Refine
Has Fulltext
- yes (37)
Is part of the Bibliography
- yes (37)
Year of publication
Document Type
- Doctoral Thesis (35)
- Journal article (1)
- Preprint (1)
Keywords
- Stammzelle (37) (remove)
Institute
- Graduate School of Life Sciences (9)
- Institut für Medizinische Strahlenkunde und Zellforschung (8)
- Theodor-Boveri-Institut für Biowissenschaften (8)
- Institut für Anatomie und Zellbiologie (4)
- Lehrstuhl für Orthopädie (3)
- Lehrstuhl für Tissue Engineering und Regenerative Medizin (3)
- Institut für Hygiene und Mikrobiologie (2)
- Klinik und Poliklinik für Allgemein-, Viszeral-, Gefäß- und Kinderchirurgie (Chirurgische Klinik I) (2)
- Klinik und Poliklinik für Nuklearmedizin (2)
- Medizinische Klinik und Poliklinik II (2)
Sonstige beteiligte Institutionen
- Department of Biomedical Imaging, National Cerebral and Cardiovascular Research Center, Suita, Japan (2)
- Division of Medical Technology and Science, Department of Medical Physics and Engineering, Course of Health Science, Osaka University Graduate School of Medicine, Suita Japan (2)
- Institut for Molecular Biology and CMBI, Department of Genomics, Stem Cell Biology and Regenerative Medicine, Leopold-Franzens-University Innsbruck, Innsbruck, Austria (2)
- Johns Hopkins School of Medicine, The Russell H Morgan Department of Radiology and Radiological Science, Baltimore, MD, USA (2)
- Fraunhofer IGB - Institutsteil Würzburg Translationszentrum Regenerative Therapien für Krebs- und Muskuloskelettale Erkrankungen (1)
- Fraunhofer Institute for Integrierte Schaltungen (IIS) (1)
- Institut für Hygiene und Mikrobiologie (1)
- eXcorLab GmbH (1)
EU-Project number / Contract (GA) number
- 701983 (2)
Für die Verwendung von zellbasierten Therapeutika ist vor allem die korrekt Identifikation
sowohl vom Ausgangsmaterial wie auch dem produziertem Material von
zentraler Wichtigkeit. In dieser Arbeit wurde eine Methodik entwickelt, welche eine
nicht-invasive Klassifizierung von Zellen und zellulärer Entwicklung aufgrund ihrer
zweidimensionalen Magnetresonanz-Korrelationsspektren ermöglichte.
Hierzu wurde ein mobiler MR-Scanner mit einer Feldstärke von 0.5T und einem Isozentrum
von 1 cm3 verwendet. Aufgrund der kompakten und leichten Bauweise war
es möglich, das System in normalen Zellkulturlaboren zu verwenden. Von den Proben
wurde ein zweidimensionales T1/T2 -Korrelationsspektrum aufgenommen, anhand
dessen die Zellen klassifiziert werden sollten. Mithilfe von Agarose-Dotagraf® -Zell-
Phantomen konnte die Stabilität und Reproduzierbarkeit des Messsystems und der
verwendeten Sequenz validiert werden.
Aufgrund der unter Umständen recht langen Messzeiten der MR-Technologie war
auch die Handhabung und Kultur der Zellproben während des Messprozesses von
großer Bedeutung. Um hierfür den Durchsatz an Proben zu erhöhen, wurde eine kostengünstige
und ebenfalls mobile Robotikanlage entwickelt. Diese basierte auf dem
kommerziell erhältlichen Roboterarm Braccio, welcher durch einen Arduino Mega
Mikrocontroller gesteuert wurde. Mit bis zu 24 Proben pro Tag konnte durch die
Automatisierung der Durchsatz an Proben um den Faktor 3 – 4 gesteigert werden.
Durch den entwickelten Prozess war es möglich, eine umfangreiche Datenbank –
bestehend aus 362 unabhängigen Messungen (biologische Replikate) – aufzubauen.
Die Datenbank enthielt Messungen von zehn unterschiedlichen Zelllinien. Zusätzlich
wurden T1/T2 -Korrelationsspektren von mesenchymalen Stromazellen (MSCs)
vor und nach deren Differenzierung zu Adipocyten aufgenommen, um ihre zelluläre
Entwicklung nicht-invasiv charakterisieren zu können.
Die aufgenommenen Daten wurden mithilfe einer geeigneten Support Vector Machine
wie auch angepassten künstlichen neuronalen Netzwerken klassifiziert. Mithilfe
dieser Methoden konnten die Zelllinien und MSCs anhand ihrer aufgenommenen
Korrelationsspektren mit einer Genauigkeit von bis zu 98% klassifiziert werden.
Diese hohe Treffsicherheit legte den Schluss nahe, dass die Kombination aus nichtinvasiver,
zweidimensionaler T1/T2 -MR-Relaxometrie und der Verwendung von geeigneten
Methoden des machine learning und der künstlichen Intelligenz eine effiziente
Methodik für die nicht-invasive Klassifizierung von Zellen sowie zellulärer
Entwicklung darstellt.