John's OrganizationVisit Website →
← Back to blog

High Content Imaging mit iPSC: Praktisches Protokoll für Forschende

October 1, 2026
High Content Imaging mit iPSC: Praktisches Protokoll für Forschende

High Content Imaging liefert bei iPSC-abgeleiteten Zellmodellen quantitative, multiparametrische Phänotypisierungen auf Einzelzell- und Subzellniveau. Das Verfahren eignet sich besonders für toxikologische Screens, neurale Phänotypisierung, die Beurteilung von Mitochondrien- und Organelldysfunktion sowie für die Wirkstofffindung. Wer skalierbare, reproduzierbare Messungen an patientenspezifischen Modellen braucht, findet in High Content Imaging derzeit eines der verlässlichsten Werkzeuge dafür.

Kurz gesagt:

  • Hochinhaltsbildgebung ermöglicht quantitative, multiparametrische Analyse von iPSC-Zelltypen, wobei neuronale Kulturen besonders empfindlich auf Kulturbedingungen reagieren.
  • Bei der Wahl der Platten und Beschichtungen beeinflussen Material und Oberflächenbehandlung die Bildqualität sowie die Zuverlässigkeit der Segmentierung in automatisierten Assays.
  • Die optimale Messzeit hängt vom Zellphänotyp ab, wobei ROS-Signale oft innerhalb von 30 Minuten am aussagekräftigsten sind, während Lipid- oder Toxizitätssignale mehrere Stunden benötigen.
  • Die Entscheidung zwischen 2D- und 3D-Modellen basiert auf dem Trade-off zwischen Durchsatz und biologischer Detailtiefe, wobei 2D für Hochdurchsatz-Tests und 3D für Mechanismenstudien geeignet ist.
  • Bei der Analyse von HCI-Daten sind zuverlässige Segmentierungsalgorithmen und Deep-Learning-Methoden entscheidend, um valide quantifizierbare Ergebnisse aus heterogenen Zellpopulationen zu gewinnen.
Hopeatrarelabs
Patientenspezifische Modelle gezielt nutzen
RareLabs entwickelt patientenspezifische Krankheitsmodelle und testet Wirkstoffoptionen für seltene und bislang nicht diagnostizierte genetische Erkrankungen.
RareLabs kennenlernen

Inhaltsverzeichnis

Welche iPSC-Zelltypen passen zu welchen HCI-Anwendungen?

Nicht jedes iPSC-Derivat eignet sich für jede Fragestellung. Die Wahl des Zelltyps entscheidet mit, welche Sonden, Zeitfenster und Plattenformate sinnvoll sind.

iPSC-Neuronen dienen vor allem der Analyse von Neuritenauswuchs, synaptischer Dichte und Calcium-Dynamik. Sie reagieren empfindlich auf Kulturbedingungen und benötigen längere Reifungszeiten, liefern dafür aber Phänotypen, die für Neurodegenerationsmodelle direkt relevant sind. iPSC-Hepatozyten wiederum eignen sich für Lipidakkumulation, mitochondriale Funktion und klassische Zytotoxizitätsendpunkte, wie sie in der Arzneimittelsicherheitsforschung gebraucht werden. iPSC-Kardiomyozyten liefern zusätzlich funktionelle Readouts wie Kontraktilität und Membranpotenzial, weshalb sie in kombinierten Toxizitätsscreens oft neben Hepatozyten eingesetzt werden. Mehr zu den Einsatzmöglichkeiten dieser Zellen findet sich in unserem Beitrag zu iPSC-Kardiomyozyten als Modellplattform.

Neurale Vorläuferzellen (NPCs) eignen sich für frühe Differenzierungsstudien und für Assays, die Proliferation und Migration erfassen sollen. Organoide bilden komplexere Gewebearchitekturen ab und erlauben Aussagen über Zell-Zell-Interaktionen, verlangen aber deutlich aufwendigere Bildgebung. Praktische Hinweise zur Organoid-Arbeit liefert unser Beitrag zu iPSC-Hirnorganoiden.

