Motivation
In der pharmazeutischen Entwicklung lassen sich bis zu 90% aller Kosten einsparen, wenn die Ergebnisse der frühen Phasen der Wirkstoffentwicklung eine Vorhersage für die Sicherheit und Wirksamkeit im Patienten erlauben würden. Die pharmazeutische Industrie erforscht daher seit einigen Jahren Testmethoden und Technologien, die eine prädiktive Aussage bei der pharmazeutischen Wirkstoffentwicklung erlauben. Durch die technologischen Verbesserungen auf den Gebieten der Zellkulturtechnik, Mikrofluidik und Optik wird es möglich, aus diesen neuen Ansätzen drei- und mehrdimensionale Bilddaten zur Identifizierung und Analyse von kleinen Molekülen zu gewinnen. Um aus den resultierenden massiven Datenvolumina physiologisch und pharmakologisch belastbare und quantitative Daten herauszubekommen, werden intelligente und automatisierbare Lösungen der Datenverarbeitung, insbesondere aus dem Bereich des maschinellen Lernens, benötigt. Aktuell existieren einzelne Ansätze wie z.B. neuronale Netze für die automatische Erkennung und Abgrenzung von Zellen, Zellkernen und anderen Merkmalen, jedoch fehlt weitgehend die Möglichkeit, die Güte dieser Analysen quantitativ und ohne Verzerrung zu überprüfen. Zudem fehlen standardisierbare und realistische Bilddatensätze mit bekanntem Inhalt wie z.B. tatsächliche Anzahl Zellkerne im Bild (sog. Ground Truth) für das Training der Algorithmen. Da die hohe Komplexität der biologischen 3D-Datensätze fast gänzlich verhindert, die „Ground Truth“ manuell zu erstellen, besteht ein großer Bedarf an realistischen synthetischen Datensätzen, bei denen die Ground Truth bekannt ist.
Ziele und Vorgehen
Ziel des Verbundvorhabens Syn4Syn ist es, biologische 3D-Datensätze auf der Grundlage von realen Daten naturgetreu zu synthetisieren und diese auf Basis von tiefen neuronalen Netzen zu trainieren und zu etablieren. Damit sollen die 3D-Bilddaten aus den Experimenten, z.B. 3D-Zellkulturen, zuverlässig und automatisiert bewertet werden können. Die optischen Effekte in den 3D-Aufnahmen, wie z.B. Punktspreizung, abnehmende Fluoreszenz in der Tiefe sowie die biophysikalischen Vorgänge wie z.B. Grenzflächenspannungen, Migrationsbewegungen, die zu Inhomogenitäten in den 3D-Aufnahmen führen, sollen durch physikalische Modelle nachgebildet werden. Diese Modelle werden in das Training der tiefen neuronalen Netze einfließen, um auch bei wenigen Trainingsdaten synthetische Bilder mit hohem Realitätsgrad, einschliesslich der zugehörigen Ground Truth, generieren zu können.
Innovationen und Perspektiven
Die entwickelnden Methoden sollen in grafischen Benutzerschnittstellen gekapselt und dokumentiert werden, um den fachfremden Anwender den Zugang zu den entwickelten Methoden gewähren zu können. Die Algorithmen werden der Open-Source Community und die synthetischen 3D-Bilddaten für die weitere Nutzung auf Cloud-Plattformen zur Verfügung gestellt.