Data-driven microscopy: placing high-fidelity data in a population-wide context

Sammanfattning: Mikroskopi är idag ett fundamentalt verktyg inom forskning, där det tillåter oss att skåda in och utforska våra prover i hög detalj. Mycket utav utvecklingen av nya mikroskopimetoder har strävat efter att öka den detaljnivå vi kan uppnå. Samtidigt har utvecklingen inom hårdvara, med tillgång till bättre och mer kraftfulla instrument, lett till utveckligen av metoder där fokuset är att studera en hel population av celler. Till skillnad från när vi studerar ett fåtal celler i hög detalj, tillåter det oss att sätta perspektiv på det vi ser. Det ger oss en förmåga att säga vad det normala beteendet som man kan förvänta sig är, och vilka celler som sticker ut i en population. Med andra ord, vad som är intressant.Samtidigt finns det ett stort intresse av att veta hur varje individuell cell beter sig. Varje cell är, precis som oss människor, unik. De har olika historia, olika ålder och befinner sig i olika tillstånd. Precis som våra celler i kroppen är unika, är även de cellerna som kan orsaka sjukdom unika. För att förstå varför vissa personer är mer känsliga mot sjukdom, och hur en infektion svarar på våra behandlingar behövs en förståelse och an förmåga att studera celler på individuell nivå, samtidigt som vi bibehåller ett perspektiv utifrån populations-nivå.Denna brist på perspektiv har länge varit ett problem inom mikroskopi. Den vanliga lösningen på detta problem är att vi, som människor, kan tolka en bild och peka på vad det är som är intressant eller inte. Vi är, trots allt, extremt duktiga på att tolka visuell information. Men detta är inte en helt felfri lösning. Som människor kan vi vara relativt okonsekventa, vi tolkar oftast utifrån hur vi vill att datan ser ut. Med andra ord, vi saknar förmågan att vara objektiva i vår metodik för att samla in bilder i hög detalj.Min avhandling har till stor del handlat om att utveckla ett verktyg som tillåter oss att sätta perspektiv på det vi studerar med mikroskopi. Detta har lett till Arbete 1, där vi presenterar en allmän strategi (data-styrd mikroskopi) för hur vi kan arbeta med mikroskopi för att samla in data på en hel population, samtidigt som vi kan samla in data med hög detalj på relevanta fynd i populationen. Vi presenterar även här en teknisk lösning, och utför metoden i tre olika scenarion: ett för att studera en population av celler mer allmänt, ett för att fånga det ögonblick som bakterier infekterar mänskliga celler, och ett där vi studerar och fångar in data på relevanta (från ett populations-kontext) cancerceller och följer dem över tid. Denna metod tillåter oss att samla in data i hög detalj på ett objektivt sätt, och att sätta perspektiv på det vi studerar.I Arbete 2 har vi vidare utvecklat på vår metod, där vi försöker lösa problemet att hitta en och samma cell i flera olika mikroskop. Eftersom vi, genom mikroskopi, jobbar på en så ofantligt liten skala, är det oftast väldigt svårt att orientera sig och hitta rätt inom ett prov. Det är lite som att spela På spåret och gissa vart man är, fast utan alla ledtrådar man får på varje nivå. Eftersom vi har tillgång till data på en hel population, så utgick vi från att det borde finnas samband mellan celler och deras grannar i ett prov som är unika för just dem. Genom att använda sig av dessa unika samband kom vi fram med en lösning där vi snabbt kan kalibrera ett prov på ett nytt mikroskop. Det öppnar dörrarna för oss forskare att återanvända prov, att lättare justera provet med nya markörer (för det vi vill visualisera inom cellerna), och att kunna tolka ett prov med data insamlat från flera system.COVID-19 pandemin var en stor omställning för samhället och vården. Likväl var det en stor omställning för många forskningslabb, där en kapplöpning startade för att så snabbt som möjligt förstå sig på hur viruset fungerar och hur vårt immunförsvar svarar på dess infektion. Det var i detta kontext som mitt tredje arbete utfördes. Genom den erfarenhet jag samlat på mig inom mikroskopi och att analysera bilder på stora dataset, bidrog jag med hjälp för att studera hur framtagna antikroppar kan förhindra bindningen av virus-lika partiklar till celler. Antikroppar är ett protein som immunförsvaret producerar i respons mot en patogen. En bättre förståelse kring hur antikroppar verkar, och vad skillnaden mellan en bra och en dålig antikropp är kan leda till framtagningen av bättre vaccin-program och behandlingar inom sjukvården.I Arbete 4 medverkade jag i ett arbete där bakterien Streptococcus pyogenes var i fokus. S. pyogenes enda värd är människor, och ansvarar för över 600 miljoner infektionsfall per år globalt. På bakteriens yta dominerar ett protein, M-proteinet, ett multi-funktionellt protein som bakterien (bland annat) använder sig för att binda till ytor och förhindra immunförsvarets förmåga att göra sig av med bakterien. I arbetet upptäckte vi att fibronektin binder till bakterien (specifikt M-proteinet) olika mycket beroende på mängden antikroppar som finns i miljön. Fibronektin är ett protein som vi människor producerar, och bidrar (bland annat) till att skapa den miljön som celler befinner sig i. Mängden fibronektin varierar beroende på var i kroppen man kollar. Till exempel, i saliv har du en relativt låg mängd fibronektin jämfört med i blodet. Detta ledde till hypotesen att bakterien är special-anpassad för olika miljöer i dess förmåga att undkomma immunförsvaret. En bättre förståelse kring hur bakterien är anpassad till våra olika miljöer och dess infektionsförlopp kan leda till bättre och mer anpassade behandlingar inom sjukvården.