Typischerweise lassen sich folgende Phänotypen mit HCI robust erfassen:

  • Neuritenauswuchs und Verzweigungsgrad bei iPSC-Neuronen
  • Mitochondriales Membranpotenzial (MMP) als Indikator für Zellgesundheit
  • Calcium-Transienten bei elektrisch aktiven Zelltypen
  • Lipidtröpfchenakkumulation bei Hepatozyten-Modellen

Die Entscheidung zwischen 2D-Monolayer und 3D-Organoid ist meist eine Abwägung zwischen Durchsatz und biologischer Auflösung. 2D-Kulturen lassen sich leichter automatisieren, mit klar definierten Fokusebenen und kürzeren Akquisitionszeiten pro Well. 3D-Organoide bilden Gewebekontext realistischer ab, verlangen aber Z-Stack-Aufnahmen, längere Belichtungszeiten und aufwendigere Segmentierung. Für hochdurchsatzorientierte Screens bleibt 2D häufig die pragmatischere Wahl, während 3D-Modelle sich eher für mechanistische Vertiefungsstudien eignen. Diese Entscheidung wirkt sich direkt auf das Plattenformat und die Mikroskopwahl aus, die in den folgenden Abschnitten behandelt werden.

Versuchsaufbau: Plattenwahl, Beschichtung und Zeitplanung

Die Bildqualität in einem HCI-Assay steht und fällt mit Entscheidungen, die lange vor der eigentlichen Aufnahme getroffen werden. Plattentyp, Beschichtung und Zeitachse bestimmen, ob die spätere Segmentierung überhaupt zuverlässig funktioniert.

Für automatisierte Bildgebung sind Platten mit optischem Boden (Glasboden oder dünner Polymerboden) Standard, da sie geringere Autofluoreszenz und bessere optische Eigenschaften bei hoher numerischer Apertur bieten. Bei neuronalen Kulturen verbessert eine Doppelbeschichtung aus Poly-D-Lysin und Laminin oder Matrigel die Adhärenz deutlich und reduziert das Ablösen der Zellen während längerer Differenzierungsprotokolle. Hepatozyten-Modelle profitieren häufig von Kollagen-I-Beschichtungen, die eine physiologischere Zellmorphologie fördern.

Eine typische Vorgehensweise für neuronale Differenzierungen sieht so aus:

  1. Aussaat der Vorläuferzellen auf beschichteten 96-Well-Platten mit optischem Boden.
  2. Erste morphologische Kontrolle und Mediumwechsel an Tag 1 nach dem Seeding.
  3. Beurteilung der Neuritenausbildung und erster Reifungsmarker um Tag 11.
  4. Funktionelle und phänotypische HCI-Messungen ab Tag 15, wenn die Zellen ein stabileres Reifungsstadium erreicht haben.

Die Seeding-Dichte muss so gewählt werden, dass Zellen am Messtag weder überkonfluent noch zu spärlich verteilt sind, da beides die Segmentierungsgenauigkeit verschlechtert. Praktische Hinweise zur Zeitplanung neuronaler Differenzierung liefert unser Beitrag zu iPSC-Neuronenentwicklung.

Randeffekte gehören zu den unterschätzten Fehlerquellen in Plattenassays: Wells am Plattenrand trocknen schneller aus und zeigen häufig abweichende Wachstumsmuster. Deshalb sollten die äußersten Well-Reihen entweder ausgespart oder nur mit Kontrollen belegt werden. DMSO-Kontrollen und ein etablierter Referenzwirkstoff pro Platte sind Pflicht, um plattenübergreifende Variation zu erkennen. Mindestens drei technische Replikate pro Bedingung gelten als Minimum für belastbare Aussagen.

Profi-Tipp: Planen Sie die Messzeitpunkte rückwärts von der biologischen Fragestellung, nicht vom Laboralltag, sonst verpassen Sie kurze Zeitfenster wie die ROS-Messung.

Färbeprotokolle: Welche Sonde zu welchem Zeitpunkt?

Die Wahl der Fluoreszenzsonde und der richtige Messzeitpunkt entscheiden oft mehr über die Aussagekraft eines Assays als die Mikroskophardware selbst.

