Schneller und zuverlässiger zum Ergebnis: Olympus setzt bei seinem High-Content-Screening(HCS)-System scanR 3.1 auf die Leistungsfähigkeit künstlicher Intelligenz (KI) und ermöglicht so bahnbrechende, bis dato unmöglich scheinende Analysen lebender Zellen. Zentrales Element ist die hier zum Einsatz kommende präzise, robuste und einfach zu handhabende Software, die sowohl die Qualität der Daten als auch die Lebensfähigkeit der Zellen verbessert.
Olympus nutzt in seinem neuen High-Content-Screening(HCS)-System scanR 3.1 die Möglichkeiten der künstlichen Intelligenz und schafft damit völlig neue Voraussetzungen für die moderne Life-Science-Forschung. scanR 3.1 vereint die Modularität und Flexibilität eines mikroskopbasierten Aufbaus mit der Automatisierung, der Geschwindigkeit, dem Durchsatz und der Reproduzierbarkeit von HCS-Anwendungen. Der Clou der neuen Version ist das Konzept der „selbstlernenden Mikroskopie“. Es vereinfacht das Erfassen von Daten großer Populationen lebender Zellen und ermöglicht so zuverlässige, abgesicherte experimentelle Ergebnisse.
In einer kurzen, einmaligen Trainingsphase nutzt die Software eine Reihe schnell aufgenommener Bilder, um ganz ohne manuelle Annotationen Referenzdaten für den Lernprozess zu generieren. Daraufhin werden faltende neuronale Netzwerke (Convolutional Neural Networks) eingesetzt, um autonom robuste Algorithmen zu schaffen, die innerhalb kürzester Zeit große Bilderreihen analysieren können. Die Einrichtungszeit wird damit auf ein Minimum reduziert.
Eine beispielhafte Anwendung für die Leistungsfähigkeit von KI in HCS ist die markierungsfreie Quantifizierung lebender Zellen. So kann die HCS-Software scanR von Olympus die Position der Kerne in den Näpfchen von Mikrotiterplatten zuverlässig nur aus Hellfelddurchlichtbildern bestimmen – mit einer Genauigkeit, die der Fluoreszenz in nichts nachsteht. Die Quantifizierung von lebenden Zellen aus Hellfeldbildern anstelle von Fluoreszenz verkürzt die Belichtungszeiten und vermeidet die Verwendung von genetischen Modifikationen oder Kernmarkern. Außerdem stehen auf diese Weise Fluoreszenzkanäle für andere Marker zur Verfügung. Es verringert sich die Phototoxizität, was zu einer einfacheren und schnelleren Bilderfassung sowie einer besseren Lebensfähigkeit der Zellen führt.
Dank der KI-basierten Bildgebungssoftware von scanR ist auch eine zuverlässige Fluoreszenzanalyse bei wenig Licht möglich. So erkennt die Software DAPI-markierte Zellen selbst bei nur 0,2 % der optimalen Lichtintensität genau. Sie kann sogar verschiedene Stadien des Zellzyklus anhand der Signalintensität unterscheiden und erlaubt dadurch bessere Einblicke und eine optimierte Reproduzierbarkeit.
