Dokument: In silico Generierung, Evaluation und Anwendung von aus Hochdurchsatzaufnahmen stammenden entwicklungsneurotoxischen Daten
| Titel: | In silico Generierung, Evaluation und Anwendung von aus Hochdurchsatzaufnahmen stammenden entwicklungsneurotoxischen Daten | |||||||
| Weiterer Titel: | In silico generation, evaluation and application of developmental neurotoxicity data derived from high throughput screening assays | |||||||
| URL für Lesezeichen: | https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=64897 | |||||||
| URN (NBN): | urn:nbn:de:hbz:061-20240527-131627-5 | |||||||
| Kollektion: | Dissertationen | |||||||
| Sprache: | Englisch | |||||||
| Dokumententyp: | Wissenschaftliche Abschlussarbeiten » Dissertation | |||||||
| Medientyp: | Text | |||||||
| Autor: | Keßel, Hagen Eike [Autor] | |||||||
| Dateien: |
| |||||||
| Beitragende: | Prof. Dr. Fritsche, Ellen [Gutachter] Prof. Urlacher, Vlada [Gutachter] | |||||||
| Stichwörter: | Toxikologie, Neurosphären, Bioinformatik, Biostatistik | |||||||
| Dewey Dezimal-Klassifikation: | 500 Naturwissenschaften und Mathematik » 540 Chemie | |||||||
| Beschreibungen: | Entwicklungsneurotoxische Chemikalien können die frühe Gehirnentwicklung in utero beeinträchtigen und stellen daher ein Gesundheitsrisiko für unsere Gesellschaft dar. Herkömmliche in vivo Methoden zur Testung von Entwicklungsneurotoxizität (developmental neurotoxicity, DNT) sind sehr ressourcen- und zeitintensiv und wurden nur für eine begrenzte Anzahl von Chemikalien durchgeführt. Es besteht internationaler Konsens darüber, dass mehr Chemikalien auf ihr DNT-Potenzial getestet werden müssen. Ein vielversprechender Ansatz ist die Verwendung neuartiger Test-Methoden (NAMs) im Rahmen einer DNT in vitro Batterie (IVB), mit welcher die Auswirkungen von Chemikalien auf wichtige Schlüsselereignisse der Gehirnentwicklung bewertet und mehrere Einschränkungen von in vivo Tests überwunden werden können. Neurale Vorläuferzellen (NPCs), welche als 3D-Neurosphären kultiviert werden, sind vielversprechende NAMs, da sie Schlüsselprozesse der Gehirnentwicklung wie Zelldifferenzierung und Migration in einem 3D-Kontext nachahmen.
Um relevante und zuverlässige Informationen über das DNT Potential vieler Chemikalien aus 3D-Neurosphären zu extrahieren, wurde ein automatisierter bioinformatischer und biostatistischer Workflow entwickelt. Dieser Workflow ermöglicht eine Bildanalyse für zellbiologische Endpunkte sowie biostatistische Datenanalyse für die DNT-Gefährdungsklassifizierung von Chemikalien in einem regulatorischen Kontext. In dieser Arbeit wird der Prozess von der Generierung über die Auswertung bis hin zur Anwendung von in vitro DNT-Testdaten untersucht. Darüber hinaus wird gezeigt, wie sich die Anwendung verschiedener Datenanalysemethoden auf die endgültige DNT-Gefahrenklassifizierung von Chemikalien auswirkt. Zur Generierung von Endpunktdaten wurde vormals die Bildanalysesoftware „Omisphero“ entwickelt. Omnisphero verwendet fluoreszenzbasierte Bilder, um zelltypspezifische Endpunkte wie Migration oder Differenzierung von Neuronen und Oligodendrozyten zu quantifizieren. Ursprünglich stützte sich Omnisphero zur Identifizierung von Zelltypen auf Überlappungsalgorithmen. Diese Algorithmen erreichten jedoch nicht die für regulatorische Anwendungen erforderliche Genauigkeit. Im Rahmen dieser Arbeit wurden mithilfe des maschinellen Lernens (ML) neue Ansätze entwickelt, welche die Überlappungsalgorithmen in Bezug auf Genauigkeit und Flexibilität deutlich übertreffen. Die so gewonnenen Daten zur Zellidentifizierung müssen weiter prozessiert werden, um eine DNT-Klassifizierung von Chemikalien zu ermöglichen. Zu diesem Zweck wurde eine biostatistische Software in R entwickelt, welche Daten aus verschiedenen Assays in ein einheitliches Format umwandelt und mehrere biostatistische Methoden anwendet, die für die endgültige Datenauswertung relevant sind. Die Methoden sind dabei alle miteinander verknüpft. Es hat sich gezeigt, dass die Wahl der anzuwendenden Methoden einen Einfluss auf die endgültigen Gefahrenklassifizierungen hat. Daher wurde es notwendig, eine Vielzahl verschiedener biostatistischer Ansätze im Hinblick auf ihre Anwendung bei der Identifizierung von DNT-Gefahren sorgfältig zu bewerten. Die Genauigkeit der Datenauswertung, gemessen am erwarteten Verhalten von Kontrollchemikalien, lag je nach Ansatz zwischen 77,3 % und 88,6 %. Aussagen zu ENT, welche sich aus den in dieser Arbeit entwickelten Datenauswertungsmethoden ergeben, können anschließend in Kombination mit anderen Daten verwendet werden. Beispiele hierfür sind die Entdeckung eines DNT-Gefährdungspotentials, die Priorisierung von