Ob Pollenflugvorhersage, Honiganalyse oder das Verstehen klimabedingter Veränderungen von Pflanzen-Bestäuber-Interaktionen – die Analyse von Blütenpollen spielt in vielen Forschungsbereichen eine wichtige Rolle. Goldstandard ist dabei nach wie vor die Mikroskopie, die jedoch viel Zeit und Expertise erfordert. Wissenschaftlerinnen und Wissenschaftler des Helmholtz-Zentrums für Umweltforschung (UFZ) und des Deutschen Zentrums für integrative Biodiversitätsforschung (iDiv) haben in Kooperation mit der Technischen Universität (TU) Ilmenau nun ein Verfahren entwickelt, mit dem sie die Pollenanalyse automatisieren können. Ihre Studie ist im Fachmagazin New Phytologist veröffentlicht.

Der in den Staubblättern einer Blüte produzierte Pollen besteht aus vielen winzigen Pollenkörnern, die das männliche Erbgut einer Pflanze für deren Fortpflanzung beherbergen. Diese Pollenkörner sind es, die sich in den Härchen vorbeistreifender nektarsaugender Insekten verfangen, die sie dann von Blüte zu Blüte transportieren, wo sie im besten Fall an der Narbe derselben Pflanzenart hängenbleiben, so dass es zu einer Befruchtung kommen kann. „Die bestäubenden Insekten machen diesen Pollen-Kurierdienst zwar ganz nebenbei, doch ist er von unschätzbar hohem ökologischen und auch wirtschaftlichen Wert“, sagt Dr. Susanne Dunker, Leiterin der Arbeitsgruppe Bildbasierte Zytometrie im Department Physiologische Diversität an UFZ und iDiv. „Insbesondere vor dem Hintergrund des Klimawandels und dem zunehmenden Verlust von Arten ist es wichtig, diese Pflanzen-Bestäuber-Interaktionen besser zu verstehen.“ Die Pollenanalyse ist dafür ein entscheidendes Instrument.

Bildbasierte Durchflusszytometrie und KI

In seiner aktuellen Studie hat das Forschungsteam um Susanne Dunker ein neuartiges Automatisierungsverfahren für die Pollenanalyse entwickelt. Dafür kombinierte es den Hochdurchsatz der bildbasierten Durchflusszytometrie, ein Verfahren der Partikelanalyse, mit einer Form der künstlichen Intelligenz (KI), dem sog. Deep Learning – und entwarf damit ein effizientes Analyse-Tool, das neben der exakten Artbestimmung auch eine Quantifizierung der in einer Probe enthaltenen Pollenkörner möglich macht. Die bildbasierte Durchflusszytometrie ist ein vorwiegend in der Medizin angewandtes Verfahren zur Analyse von Blutzellen, das nun auch der Pollenanalyse dient. „Eine zu untersuchende Pollenprobe wird zunächst in eine Trägerflüssigkeit gegeben, die dann einen enger werdenden Kanal durchfließt“, erklärt Susanne Dunker dieses Verfahren. „Durch die Verengung, werden die Pollenkörner separiert und wie auf einer Perlenschnur aufgereiht. So wandert jedes Pollenkorn einzeln durch das eingebaute Mikroskop-Element – bis zu 2 000 Pollen pro Sekunde können das sein.“ Zwei normale mikroskopische Bilder werden mit zehn fluoreszenzmikroskopischen Aufnahmen pro Pollen ergänzt. Dabei senden die Pollen, nachdem sie durch Laser mit Licht bestimmter Wellenlängen angeregt wurden, selbst Licht aus. „In welchem Bereich des Farbspektrums und wo genau die Pollen fluoreszieren, ist teilweise sehr spezifisch. Damit erhalten wir weitere Merkmale, die zur Identifizierung der jeweiligen Pflanzenart beitragen können“, sagt Susanne Dunker. Beim Deep Learning abstrahiert ein Algorithmus in aufeinanderfolgenden Schritten die ursprünglichen Pixel eines Bildes immer stärker, um letztendlich die für eine Art spezifischen Eigenschaften zu extrahieren. „Die kombinierte Nutzung von mikroskopischen Aufnahmen, Fluoreszenzeigenschaften und Hochdurchsatz gab es in der Pollenanalyse bislang noch nicht – das ist tatsächlich ein absolutes Novum.“ Die Analyse einer wenig komplexen Probe dauert beispielsweise vier Stunden am Mikroskop, mit dem neuen Verfahren sind es nur noch 20 Minuten. Das neuartige Hochdurchsatz-Analyseverfahren ist deshalb als Patent des UFZ angemeldet, Susanne Dunker erhielt 2019 dafür den Technologietransfer-Preis des UFZ.