Für die Kernfärbung hat sich Hoechst 33342 als Standard etabliert, da es zellpermeabel ist und sich gut mit anderen Sonden kombinieren lässt. MitoTracker Orange markiert Mitochondrien unabhängig vom Membranpotenzial und eignet sich für morphologische Auswertungen des mitochondrialen Netzwerks. CellROX Deep Red zeigt oxidativen Stress an und wird häufig in Kombination mit Hoechst eingesetzt, um Zellzahl und ROS-Signal gemeinsam zu erfassen. TMRM (Tetramethylrhodamin-Methylester) misst das mitochondriale Membranpotenzial und wird in der Praxis im sogenannten Non-quench-Modus bei niedrigen Konzentrationen eingesetzt: Ein publiziertes Protokoll beschreibt 10 nM TMRM für 30 Minuten als robustes Vorgehen zur MMP-Messung in iPSC-Neuronen, wobei das Signal für etwa diesen Zeitraum stabil bleibt.

  • Hoechst 33342: Kernfärbung, Basis für Zellzählung und Segmentierung.
  • MitoTracker Orange: mitochondriale Morphologie, membranpotenzialunabhängig.
  • CellROX Deep Red: oxidativer Stress, kombinierbar mit Kernmarkern.
  • TMRM: mitochondriales Membranpotenzial, empfindlich gegenüber Konzentration und Belichtungszeit.

Die Zeitsensitivität der Readouts ist in publizierten Toxizitätsscreens mit iPSC-Kardiomyozyten und Hepatozyten klar dokumentiert: ROS-Signale sind am aussagekräftigsten etwa 30 Minuten nach Behandlung messbar, während Zytotoxizität und mitochondriale Schäden sich erst nach 24 bis 48 Stunden stabil zeigen. Lipidakkumulation wiederum benötigt typischerweise 48 Stunden, bis sich ein belastbares Signal ausbildet. Wer diese Zeitfenster ignoriert, riskiert falsch negative Ergebnisse, nicht weil der Effekt fehlt, sondern weil zum falschen Zeitpunkt gemessen wurde.

Lebendzellbildgebung erlaubt die Verfolgung derselben Zellen über mehrere Zeitpunkte und ist bei dynamischen Prozessen wie Calcium-Transienten unverzichtbar. Sie erhöht aber das Risiko phototoxischer Schäden, besonders bei wiederholter Anregung empfindlicher Neuronen. Fixierte Endpunktmessungen sind robuster gegenüber Phototoxizität, liefern aber nur eine Momentaufnahme. Für Langzeitaufnahmen empfiehlt sich eine reduzierte Anregungsintensität in Kombination mit längeren Intervallen zwischen den Aufnahmen, um die Zellgesundheit über die gesamte Versuchsdauer zu erhalten.

Färbeprotokolle: Welche Sonde zu welchem Zeitpunkt? — overview diagram

Bildakquisition: Welche Mikroskopplattform passt zu Ihrem Ziel?

Die Hardware-Wahl hängt direkt davon ab, ob Durchsatz oder subzelluläre Auflösung im Vordergrund steht.

Widefield-High-Content-Systeme wie das Operetta CLS von PerkinElmer werden in der Literatur häufig als Beispiel für automatisierte, plattenbasierte Bildgebung mit hohem Durchsatz genannt. Sie eignen sich gut für Screens mit klaren, gut getrennten Fluoreszenzsignalen, etwa Zellzahl, Kernmorphologie oder Gesamtintensität pro Zelle. Spinning-disk-Konfokalsysteme liefern dagegen schärfere optische Schnitte und eignen sich besser für subzelluläre Strukturen wie einzelne Mitochondrien oder feine Neuritenverzweigungen, allerdings bei geringerem Durchsatz pro Zeiteinheit.

Bei der Parametrierung spielen mehrere optische Größen eine Rolle:

  • Numerische Apertur: Höhere Werte verbessern Auflösung und Lichtausbeute, verkleinern aber das Sichtfeld.
  • Immersionsart: Wasser- oder Ölimmersion erhöhen die Auflösung gegenüber Luftobjektiven, erfordern aber mehr Handhabungsaufwand im automatisierten Betrieb.
  • Pixelgröße: Muss auf die kleinste relevante Struktur abgestimmt sein, etwa einzelne Neuriten oder Mitochondrienfragmente.
  • Bit-Tiefe: 16-Bit-Aufnahmen erfassen einen größeren Dynamikbereich als 8-Bit und sind für quantitative Intensitätsmessungen vorzuziehen.
  • Z-Stack-Strategie: Bei dickeren Proben oder 3D-Kulturen nötig, erhöht aber Aufnahmezeit und Datenvolumen erheblich.

