iNeuTox - Humane induziert-pluripotente stammzellbasierte, neuronale 3D-Zellkulturmodelle als funktionelles in-vitro-Testsystem

Abstract

Neuronale in-vitro-Kulturen in Kombination mit Mikroelektrodenarray (MEA) Chips bieten eine einzigartige Möglichkeit krankheitsspezifischen Veränderungen in der neuronalen Signalübertragung und Netzwerkdynamik abzubilden und detailliert zu analysieren. Dabei ist die Weiterentwicklung von Algorithmen zur Datenanalyse essentiell, um die wachsende Menge komplexer Daten effizient zu verarbeiten und präzisere Erkenntnisse zu gewinnen. Der Schwerpunkt der TH AB lag daher auf der Optimierung der Analyse von MEA Messdaten. Hierbei wurden folgende zentrale Aspekte adressiert: Mustererkennung: Durch den Einsatz fortschrittlicher Algorithmen, die auf robusten statistischen Modellen, KI-Methoden und Ansätzen des maschinellen Lernens basieren, können subtile Veränderungen der Netzwerkaktivität identifiziert und klassifiziert werden. Verarbeitung großer Datenmengen: MEA-Experimente – insbesondere HDMEA Messungen - generieren enorme Mengen an Daten, die aus Millionen von Spike-Ereignissen, Burst-Mustern und Synchronisationsmessungen bestehen. Effiziente Algorithmen erhöhen den Automatisierungsgrad und die Geschwindigkeit, wodurch große Datensätze zuverlässig ausgewertet werden können. Netzwerkanalysen und funktionelle Konnektivität: Fortschrittliche Algorithmen aus der Graphentheorie helfen dabei, neuronale Netzwerke zu modellieren, funktionelle Verbindungen zwischen Neuronen zu identifizieren und pathologische Veränderungen in der Netzwerkstruktur nachzuweisen. Datei-Upload durch TIB Neuronal in vitro cultures in combination with microelectrode array (MEA) chips offer a unique opportunity to model and analyze disease specific changes in neuronal signal transmission and network dynamics in detail. The continuous development of data analysis algorithms is essential for efficiently processing the increasing volume of complex data and gaining more precise insights. The focus of TH AB was therefore on optimizing the analysis of MEA measurement data. The following key aspects were addressed: Pattern recognition: By applying advanced algorithms based on robust statistical models, AI methods, and machine learning approaches, subtle changes in network activity can be identified and classified. Processing large datasets: MEA experiments—especially high-density MEA (HDMEA) recordings—generate vast amounts of data, consisting of millions of spike events, burst patterns, and synchronization measurements. Efficient algorithms increase the degree of automation and speed, enabling reliable analysis of large datasets. Network analysis and functional connectivity: Advanced algorithms derived from graph theory assist in modeling neuronal networks, identifying functional connections between neurons, and detecting pathological changes in network structure.