Abstract:
Stammzellbasierte Modelle bieten physiologisch relevante in vitro-Plattformen zur Untersuchung von Gewebeentwicklung und Krankheitsmechanismen sowohl auf Organ- als auch auf Organismenebene und stellen leistungsfähige Alternativen zu traditionellen humanen und tierexperimentellen Modellen dar. Sie leisten damit einen Beitrag zum Replacement im Sinne der 3R-Prinzipien für Tierversuche. Trotz ihres Potenzials erfolgt die Analyse stammzell-basierter Modelle bislang überwiegend manuell, was zu Ineffizienzen, Beobachterverzerrungen und eingeschränkter Reproduzierbarkeit führt. ... mehrZudem sind bestehende Kultivierungsprotokolle häufig wenig robust und unterliegen einer hohen Chargenvariabilität, da systematische Feedbackschleifen zur Protokolloptimierung fehlen. Diese Arbeit adressiert diese Limitationen durch die Entwicklung automatisierter Analysepipelines sowie Strategien zur Protokolloptimierung über sechs Messmodalitäten hinweg: Magnet-resonanz-tomographie (MRT), Hellfeldmikroskopie, Epifluoreszenzmikroskopie, konfokale Live-Imaging-Mikroskopie, Einzelzell-RNA-Sequenzierung (scRNA-Seq) und Imaging Flow Cytometry. Hierzu wurden Methoden des maschinellen Lernens und Deep Learnings eingesetzt, um spezialisierte Pipelines für Segmentierung, Klassifikation und Merkmalsextraktion zu entwickeln, die eine quantitative Analyse bildgebender und einzelzellbasierter Datentypen ermöglichen.
Für stammzellbasierte Modelle auf Organebene wurde die erste automatisierte MRT-basierte Pipeline zur Segmentierung, Strukturanalyse und Qualitätskontrolle entwickelt. Für die Hellfeldmikroskopie wurde eine robuste und interpretierbare Pipeline zur Überwachung der Organoidmorphologie und -diversität implementiert, die die iterative Optimierung von Kultivierungsprotokollen unterstützt. Für Epifluoreszenzbilder wurde eine Deep-Learning-basierte Pipeline entwickelt, um Zellkerne und ventrikelartige Strukturen zu segmentieren. Darüber hinaus konnte die Machbarkeit einer in silico 3D-Rekonstruktion demonstriert werden. Im Bereich Einzelzellanalyse wurden Pipelines für scRNA-Seq und Imaging Flow Cytometry entwickelt, um Zellpopulationen zu quantifizieren, morphologische Merkmale zu erfassen und die Chargenvariabilität zu bestimmen. Für stammzellbasierte Modelle auf Organismusebene wurde eine neuartige Deep-Learning-Methode eingeführt, um individuelle Entwicklungstrajektorien zu verfolgen und eine frühe und späte Qualitätskontrolle zu unterstützen. Abschließend präsentiert die Arbeit allgemeine Empfehlungen zur Kultivierung, Messung, automatisierten Analyse, und Optimierung stammzellbasierter Modelle. Insgesamt zeigt sie, wie automatisierte Pipelines eine skalierbare, interpretierbare Analyse ermöglichen und die iterative Optimierung von Kultivierungs- und Messprotokollen unterstützen. Diese Beiträge schaffen die Grundlage für stabile stammzellbasierte Modelle, die eine belastbare Analyse, die Optimierung experimenteller Protokolle sowie Anwendungen in der Wissensgenerierung und Krankheitsmodellierung ermöglichen.
Abstract (englisch):
Stem cell-derived models offer physiologically relevant in vitro platforms for studying tissue development and disease mechanisms at both the organ and organism level, serving as powerful alternatives to traditional human and animal models. In doing so, they contribute to the Replacement principle of the 3Rs (Replacement, Reduction, and Refinement) in animal research. Despite their promise, analysis of stem cell-derived models remains largely manual, leading to inefficiencies, observer bias, and limited reproducibility. In addition, cultivation protocols are often unrobust and suffer from batch-to-batch variability, as they lack systematic feedback loops for optimization. ... mehrThis thesis addresses these limitations by developing automated analysis pipelines and strategies for protocol optimization across six measurement modalities: magnetic resonance imaging (MRI), brightfield microscopy, epifluorescence microscopy, live-imaging-based confocal microscopy, single-cell RNA sequencing (scRNA-Seq), and imaging flow cytometry. To achieve this, machine learning and deep learning approaches were employed to build specialized pipelines for segmentation, classification, and feature extraction, enabling quantitative analysis across imaging and single-cell data types.
This thesis presents the first automated MRI-based pipeline for the segmentation, structural analysis, and quality control of organ-level stem cell-derived models. For brightfield microscopy, a robust and interpretable pipeline was implemented to monitor organoid morphology and diversity, supporting iterative protocol optimization. A deep learning-based pipeline was developed for epifluorescence microscopy images to segment nuclei and ventricle-like structures, with the feasibility of in silico 3D reconstruction also demonstrated. For single-cell analysis, scRNA-Seq and imaging flow cytometry pipelines were designed to quantify cell populations, assess morphological characteristics, and quantify batch variability. For organism-level stem cell-derived models, a novel deep learning-based method was introduced to monitor individual developmental trajectories and support both early- and advanced-stage quality control. Finally, the thesis presents general recommendations for the cultivation, measurement, automated analysis, and optimization of stem cell-derived models. Altogether, it demonstrates how automated pipelines enable automated, interpretable analysis and support iterative optimization of cultivation and measurement protocols. These contributions establish a foundation for stable stem cell-derived models, fostering robust analysis, protocol refinement, and applications in knowledge discovery and disease modeling.
1