Für belastbare Populationsergebnisse in 96-Well-Assays gilt laut publizierten HCI-Protokollen eine Faustregel von 4 bis 8 Bildfeldern pro Well als ausreichend. Konfokale Systeme mit Z-Stacking und 16-Bit-Aufnahmen verbessern die Datenqualität, treiben das Datenvolumen aber auf etwa 8 bis 10 Gigabyte pro Platte. Bei größeren Screening-Kampagnen mit mehreren hundert Platten summiert sich das schnell zu erheblichen Speicheranforderungen, die bei der Infrastrukturplanung von Anfang an berücksichtigt werden sollten.

Kommerzielle Systeme wie Operetta CLS oder das Nachfolgermodell Opera Phenix decken meist die komplette Kette von Akquisition bis Erstauswertung ab und werden in automatisierten HCS-Protokollen für neuronale iPSC-Modelle regelmäßig als Beispielplattform genutzt. Für Labore mit begrenztem Budget bieten motorisierte Widefield-Mikroskope mit externer Analysesoftware oft einen praktikablen Einstieg, auch wenn der Durchsatz geringer bleibt.

Bildanalyse: Von der Segmentierung zur belastbaren Kennzahl

Selbst technisch perfekte Aufnahmen bringen wenig, wenn die anschließende Bildanalyse nicht solide aufgebaut ist. Ohne robuste Auswertungspipelines liefern hochwertige Bilder allein keine reproduzierbaren Erkenntnisse: Die Investition in die Analysesoftware ist mindestens ebenso wichtig wie die Mikroskop-Hardware selbst.

Ein typischer Analyseworkflow läuft in mehreren Schritten ab. Zuerst folgt eine Vorverarbeitung, bei der Flatfield-Korrektur ungleichmäßige Beleuchtung ausgleicht und Bleach-Korrektur den Intensitätsabfall bei Zeitrafferaufnahmen kompensiert. Danach folgt die Segmentierung: Zellkerne werden meist zuerst identifiziert, da sie die zuverlässigste Ankerstruktur liefern, gefolgt von Zytoplasma- und bei neuronalen Assays zusätzlich Neuritensegmentierung. Aus den segmentierten Objekten werden anschließend Features wie Intensität, Form, Textur oder Anzahl extrahiert und für die statistische Auswertung exportiert.

Bei der Software-Wahl stehen kommerzielle und offene Lösungen nebeneinander:

  • Harmony und Columbus von PerkinElmer sowie MetaXpress gelten als etablierte kommerzielle Analyseumgebungen mit integrierten Segmentierungsalgorithmen.
  • CellProfiler und ImageJ sind frei zugängliche Alternativen, die in zahlreichen publizierten HCS-Studien für Segmentierung und Feature-Extraktion eingesetzt werden.
  • Beide Ansätze können vergleichbare Ergebnisse liefern: Eine Untersuchung zu neurite outgrowth Messungen verglich Harmony und CellProfiler an fixierten, plattierten Neuronen und fand keine grundsätzlichen Unterschiede in der Ergebnisqualität.

Deep-Learning-Ansätze gewinnen zunehmend an Bedeutung, besonders bei heterogenen iPSC-Derivaten, deren Zellformen klassische Schwellenwertmethoden überfordern. Modelle wie StarDist verbessern die Trennung eng benachbarter Zellkörper und Neuriten gegenüber einfachen Intensitätsschwellen deutlich. Ein weiterer Trend ist in-silico-Staining: Das Modell Bright2Nuc sagt Nukleusfärbungen aus Hellfeldbildern in 3D-Kulturen vorher, ohne dass ein Fluoreszenzkanal dafür verbraucht wird, was Phototoxizität und Messzeit reduziert. Solche Modelle müssen allerdings gegen echte Immunfärbung validiert werden, bevor sie in ein Screening-Setup übernommen werden.

Profi-Tipp: Testen Sie jede neue Segmentierungspipeline zuerst an einem kleinen, manuell annotierten Referenzdatensatz, bevor Sie sie auf eine ganze Screening-Kampagne anwenden.

