Frågan är inte "vilken programvara", utan "vilket lager i stacken"
Ett toxikologiskt exponeringssystem för zebrafisk genererar två mycket olika typer av råmaterial. På ena sidan finns driftregister på plåtnivå: i vilken brunn vilken förening tillsattes, vid vilken koncentration, på vilken dag och under vilken exponeringsscenario. På den andra sidan finns biologiska mätvärden: dödsfall, missbildningspoäng, fotomotoriska svar, simspår och allt oftare morfometriska egenskaper som härletts från bilder. Att behandla "verktyg för dataanalys" som en enda kategori slätar ut den skillnaden, och leder laboratorier att köpa ett spårningspaket med förväntan att det ska lösa ett datahanteringsproblem som det aldrig var utformat för att hantera.
Det praktiska sättet att tänka på verktygskedjan är i lager. Lager ett fångar och poängsätter slutpunkter vid bänken. Lager två lagrar observationsrapporterna med tillräcklig struktur för att kunna ställa frågor till dem. Lager tre kör de statistiska analyserna som omvandlar observationer till uppskattningar av potens, klassificeringar och jämförelser. Ett laboratorium kan klara sig med kommersiella verktyg på ett lager och öppen-källkodsverktyg på ett annat, och många gör det. Problem uppstår när ett enda program förväntas täcka alla tre lagen utan att avslöja var dess funktioner slutar.
Kommersiella plattformar löser fångsten väl, och det är inte en liten sak
ViewPoints Zebralab- och DanioVision-system dyker upp upprepat i publicerade zebrafiskmetoder av en anledning. De ligger på insamlings- och första kvantifieringsnivån och är utformade med hänsyn till de verkliga förhållandena kring beteendemättpunkter. Ett typiskt användningsfall: larver lastas in i en 96-brunnarsplatta, placeras i en Zebrabox-kammare och utsätts för alternerande ljus- och mörkcykler medan en kamera registrerar aktiviteten. Programvaran returnerar sedan mått per brunn, såsom total rörelse, tillryggalagd sträcka och svarsamplitud över epoker. Studier som använder Tanguay-laborets 120 hpf-assay har förlitat sig på ViewPoint Zebralab tillsammans med ett anpassat analysverktyg för fotomotoriskt svar och ett separat program för zebrafiskinsamling och -analys – vilket säger något viktigt om hur dessa system faktiskt används: sällan ensamma, vanligtvis som en komponent i en längre analyspipeline.
Styrkan med denna typ av verktyg ligger i konsekvensen vid insamling. Bildfrekvenser, belysningstider och spårning på brunn-nivå styrs automatiskt, så operatören behöver inte fatta bedömningar om när en stimulus utlöste en reaktion eller vilken pixel som hörde till vilken larv. Begränsningen är lika tydlig. Ett spårningssystem visar att rörelse har förändrats. Det säger inte om förändringen är en specifik utvecklingseffekt eller en sekundär följd av allmän toxicitet, och det kopplar inte ihop den informationen med en morfologisk utvecklingsändpunkt som bedöms av en annan person en annan eftermiddag.
Öppen-källkods-verktyg fyller luckorna – men med en kostnad
Den öppen-källkods-baserade sidan av ekosystemet har expanderat kraftigt, och täckningen är nu tillräckligt bred för att de flesta laboratorier ska kunna sätta ihop en fungerande analyspipeline utan att behöva köpa en omfattande programvarulicens.
FishInspector, utvecklad vid Helmholtz-centrum för miljöforskning, skapades för att göra opartiska kvantitativa bedömningar av morfologiska fenotyper från embryobilder, och den är fritt tillgänglig via ett offentligt kodförråd. ZembryoAnalyser kombinerar morfometri, rörelsespårning och hjärtfrekvensanalys i en enda plattform med öppen källkod, vilket är attraktivt för laboratorier som utför kardiovaskulära slutpunkter tillsammans med beteendemässiga. ZebraFET tar ett helt annat perspektiv. Det är en gratis skrivbordsapplikation som är byggd specifikt kring OECD:s testriktlinje 236 och hanterar projektinställning, daglig brunnspoängsbedömning, fotohantering, beräkning av LC50 och NOEC/LOEC, giltighetskontroller samt rapportgenerering.
Det sista exemplet förtjänar uppmärksamhet eftersom det avslöjar en vanlig missuppfattning. Ett laboratorium kan vara fullständigt överensstämmande med TG 236 och ändå sakna ett enhetligt datalager. ZebraFET tillämpar den regulatoriska aritmetiken och giltighetsgränserna, men de observationsbegrepp som en tekniker skriver in i systemet är fortfarande teknikerns egna begrepp. I det ögonblick två laboratorier jämför resultat återkommer terminologiproblemet.
Varför ontologier och datapipeliner är den del som de flesta laboratorier hoppar över
SEAZIT-programmet, som drivs genom NIEHS, skapades precis på grund av att utvecklingstoxicitetsresultat mellan olika laboratorier varierar när procedurer och terminologi inte är standardiserade. En samarbetsövning inom ramen för SEAZIT visade att användning av ontologitermer ökade konsekvensen och minskade tvetydigheten, samt att en gemensam datastandard borde minska heterogeniteten i rapporterade termer och förbättra överensstämmelsen mellan laboratorier. I den avgörande interlaboratoriestudien testade tre laboratorier en bländad uppsättning av 42 kemikalier under fyra exponeringsvillkor, och laboratorie-specifika fenotypregistreringstermer mappades till termer från Zebrafish Phenotype Ontology och grupperades efter anatomiområde innan någon jämförelse mellan laboratorier utfördes.
