterar i verkliga experiment jämförde teamet det med noggrann manuell räkning. För en sats om 36 skålar med 15 till 30 vuxna maskar i varje behövde två utbildade forskare ungefär två och en halv till tre timmar för att slutföra arbetet, medan den automatiserade uppställningen behövde bara 36 till 60 minuter. De automatiska räknarna av levande maskar matchade manuella uppgifter med bättre än 95 procents noggrannhet, med mycket få falska larm och missar. I en 30-dagarsprövning som följde 96 maskar från vuxen ålder till död var de dagliga överlevnadskurvorna från systemet nästan identiska med dem från mänskliga observatörer, med statistiska tester som visade extremt stark överensstämmelse och ingen meningsfull systematisk felaktighet.

Vad detta betyder för åldrings- och läkemedelsstudier

Enkelt uttryckt har forskarna byggt en pålitlig robotassistent för maskåldringsstudier. Den kan ta hand om hundratals maskar samtidigt i ett skonsamt, välkontrollerat hem, ta tydliga bilder av dem och använda tränad mjukvara för att avgöra vilka maskar som fortfarande rör sig. Systemet minskar kraftigt den tid och ansträngning människor måste lägga vid mikroskopet samtidigt som resultaten ligger i linje med den accepterade manuella standarden. Även om framtida arbete behövs för att hantera yngre livsstadier och för att skilja förlamade men levande maskar från verkligt döda, erbjuder denna plattform redan ett starkt, praktiskt verktyg för att studera hur gener, miljö och kandidatläkemedel påverkar livslängd.

Citering: 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

Nyckelord: C. elegans, övervakning av livslängd, automatiserad avbildning, djupinlärning, åldersforskning