Assay-Design und Kontrollen: Wie Sie reproduzierbare Ergebnisse sichern

Reproduzierbarkeit in iPSC-basierten HCI-Assays hängt stark davon ab, wie viel biologische Variabilität von vornherein eingeplant wird. Eine einzelne iPSC-Linie zeigt oft klonale Eigenheiten, die sich leicht mit einem echten Krankheitseffekt verwechseln lassen.

Empfohlen wird deshalb die Verwendung mehrerer unabhängiger iPSC-Linien in Kombination mit isogenen CRISPR-korrigierten Kontrollen. Reviews zu iPSC-basierten neuronalen Assays heben isogene Kontrollen als etablierte Praxis hervor, um Linienvariabilität von tatsächlichen genotypbedingten Effekten zu trennen. Ohne diesen Vergleich bleibt unklar, ob ein beobachteter Phänotyp auf die Mutation zurückgeht oder schlicht auf klonale Unterschiede.

Ein praktischer Ablauf für die Assay-Qualifizierung sieht so aus:

  1. Etablierung von mindestens zwei bis drei unabhängigen Patientenlinien plus isogener Kontrolle.
  2. Festlegung einer Positivkontrolle, die den Zielphänotyp zuverlässig auslöst, etwa Menadion zur Induktion von oxidativem Stress in ROS-Assays.
  3. Berechnung des Z'-Faktors aus Positiv- und Negativkontrollen zur Beurteilung, ob der Assay robust genug für ein Screening ist.
  4. Festlegung von Metadatenstandards vor Beginn der Datenerhebung, damit spätere Analysen plattenübergreifend vergleichbar bleiben.

Der Z'-Faktor bleibt die zentrale Kennzahl, um zu entscheiden, ob ein HCI-Assay screeningtauglich ist: Er setzt die Streuung der Kontrollen ins Verhältnis zum Abstand zwischen positivem und negativem Signal und zeigt damit direkt, ob ein Effekt vom Rauschen zuverlässig unterscheidbar ist.

Das Datenmanagement wird bei HCI-Kampagnen schnell zum limitierenden Faktor. Schon einzelne Platten erzeugen, wie im Abschnitt zur Bildakquisition beschrieben, mehrere Gigabyte an Rohdaten, und Screening-Kampagnen mit hunderten Platten benötigen entsprechend Speicher- und Rechenkapazität für die nachgelagerte Analyse. Wer diese Infrastruktur nicht selbst vorhält, verlagert die Analyse meist auf externe Rechencluster oder Cloud-Ressourcen. Auch die Qualitätskontrolle der eingesetzten iPSC-Linien selbst gehört zu diesem Prozess: Einen Überblick über passende QC-Panels bietet unser Beitrag zur Qualitätskontrolle von iPSC.

Praxisbeispiel: So läuft ein HCI-Screening in der Anwendung ab

In der praktischen Umsetzung folgt ein patientenspezifisches HCI-Screening meist einem wiederkehrenden Ablauf, der sich in klar abgrenzbare Phasen gliedern lässt: Probenannahme, Erzeugung der iPSC-Linie, Differenzierung in den relevanten Zelltyp, Aussaat auf Assay-Platten, HCI-Akquisition, Bildanalyse und abschließend Priorisierung der Kandidaten.

Die Erzeugung einer patientenspezifischen iPSC-Linie aus einer Hautbiopsie nimmt in der Praxis mehrere Wochen in Anspruch, bevor eine Linie qualitätsgesichert für Differenzierungsprotokolle zur Verfügung steht. Details zu dieser Zeitachse beschreibt unser Beitrag darüber, wie Labore iPSC-Linien aus Hautbiopsien erzeugen. Die anschließende Differenzierung in Neuronen, Hepatozyten oder Kardiomyozyten braucht je nach Zelltyp weitere Wochen, bevor die Zellen reif genug für aussagekräftige HCI-Messungen sind.

