Ons immuunsysteem doorgelicht: een kijkje in de kleurrijke wereld van flowcytometrie

Blauw voor B-cellen, tomaatrood voor T-cellen?

Immunologie is een van de voornaamste onderzoeksgebieden die flowcytometrie gebruiken. Er zijn namelijk erg veel verschillende witte bloedcellen, de cellen van ons immuunsysteem, die elk op een specifieke manier reageren als een bacterie of virus ons lichaam binnendringt. Zo kunnen dendritische cellen bijvoorbeeld stukjes van de indringers vangen en tonen aan de andere cellen. De T-cellen, die elk op zoek zijn naar een heel specifieke crimineel zoals een virus of bacterie, kunnen alarm slaan als ze net die vinden, zodat alle troepen geactiveerd worden, of juist aangeven dat er zo wel weer genoeg gevochten is en het tijd is om wat kalmer aan te doen. B-cellen kunnen zich omvormen tot plasmacellen, klaar om plakkerige antilichamen af te vuren op de indringers. Als de macrofagen zo'n deeltje vol antilichamen tegenkomen, weten ze dat dit mag opgegeten worden en zo volledig onschadelijk gemaakt. De cellen voeren al deze verschillende functies uit dankzij de verschillende eiwitten in hun celwand. En net aan deze eiwitten worden door de laboranten dus die fluorescente labeltjes gehangen.

De cellen die bestudeerd worden, komen vaak van patiënten. Flowcytometrie wordt namelijk veel gebruikt in ziekenhuizen om op basis van een bloedstaal diagnoses te kunnen stellen of behandelingen op te volgen. Naast de informatie die dat onmiddellijk geeft voor de behandelende arts, kunnen zulke stalen ook gebruikt worden voor wetenschappelijk onderzoek, om ziektes beter te begrijpen.

Op zoek naar de juiste diagnose

Nu, even eerlijk: ik ben niet de ingenieur die deze wonderlijke flowcytometers ontwikkelt, en ik ben ook niet de bioloog die ontdekt welke medicijnen ons immuunsysteem kunnen helpen. Toch kan ik als computerwetenschapper ook iets nuttig bijdragen in dit onderzoeksveld: computers zijn namelijk erg handig om in grote hoeveelheden data te zoeken naar patronen.

Mijn collega Annelies Emmaneel analyseerde bijvoorbeeld data van personen met immuundeficiënties. Deze ziektes zijn gelukkig zeldzaam, maar kunnen bijzonder ernstig zijn en zijn moeilijk op te sporen. Een bloedstaal van een enkele patiënt geeft maar een beperkt zicht, maar door metingen van vele patiënten te combineren, kunnen we het grotere plaatje wel in beeld krijgen. Annelies ging in miljoenen gemeten cellen op zoek naar patronen die kunnen vertellen aan welke specifieke aandoening elk patiëntje zou lijden. Het idee was simpel: we zouden voor elk van de patiënten oplijsten hoeveel procent er van elke immuunpopulatie voorkwam en deze info gebruiken om een verzameling aan beslissingsbomen te bouwen.

Helaas was er een complicatie: tijdens de studie was een nieuwere cytometer in gebruik genomen. Deze upgrade kwam op zich de kwaliteit van de data wel ten goede, maar plaatste ons ook voor een extra uitdaging. De data van de twee toestellen was namelijk niet rechtstreeks met elkaar vergelijkbaar. Alsof je twee verschillende weegschalen gebruikt, waarvan de ene net wat andere gewichten aangeeft dan de andere. Maar aangezien het om een zeldzame ziekte gaat, zou het ook een gemiste kans zijn om de stalen van het eerste toestel niet meer te gebruiken in de zoektocht naar onderliggende patronen. Daarom gebruikte Annelies een tool die in ons lab ontwikkeld werd om deze data toch te herschalen. Alsof je een aantal voorwerpen op beide weegschalen weegt en zo leert dat je bij de ene telkens afhankelijk van het gewicht net wat bij moet tellen of aftrekken om het resultaat van de andere te kennen.

Dankzij het toepassen van deze correctie kon Annelies toch de data van de twee toestellen combineren. Om de resultaten te interpreteren, werkte ze nauw samen met onderzoekers van het Universitair Ziekenhuis van Gent. Zo slaagde Annelies er in een model te bouwen dat op basis van de bloedstalen kon voorspellen welke specifieke ziekte meest waarschijnlijk leek. Naast de diagnose, stelt de tool ook een gedetailleerd rapport op met de redenen voor die voorspelling. Dat bleek cruciaal, en een stap die veel huidige AI modellen overslaan. Hoewel het stellen van de diagnose de voornaamste taak is, willen we dit niet volledig in handen geven van de computer, want dan zou het best kunnen dat die om totaal verkeerde redenen een conclusie bereikt. Door ook de details te communiceren met de laboranten en artsen, verzekeren we een extra stap van kwaliteitscontrole.

Gaat een arts nu onmiddellijk aan de slag met dit model als hulpmiddel om patiënten een diagnose te geven? Nee, daar is het nog wat vroeg voor. De modellen moeten eerst nog op meer data getest worden. Maar morgenvroeg starten laboranten wereldwijd hun flowcytometers weer op, klaar om nog meer data te meten. En ik zit klaar aan mijn computer, om ook uit die datasets zo veel mogelijk nuttige informatie te halen. Zo kunnen we stap voor stap patienten sneller aan een correcte diagnose helpen.