Thuwal, Saudi-Arabien – Forscher der King Abdullah University of Science and Technology (KAUST) haben deepBlastoid entwickelt – ein Deep-Learning-Modell, das die automatisierte und effiziente Klassifizierung menschlicher Blastoide ermöglicht. Blastoide sind dreidimensionale Strukturen aus Stammzellen, die den frühen menschlichen Blastocysten nachahmen und eine ethisch unproblematische Alternative zur Embryonenforschung darstellen. Sie eignen sich für Studien zur Embryonalentwicklung und zur Arzneimittelsicherheit.
Bislang war die Auswertung dieser Modelle auf manuelle Beurteilung durch Experten angewiesen – ein zeitaufwändiger, fehleranfälliger und subjektiver Prozess. Obwohl bis zu 30.000 Blastoide pro Platte erzeugt werden können, stellte die manuelle Analyse einen Engpass dar, der große Experimente behinderte und biologische Erkenntnisse einschränkte.
Das Team schuf zunächst das erste kuratierte Datenset mit 17.133 Hellfeld-Bildern menschlicher Blastoide. Davon wurden 2.407 Bilder von Experten in fünf morphologische Kategorien eingeteilt:
- Klasse A: Gut ausgebildete Höhle mit innerer Zellmasse (ICM)
- Klasse B: Höhle vorhanden, aber keine ICM
- Klasse C: ICM vorhanden, aber irreguläres Trophektoderm
- Klasse D: Zelltrümmer ohne Höhle
- Klasse W: Leere Mikrowells
Nach Tests verschiedener Architekturen fiel die Wahl auf ResNet-18, das mit bis zu 87 Prozent Genauigkeit und einer Verarbeitungsgeschwindigkeit von 273,6 Bildern pro Sekunde überzeugte. Damit kann eine gesamte Platte in Minuten analysiert werden – ein massiver Zeitgewinn gegenüber der manuellen Methode.
Zur Erhöhung der Zuverlässigkeit in sensiblen biologischen Anwendungen wurde ein Confidence-Rate-(CR-)Metrik eingeführt. Bei Unterschreiten eines Schwellenwerts von 0,8 wird das Bild für menschliche Expertenüberprüfung markiert. Mit diesem Hybrid-Ansatz steigt die Gesamtgenauigkeit auf 97 Prozent, bei hoher Automatisierungsrate.
Die Praxistauglichkeit demonstrierte deepBlastoid in zwei Anwendungsfällen:
- Bei der Optimierung der LPA-Dosierung (Lysophosphatidsäure) analysierte das Modell über 10.000 Bilder und identifizierte 0,5 µM als minimale effektive Konzentration für die Blastoid-Bildung. Zudem erkannte es einen signifikanten Anstieg von Klasse-B-Blastoiden – eine subtile Veränderung, die menschlichen Beobachtern oft entgeht.
- Die Sicherheitsbewertung von 0,1 % DMSO (gängiges Lösungsmittel) bestätigte, dass dieser Stoff die Kavitation nicht beeinträchtigt – eine wichtige Validierung für Drug-Screening-Protokolle. Zusätzlich nutzt das System den „Empty-Ratio“ (Klasse W), um die Zell-Aussaatdichte zu überwachen und die Reproduzierbarkeit von Experimenten zu verbessern.
deepBlastoid entlastet Forscher erheblich von manueller Arbeit und schafft eine standardisierte, skalierbare Plattform. Potenzielle Einsatzbereiche reichen von Grundlagenforschung über Toxizitäts- und Teratogenitäts-Tests bis hin zur Optimierung der Embryonenbewertung in der In-vitro-Fertilisation (IVF).
Das Modell und das Datenset sind öffentlich zugänglich, sodass Wissenschaftler weltweit eigene, an ihre Bildgebungsprotokolle angepasste Varianten trainieren können. Die Entwicklung entstand unter Leitung von Prof. Mo Li (Stammzellbiologie) und Prof. Peter Wonka (Deep Learning) an der KAUST. Eine Präsentation der Ergebnisse ist für den 26. Februar 2026 im Webinar der International Society for Stem Cell Research (ISSCR) geplant.