Substanztests oder die Integration in das Adverse Outcome Pathway Konzept. Zusammenfassend kann gesagt werden, dass sowohl bei der Entwicklung als auch bei der Anwendung von DNT NAM Ansätzen erhebliche Fortschritte erzielt wurden. Es konnte gezeigt werden, wie wichtig die Wahl der bioinformatischen und -statistischen Methoden für die DNT-Klassifizierung von Chemikalien sein kann und wie wichtig eine sorgfältige Auswahl und Validierung dieser Methoden ist, um zuverlässige Informationen zu erhalten.Neurodevelopmental toxicants can affect early brain development and therefore present a long-underestimated health risk to our society. Conventional in vivo developmental neurotoxicity (DNT) testing methods are very resource- and time-intensive and were only performed for a limited amount of chemicals. This leaves a data gap concerning the DNT potential of most chemicals. In general, there is consensus that more chemicals need to be tested for their potential to induce DNT. A promising approach is the use of new approach methods (NAMs), set up in a DNT in vitro battery (IVB) that can evaluate chemical effects on major neurodevelopmental key events and overcome several limitations of in vivo testing. Neural progenitor cells (NPCs) cultivated as 3D neurospheres are one promising NAM used in the current DNT-IVB, since they mimic key processes of brain development such as cell proliferation, migration and differentiation in a 3D context. To extract relevant and reliable information on the DNT of many chemicals from 3D neurospheres, an automatized workflow containing bioinformatic and -statistical medium-throughput pipelines was developed. This allows image analysis for cell biological endpoints and facilitates a biostatistical data analysis for DNT hazard classification of chemicals in a regulatory context. In this thesis, the process from generation to evaluation and finally application of in vitro DNT testing data is explored. It is furthermore demonstrated how the application of different data analysis methods affects the final DNT hazard classification of a chemical. To generate endpoint data, the high content image analysis software ‘Omisphero’ was developed previously. Omnisphero uses fluorescence-based images acquired with a high content imaging device for quantification of cell type-specific endpoints such as migration or neuronal and oligodendrocyte differentiation. Originally, Omnisphero relied on overlap-algorithms for cell-type identification. However, these algorithms did not meet the cell type identification accuracy required for regulatory application. As part of this thesis machine learning (ML) approaches were developed, which strongly outperform the overlap algorithm in terms of accuracy and flexibility. The endpoint data deriving from image analysis need to be further analyzed and evaluated, to enable DNT classification of chemicals. For this purpose, in this thesis a biostatistical software tool was developed in R, which transforms data from different assays into a uniform format and applies several statistical methods relevant for final data interpretation. For this evaluation, a variety of biostatistical approaches are employed, which are all interconnected. The choice of which methods to employ has been shown to be impactful for the final hazard classifications. It thus became a necessity to carefully evaluate a multitude of different biostatistical approaches with regard to their application in DNT hazard identification. Depending on which approach is employed, the data evaluation accuracy, measured by expected behavior of control chemicals, varied between 77.3% and 88.6%. Statements on DNT deriving from the data evaluation methods developed in this thesis can subsequently be used in combination with other data. Examples are the discovery of a potential DNT hazard, prioritization of compound testing or integration into the Adverse Outcome Pathway concept. In summary, significant progress was made in both development and application of DNT NAM approaches. Attention was raised on how important the choice of bioinformatical and -statistical methodology can be for DNT classification of chemicals, as well as how mandatory careful selection and validation of these methods is to gain reliable information. | |||||||
| Lizenz: |  Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz | |||||||
| Fachbereich / Einrichtung: | Sonstige Einrichtungen/Externe » An-Institute » Institut für Umweltmedizinische Forschung (IUF) an der HHU | |||||||
| Dokument erstellt am: | 27.05.2024 | |||||||
| Dateien geändert am: | 27.05.2024 | |||||||
| Promotionsantrag am: | 04.05.2023 | |||||||
| Datum der Promotion: | 26.01.2024 |
