NAP 3 kutatási téma címe:
Mélytanulás alapú módszerek alkalmazása patch-clamp mérések több neuronon történő elvégzésére és a mérések automatizálása
Tervezett kutatás leírása:
A projekt fő célja egy olyan autonóm rendszer kifejlesztése és megépítése, amely képes agyszöveti szeletek elemzésére a mikroszkópián alapuló sejtmorfológia, az elektrofiziológia és a sejt-sejt-kommunikációs jellemzők kombinálásával. E cél elérése érdekében megépítjük a szükséges hardvert, elektronikát és optikai berendezést, a 3D képeken az egyes sejtek detektálására és fenotípusának meghatározására szolgáló szoftverkörnyezetet, valamint bevezetünk egy olyan neuron-szelekciós rendszert, amely 2-8 sejtet szelektál, amelyek elektrofiziológiai és interaktom mérései maximális információval rendelkezhetnek. Az alapmikroszkóp egy új 8 pipettás patch clamp rendszer lesz, amelyet a Luigs and Neumann GmbH bocsát rendelkezésünkre.
A patch clamp folyamatának leglényegesebb része a sejt megközelítése a mikropipettával, mivel ehhez a célsejt valós idejű követése szükséges a kameraképen, hogy a trajektóriát kompenzálni lehessen a szövet deformációjából adódó esetleges elmozdulással. Ezt a lépést a rendszer sikerességének magas szinten tartása érdekében a pipettákkal szekvenciálisan végezzük. A rendszerben automatikus citoplazma- és sejtmag-gyűjtési módszereket is ki fogunk fejleszteni. Tervezzük új módszerek kifejlesztését több célsejt automatikus kiválasztására, amelyek feltehetően kapcsolatban állnak egymással. Ezt a neuronok képalapú fenotipizálásával tervezzük elérni. Ez magában foglalja a sejtek pontos szegmentálását 2D/3D-ben és a szegmentálás eredményei alapján történő jellemző-kivonást. A szegmentálást mély tanulási modellek segítségével végezzük. Pontos fenotípus előrejelzés lehetővé teszi majd a neuronok fenotípusok közötti és keresztfenotípusos kommunikációjának tanulmányozását.
Kutatócsoport vezető rövid bemutatása:
Dr. Horváth Péter főállásban a Szegedi Biológiai Kutatóközpont Biokémiai Intézetének igazgatója, valamint a Helsinki Egyetemen működő FIMM-ben (Finnish Institute for Molecular Medicine) kutatócsoport-vezető, Finland distinguished professor és a High-content Analysis egység igazgatója. A Szegedi Tudományegyetemen szerzett programtervező matematikus diplomát, majd a Nizzai Egyetemen PhD fokozatot, amely során az INRIA-n műholdkép-feldolgozó alkalmazásokat fejlesztett. 2007 és 2013 között a Zürichi Műszaki Egyetemen (ETH, Eidgenossische Technische Hochschule) dolgozott docensként, a számítógépes sejtbiológiai kutatások területén. Az elmúlt években megalapította a szegedi és a helsinki-beli BIOMAG kutatócsoportokat, melyekben a sejtek nagy felbontású térbeli vizsgálatára alkalmas, általuk kifejlesztett rendszermikroszkópia segítségével biológiai problémákra adnak számítógépes algoritmusokkal támogatott megoldást. Eredményeiket a legmagasabb tudományos fórumokon közlik (Nature Methods, Nature Communications, NRDD, Science, stb.). Kutatásaikkal a COVID-19-betegség elleni harcban is aktívan részt vettek.
A kutatócsoport saját honlapjának elérhetősége:
Kulcsszavak, amik jellemzik a kutatási témát:
Patch-clamp, elektrofiziológia, gépi tanulás, képfeldolgozás, sejt detektálás, automatizálás
Témához kapcsolódó releváns publikációk az elmúlt 5 évből:
Koos, K., Oláh, G., Balassa, T. et al. Automatic deep learning-driven label-free image-guided patch clamp system. Nat Commun 12, 936 (2021).
Mund, A., Coscia, F., Kriston, A., Hollandi, R., Kovács, F., Brunner, A. D., … & Mann, M. (2022). Deep Visual Proteomics defines single-cell identity and heterogeneity. Nature Biotechnology, 40(8), 1231-1240.
Hollandi, R., Moshkov, N., Paavolainen L., Tasnadi, E., Piccinini, F., Horvath, P. (2022). Nucleus segmentation: towards automated solutions, Trends in Cell Biology, megjelenés alatt
Brasko, C., Smith, K., Molnar, C., Farago, N., Hegedus, L., Balind, A., … & Horvath, P. (2018). Intelligent image-based in situ single-cell isolation. Nature communications, 9(1), 226.
Smith, K., Piccinini, F., Balassa, T., Koos, K., Danka, T., Azizpour, H., & Horvath, P. (2018). Phenotypic image analysis software tools for exploring and understanding big image data from cell-based assays. Cell systems, 6(6), 636-653.