Bei größeren Wirkstoffscreens mit mehreren tausend Substanzen, wie sie bei der Prüfung bereits zugelassener Medikamente üblich sind, wird die Organisation der Datenverarbeitung zur eigentlichen Herausforderung, nicht die einzelne Messung. Jede Substanz muss mit den passenden Zeitfenstern für ROS-, Zytotoxizitäts- und Lipidakkumulations-Readouts getestet werden, was eine sorgfältige Taktung der Plattenlogistik erfordert. Wie ein solcher Screening-Ansatz mit patientenabgeleiteten Zellen konkret aussehen kann, beschreibt unser Beitrag zu patientenabgeleiteten iPSC als Entscheidungshilfe.

Typische organisatorische Engpässe in solchen Projekten sind:

  • Linienvariabilität zwischen Patientenproben, die zusätzliche Kontrollexperimente nötig macht.
  • Phototoxizität bei wiederholten Lebendzellmessungen, die die Anzahl möglicher Zeitpunkte begrenzt.
  • Datenvolumen, das bei mehreren tausend getesteten Substanzen schnell in den Terabyte-Bereich wächst.
  • Priorisierung der Hits, die eine klare statistische Vorabdefinition verlangt, um nicht in reiner Mustererkennung zu enden.

Wer diese Schritte intern abdecken will, braucht neben der Laborausstattung auch entsprechende Bioinformatik-Kapazität für die Auswertung. Genau an dieser Stelle setzen spezialisierte Dienstleister an, die den gesamten Ablauf von der Probe bis zur priorisierten Kandidatenliste übernehmen.

Wohin entwickelt sich High Content Imaging bei iPSC-Modellen?

Die größte Verschiebung in den kommenden Jahren dürfte weg von klassischer Fluoreszenzfärbung hin zu label-freien Verfahren gehen, und das ist gut so. Fluoreszenzsonden liefern zwar spezifische Signale, kosten aber Kanäle, Zeit und Zellgesundheit, besonders bei empfindlichen Neuronen. Label-freie Deep-Learning-Ansätze wie in-silico-Staining sagen stattdessen Strukturen direkt aus Hellfeldbildern vorher und reduzieren dadurch sowohl Phototoxizität als auch die Anzahl nötiger Färbeschritte, wie Studien zu 3D-Kulturmodellen zeigen.

Ich halte es für einen Fehler, label-freie Methoden nur als billigeren Ersatz für klassische Färbung zu betrachten. Ihr eigentlicher Wert liegt darin, Längsschnittstudien überhaupt erst praktikabel zu machen, weil dieselben Zellen über Tage oder Wochen verfolgt werden können, ohne dass wiederholte Färbezyklen die Kultur schädigen. Parallel dazu setzt sich zunehmend durch, dass nicht-invasive, ML-gestützte Bildauswertung Variabilität in Langzeitstudien reduziert, gerade weil sie die Zellgesundheit nicht durch den Messprozess selbst beeinträchtigt.

Automatisierung durch Liquid-Handling-Robotik und cloudbasierte Bildanalyse wird für größere Screening-Kampagnen zum Standard werden, einfach weil die Datenmengen von Hand nicht mehr zu bewältigen sind. Wer heute noch rein manuell pipettiert und lokal auswertet, wird bei wachsenden Bibliotheksgrößen an eine harte Kapazitätsgrenze stoßen.

— John

Wie RareLabs Forschende bei iPSC-Screenings unterstützt

Nicht jedes Labor hat die Kapazität, patientenspezifische iPSC-Linien selbst zu erzeugen, Hochdurchsatz-Screens zu organisieren und die entstehenden Bilddaten auszuwerten. Spezialisierte Dienstleister übernehmen oft den gesamten Ablauf von der patientenspezifischen iPSC-Modellentwicklung über Hochdurchsatz-Screening bereits zugelassener Wirkstoffe bis zur datengetriebenen Priorisierung der Kandidaten bei Fragestellungen zu ultra-seltenen und undiagnostizierten genetischen Erkrankungen.

Hopeatrarelabs

Das Leistungsspektrum spezialisierter Anbieter kann neben Modellerzeugung und Wirkstoffscreening auch die Entwicklung maßgeschneiderter Antisense-Oligonukleotide und die Bewertung von Gentherapieoptionen mit proprietären Zielbewertungsmethoden umfassen. Für Forschende, Familien oder biopharmazeutische Partner, die eine konkrete Fragestellung zu einer seltenen Erkrankung haben, aber nicht die gesamte Infrastruktur für HCI-basierte Screens selbst aufbauen wollen, bieten spezialisierte Dienstleister oft eine praktikable Ergänzung zur eigenen Laborarbeit. Mehr zum Ablauf solcher Screening-Programme beschreibt unser Beitrag zu phänotypischen Modellen in der Wirkstofffindung.

