雷根斯堡大学免疫学研究所使用StrataQuest开发类器官研究新工具

今日，雷根斯堡大学免疫学研究所 Uwe Ritter教授团队，在Frontiers in Medicine上发表了题为“Analysis of organoid and immune cell co-cultures by machine learning-empowered image cytometry”的文章，以胆管上皮类器官（ECO）和极化的人类效应T细胞为实验模型，建立了类器官和免疫细胞的共培养系统，并用所开发的成像分析平台进行了类器官的检测和定量。作者发现，T细胞对ECO的生长和形态有显著的影响，而生长因子EGF也可以调节ECO的发育。这些结果表明，类器官和免疫细胞共培养可以用于研究类器官和免疫细胞之间的相互作用和信号传导，为疾病机制和药物筛选等领域提供了一个有价值的平台。

‍‍‍‍

类器官和免疫细胞共培养的一个主要技术难题是如何准确地检测和定量类器官的数量、大小和形态等参数，因为共培养中的免疫细胞会干扰类器官的成像和分析。目前已有的一些软件工具或算法主要针对单纯的类器官培养，不能有效地区分类器官和免疫细胞的边界和内部区域。

实验部分

鉴于多年沉浸于此项研究，文章作者为了读者获得更好的科研技术体验，比较了不同的软件工具或算法（如Incucyte®和OrganoSeg）在不同复杂度的类器官-免疫细胞共培养图像中的表现，发现它们都存在假阳性或假阴性的问题，不能准确地识别类器官结构。在这部分研究中，作者通过优化图像处理和分类器训练的步骤，提高了类器官检测的精度和召回率，但仍然无法满足需求。

Figrure 1.免疫细胞培养物种类器官定量。

A.不同科学家进行手动计数

B-D.不同复杂程度的自动分析

比较了Incucyte®和OrganoSeg两种软件，数据表明在共培养条件下正确识别器官的能力有限

‍‍

‍‍为了解决这一问题，作者借助于 StrataQuest 基‍‍match‍‍于机器学习的‍‍match‍‍图像分析平台，成功构建了一个专门用于类器官与免疫细胞精准定量分析的应用：Organoid App。这个App通过自动成像技术和先进的图像处理工具，基于机器学习算法，能够在密集的免疫细胞共培养中准确地识别类器官，并提取相关的参数，如数量、大小和形状，并实现灰度转换、对比度增强、膜检测和结构分离等辅助方法，更精准对类器官样本进行识别，可以用于高通量的检测和分析类器官和免疫细胞的共培养系统。‍‍‍‍‍‍‍‍‍‍

Figure 2.使用StrataQuest构建类器官分析平台

StrataQuest软件是TissueGnostics公司顶级的组织原位单细胞定量分析工具，也是Tissue Cytometry技术的重要组成部分。文中用到的所有算法，包含机器学习、深度神经识别网络算法、结构辅助分离等，也可方便快捷的用于其他研究领域的应用。