Dr. Manoel Veiga, Anwendungsspezialist bei Olympus Soft Imaging Solutions, kommentierte den Launch von scanR 3.1 wie folgt: „Das neue scanR-System bietet entscheidende Vorteile für eine ganze Reihe von Life-Science-Anwendungen. Die Analyse bei schwachem Licht und ohne Label ist nur ein Beispiel dafür, wie die automatisierte Erkennung mithilfe eines KI-basierten Ansatzes die Genauigkeit und Reproduzierbarkeit von HCS verbessern kann. Der selbstlernende Mikroskopieansatz von Olympus für scanR 3.1 kombiniert diese Vorteile mit einem benutzerfreundlichen Workflow, der während der Trainingsphase nur wenig menschliches Eingreifen erfordert. Anwender können das Potenzial von HCS-Daten dadurch mühelos für sich nutzbar machen und gleichzeitig von einem schnellen und einfachen Setup profitieren.“
Weitere Informationen unter: https://www.olympus-lifescience.com/de/microscopes/inverted/scanr/
Olympus nutzt in seinem neuen High-Content-Screening(HCS)-System scanR 3.1 die Möglichkeiten der künstlichen Intelligenz und schafft damit völlig neue Voraussetzungen für die moderne Life-Science-Forschung. scanR 3.1 vereint die Modularität und Flexibilität eines mikroskopbasierten Aufbaus mit der Automatisierung, der Geschwindigkeit, dem Durchsatz und der Reproduzierbarkeit von HCS-Anwendungen. Der Clou der neuen Version ist das Konzept der „selbstlernenden Mikroskopie“. Es vereinfacht das Erfassen von Daten großer Populationen lebender Zellen und ermöglicht so zuverlässige, abgesicherte experimentelle Ergebnisse.
In einer kurzen, einmaligen Trainingsphase nutzt die Software eine Reihe schnell aufgenommener Bilder, um ganz ohne manuelle Annotationen Referenzdaten für den Lernprozess zu generieren. Daraufhin werden faltende neuronale Netzwerke (Convolutional Neural Networks) eingesetzt, um autonom robuste Algorithmen zu schaffen, die innerhalb kürzester Zeit große Bilderreihen analysieren können. Die Einrichtungszeit wird damit auf ein Minimum reduziert.
Eine beispielhafte Anwendung für die Leistungsfähigkeit von KI in HCS ist die markierungsfreie Quantifizierung lebender Zellen. So kann die HCS-Software scanR von Olympus die Position der Kerne in den Näpfchen von Mikrotiterplatten zuverlässig nur aus Hellfelddurchlichtbildern bestimmen – mit einer Genauigkeit, die der Fluoreszenz in nichts nachsteht. Die Quantifizierung von lebenden Zellen aus Hellfeldbildern anstelle von Fluoreszenz verkürzt die Belichtungszeiten und vermeidet die Verwendung von genetischen Modifikationen oder Kernmarkern. Außerdem stehen auf diese Weise Fluoreszenzkanäle für andere Marker zur Verfügung. Es verringert sich die Phototoxizität, was zu einer einfacheren und schnelleren Bilderfassung sowie einer besseren Lebensfähigkeit der Zellen führt.
Dank der KI-basierten Bildgebungssoftware von scanR ist auch eine zuverlässige Fluoreszenzanalyse bei wenig Licht möglich. So erkennt die Software DAPI-markierte Zellen selbst bei nur 0,2 % der optimalen Lichtintensität genau. Sie kann sogar verschiedene Stadien des Zellzyklus anhand der Signalintensität unterscheiden und erlaubt dadurch bessere Einblicke und eine optimierte Reproduzierbarkeit.
Dr. Manoel Veiga, Anwendungsspezialist bei Olympus Soft Imaging Solutions, kommentierte den Launch von scanR 3.1 wie folgt: „Das neue scanR-System bietet entscheidende Vorteile für eine ganze Reihe von Life-Science-Anwendungen. Die Analyse bei schwachem Licht und ohne Label ist nur ein Beispiel dafür, wie die automatisierte Erkennung mithilfe eines KI-basierten Ansatzes die Genauigkeit und Reproduzierbarkeit von HCS verbessern kann. Der selbstlernende Mikroskopieansatz von Olympus für scanR 3.1 kombiniert diese Vorteile mit einem benutzerfreundlichen Workflow, der während der Trainingsphase nur wenig menschliches Eingreifen erfordert. Anwender können das Potenzial von HCS-Daten dadurch mühelos für sich nutzbar machen und gleichzeitig von einem schnellen und einfachen Setup profitieren.“
Weitere Informationen unter: https://www.olympus-lifescience.com/de/microscopes/inverted/scanr/