Wer eine konkrete Machbarkeitsfrage zu einem patientenspezifischen Modell hat, kann sich direkt über die Leistungsübersicht von RareLabs informieren und Kontakt aufnehmen.

Quellen

Für die direkte Umsetzung im eigenen Labor lohnt sich der Blick in mehrere Originalquellen. Das hiPSCore-Verfahren beschreibt ein validiertes 12-Gen-Panel mit maschinellem Lernen zur Bewertung der iPSC-Qualität und eignet sich als Referenz für die eigene Linienqualifizierung. Für TMRM-basierte MMP-Messungen liefert das Protokoll zur mitochondrialen Polarisation konkrete Konzentrations- und Zeitangaben. Automatisierte neuronale HCS-Workflows mit Operetta/Opera Phenix und CellProfiler sind im SLAS-Discovery-Protokoll dokumentiert. Wer Segmentierungsalgorithmen vergleichen will, findet in der Untersuchung zu neurite outgrowth Messungen einen direkten Vergleich zwischen Harmony und CellProfiler.

FAQ

Was misst High Content Imaging bei iPSC-Zellen genau?

High Content Imaging erfasst gleichzeitig mehrere zelluläre und subzelluläre Merkmale aus mikroskopischen Bildern, etwa Zellzahl, Morphologie, Organellstruktur und Fluoreszenzintensität. Bei iPSC-Modellen wird das genutzt, um Phänotypen wie Neuritenauswuchs, mitochondriale Funktion oder Lipidakkumulation quantitativ zu vergleichen. Die Methode eignet sich damit besonders für Screening-Ansätze, bei denen viele Bedingungen parallel bewertet werden müssen.

Wann sollte ROS gemessen werden statt Zytotoxizität?

ROS-Signale sind am aussagekräftigsten etwa 30 Minuten nach der Behandlung messbar, während sich Zytotoxizität und mitochondriale Schäden erst nach 24 bis 48 Stunden zuverlässig zeigen. Wer beide Endpunkte im selben Experiment erfassen will, braucht deshalb getrennte Zeitpunkte innerhalb desselben Versuchsplans. Eine einzelne Messung zu einem festen Zeitpunkt liefert für beide Fragestellungen keine verlässlichen Ergebnisse.

Welche Software eignet sich für die Bildanalyse von iPSC-Aufnahmen?

Kommerzielle Lösungen wie Harmony, Columbus oder MetaXpress bieten integrierte Segmentierungswerkzeuge und werden häufig direkt mit der passenden Mikroskophardware verkauft. CellProfiler und ImageJ sind frei zugängliche Alternativen, die in publizierten Studien vergleichbare Ergebnisse liefern und sich für Labore mit begrenztem Softwarebudget eignen. Die Wahl hängt meist davon ab, ob bereits eine kommerzielle Plattform vorhanden ist oder eine offene Lösung bevorzugt wird.

Warum sind isogene Kontrollen bei iPSC-Assays wichtig?

Isogene CRISPR-korrigierte Kontrollen trennen genotypbedingte Effekte von zufälliger klonaler Variabilität zwischen verschiedenen iPSC-Linien. Ohne diesen Vergleich lässt sich ein beobachteter Phänotyp nicht sicher der untersuchten Mutation zuordnen. Reviews zu iPSC-basierten neuronalen Assays empfehlen isogene Kontrollen deshalb als Standardpraxis.

Was übernimmt RareLabs bei einem iPSC-Screening-Projekt?

RareLabs entwickelt patientenspezifische iPSC-Modelle und führt Hochdurchsatz-Screenings zahlreicher bereits zugelassener Wirkstoffe durch, ergänzt um die Entwicklung individueller Antisense-Oligonukleotide und die Bewertung von Gentherapieoptionen. Details zu den einzelnen Leistungen sind auf der Leistungsübersicht beschrieben.

Empfehlungen