Automated Characterization of Catalytically Active Inclusion Body Production in Biotechnological Screening Systems

要約

ここでは、触媒活性封入体 (CatIB) の顕微鏡画像ベースの特性評価のための自動化されたパイプラインを提案します。これには、多目的微生物細胞セグメンテーションのハイブリッド アプローチと組み合わせた完全自動の実験的ハイスループット ワークフローが含まれます。
自動顕微鏡検査のために、サンプルがフローチャンバーに注入されたマイクロバイオリアクターで CatIB プロデューサー株を培養しました。
フローチャンバーは顕微鏡下で固定され、統合されたカメラがサンプルごとに一連の画像を撮りました。
培養中の CatIB 開発の不均一性を調査し、CatIB のサイズと量を経時的に追跡するために、焦点細胞の ML ベースの検出とモデルベースのセグメンテーションを組み合わせたハイブリッド画像処理パイプラインアプローチが開発されました。
自動化された画像解析と組み合わせた実験セットアップにより、CatIB 生産のハイスループット スクリーニングが可能になり、時間とリソースを節約できます。
生物工学的関連性 – CatIB は、合成化学および生体触媒作用に幅広い用途がありますが、治療法などの将来の生物医学用途にも使用できます。
提案されたハイブリッド自動画像処理パイプラインは、同等の生物学的微生物を処理するように調整できます。この場合、トレーニング データが不足しているため、完全にデータ駆動型の ML ベースのセグメンテーション アプローチは実行できません。
私たちの仕事は、画像ベースのバイオプロセス制御への第一歩です。

要約(オリジナル)

We here propose an automated pipeline for the microscopy image-based characterization of catalytically active inclusion bodies (CatIBs), which includes a fully automatic experimental high-throughput workflow combined with a hybrid approach for multi-object microbial cell segmentation. For automated microscopy, a CatIB producer strain was cultivated in a microbioreactor from which samples were injected into a flow chamber. The flow chamber was fixed under a microscope and an integrated camera took a series of images per sample. To explore heterogeneity of CatIB development during the cultivation and track the size and quantity of CatIBs over time, a hybrid image processing pipeline approach was developed, which combines an ML-based detection of in-focus cells with model-based segmentation. The experimental setup in combination with an automated image analysis unlocks high-throughput screening of CatIB production, saving time and resources. Biotechnological relevance – CatIBs have wide application in synthetic chemistry and biocatalysis, but also could have future biomedical applications such as therapeutics. The proposed hybrid automatic image processing pipeline can be adjusted to treat comparable biological microorganisms, where fully data-driven ML-based segmentation approaches are not feasible due to the lack of training data. Our work is the first step towards image-based bioprocess control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google