Marker in der iPSC-Qualitätskontrolle – ein neuer Ansatz zur Verbesserung der Standardisierung
„Maschinelles Lernen ist ein attraktives Werkzeug, um Prozesse zu optimieren und zu automatisieren“
IUF / Jochen Dobner
Qualitätskontrollen für iPSCs sind unerlässlich und sollen zukünftig immer besser standardisiert werden. Zu diesen Qualitätskontrollen gehören die Bewertung der Morphologie, der Integrität des nukleären und des mitochondrialen Genoms, sowie der Pluripotenz, d. h. der Fähigkeit zur Differenzierung in die drei primären Keimblätter Entoderm, Ektoderm und Mesoderm. Hier besteht ein dringender Bedarf an einfachen, schnellen, kostengünstigen und zuverlässigen Testmethoden. Das Labor von Dr. Andrea Rossi am IUF – Leibniz-Institut für umweltmedizinische Forschung hat in früheren Studien bereits die Integrität des mitochondrialen Genoms untersucht. In einer neuen, in Nature Communications veröffentlichten Untersuchung (Dobner et al., Nat Commun 2024) wird von diesen Wissenschaftlern nun ein neues Qualitätssicherungsverfahren zur Überprüfung der funktionellen Pluripotenz beschrieben. Die Autoren nutzten die Long-Read-Nanopore-Transkriptomsequenzierung, und identifizierten so 172 Gene, die mit frühen iPSC-Entwicklungsstadien verbunden sind und von den derzeitigen Leitlinien nicht erfasst werden. Sie validierten 12 Gene durch qPCR (quantitative Polymerase-Kettenreaktion) als eindeutige Marker für bestimmte Zellstadien: undifferenzierte pluripotente iPSCs (CNMD, NANOG, SPP1), Entoderm (CER1, EOMES, GATA6), Mesoderm (APLNR, HAND1, HOXB7) und Ektoderm (HES5, PAMR1, PAX6). Auf der Grundlage dieser ausgewählten Gene entwickelten sie ein auf maschinellem Lernen basierendes Scoring-System namens „hiPSCore“. Dieser Score wurde an 15 iPSC-Linien trainiert und an 10 weiteren iPSC-Linien validiert. Der hiPSCore klassifiziert pluripotente und differenzierte Zellen zuverlässig und sagt ihr Potenzial voraus, sich zu spezialisierten 2D-Zellen und komplexen 3D-Organoiden weiter zu entwickeln.
„Wir sind immer bestrebt, die Methoden, die wir verwenden, zu verbessern“, erklärt Dr. Andrea Rossi, Arbeitsgruppenleiter am IUF, den Ansatz der Studie. „Wir planen, in den nächsten Jahren weitere Qualitätskontrollen für den standardisierten Einsatz von iPSCs zu entwickeln.“ Dr. Jochen Dobner, Erstautor der Studie, ergänzt: „Maschinelles Lernen ist ein attraktives Werkzeug, um Prozesse zu optimieren und zu automatisieren. Der von uns entwickelte hiPSCore verbessert die iPSC-Tests, indem er den Zeitaufwand, die Subjektivität und den Ressourceneinsatz reduziert und so die Qualität der iPSCs für wissenschaftliche und medizinische Anwendungen verbessert.“