Detta mappningssteg är den oansenliga kärnan i vad en seriös dataanalysverktygskedja gör. Den underliggande databasen i SEAZIT byggdes på PostgreSQL, med tabeller uppdelade i ämnesinformation, screeningsdata och analyser, där brunnstabellen fungerar som den centrala kopplingspunkten. Referenskoncentrationer beräknades från incidensdata sammanfattade till effektnivå, och en specificitetspoäng härledes genom att jämföra BMC för en icke-dödlig effekt med BMC för dödlighet, där log10-skillnaden användes för att skilja specifika utvecklingseffekter från icke-specifik toxicitet.
Resultaten av det interlaboratoriska arbetet utgör en användbar verklighetskontroll för alla som söker verktyg. BMC-värdena för den positiva kontrollsubstansen varierade mellan laboratorier och exponeringsförhållanden, och incidensfrekvenserna för fordonskontrollen varierade mellan 0 och 8 procent beroende på laboratorium och scenario. Ingen mjukvarulager eliminerade denna variation. Vad den harmoniserade pipeline:n gjorde var att göra variationen synlig och tolkningsbar – ett annat och ärligare mål än "standardiserade resultat".
Där utdatalagren skiljer sig åt och vad som faktiskt ska jämföras
Tabellen nedan ställer de viktigaste verktygskategorierna sida vid sida utifrån de dimensioner som är avgörande när en screenningskampanj måste ge trovärdiga potensbedömningar, inte bara snygga videor.
| Verktygslager |
Typiska exempel |
Primär utmatning |
Hanterar ontologimappning |
Bäst lämpat |
| Beteendespårningsplattform |
Zebralab, DanioVision |
Aktivitet per brunn, avstånd, svarsamplitud |
No |
Lokomotoriska och fotomotoriska slutpunkter |
| Bildbaserad morfometri |
FishInspector, ZembryoAnalyser |
Form- och hjärtfrekvensfunktioner |
Delvis eller ingen |
Obiasad morfologisk kvantifiering |
| Regleringsassistent för FET |
ZebraFET |
LC50, NOEC/LOEC, giltighetsflaggor |
No |
TG 236-kompatibilitet och rapportering |
| Observationsdatabas med kontrollerad terminologi |
INTOB |
Strukturerade fenotyp- och metadataregister |
Ja, enligt designen |
Långsiktig datahantering och återanvändning |
| Analyspipeline för tvärlabb |
SEAZIT-databasen och -pipelinen |
BMC, specificitetspoäng, klassificeringar |
Ja |
Interlaboratorisk jämförelse och harmonisering |
INTOB, den integrerade effektdatabasen för toxikologiska observationer från UFZ, är värd att lyftas fram separat eftersom den byggdes kring FAIR-principerna – sökbar, tillgänglig, samverkande och återanvändbar data – och standardiserar metadata och fenotypiska observationer genom ett kontrollerat vokabulär. Det är ett datahanteringsbaserat svar på ett datahanteringsproblem och kompletterar snarare än konkurrerar med en spårningsplattform.
Driftlektionen från en verklig screeningsyta
En medelstor grupp för kontraktsscreening som utförde utvecklingstoxicitetsarbete på ett par dussin föreningar per månad stötte på en variant av detta problem – ett problem som ingen enskild leverantörsdemo skulle ha avslöjat. Beteendedata fanns i spårningsprogrammets inbyggda exportformat. Morfologiska poäng fanns i ett gemensamt kalkylblad med fritextkolumner för fenotyper. Platkartorna fanns på en tredje plats. När en uppdragsgivare begärde en koncentrations-svarskurva som kombinerade lokomotoriska och morfologiska endpoints för samma förening tillbringade en analytiker nästan en hel vecka på att manuellt justera välidentifierare, och den resulterande kurvan var svår att försvara eftersom fenotypbegreppen hade normaliserats efteråt i stället för att ha registrerats mot ett kontrollerat ordförråd från början.
Lösningen var inte ett nytt avbildningsinstrument. Det var att införa ett strukturerat observationslager mellan insamlingsverktygen och statistiken, definiera fenotypordförrådet innan nästa kampanj började samt kräva att varje poängsatt slutpunkt inkluderade dess brunn-, platta- och körparametrar i samma post. Spårningsplattformen förblev oförändrad. Kalkylbladet gjorde det inte.
Detta är där hårdvaran och datalagret möts på ett sätt som lätt kan överlookas vid specificering av ett toxikologiskt exponeringssystem för zebrafisk. En arbetsstation som loggar doseringsparametrar per brunn, bildtagningstidstämplar och plattkartering som en del av sin inbyggda drift tar bort en betydande belastning vad gäller justering av data innan analysfasen ens påbörjas. Hunter Labs ingenjörsarbete kring vätskehantering och kontroll på platt-nivå för zebrafiskplattformar har placerat företaget i en position där datainsamling betraktas som en integrerad del av exponeringshårdvaran snarare än som en efterhandslösning som monteras på av en separat leverantör. Den tillverkningsdisciplin som ligger bakom Hunter Labs zebrafiskställ och arbetsstationer – inklusive strikta toleranser för vätskevägar och stabil kontroll-elektronik – resulterar i register som faktiskt motsvarar vad som skedde i varje brunn, vilket utgör den enda grund som en efterföljande analyspipeline kan bygga på.
Verktygen finns. Den svårare frågan är om stacken är utformad så att datalagret ärver den fysiska sanningen om exponeringen, eller om laboratoriet tvingas sätta ihop den igen ett kalkylblad i taget.