يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة منهجية

التحليل الآلي لصور التألق C. elegans باستخدام SegElegans

1.1K مشاهدة

⸱

DOI:

10.3791/69094

⸱

أكتوبر 10, 2025

 ,  ,  ,  , 
1Department of Basic Sciences, Faculty of Medicine, University of Crete, 2Institute of Molecular Biology and Biotechnology, Foundation for Research and Technology-Hellas, 3Instituto de Automática e Informática Industrial, Universitat Politècnica de València

في هذه المقالة

ملخص

نقدم هنا إرشادات حول الاستخدام الفعال ل SegElegans ، وهو نظام تعلم عميق طورناه للتجزئة التلقائية للديدان الفردية في صور الفحص المجهري واسع المجال ، للاستخدام اللاحق في برامج تحليل الصور مثل ImageJ. نحن نقدم طرقا لاستخدام النظام عبر الإنترنت وغير متصل.

الملخص

الفحص المجهري ، خاصة من النوع الفلوري ، هو أداة مستخدمة بشكل متكرر في أبحاث C. ايليجانس . ومع ذلك ، يمكن أن يكون تحليل البيانات من تجارب الفحص المجهري مملا للغاية ويستغرق وقتا طويلا. وبالتالي ، فإن الأتمتة أمر مرغوب فيه. قمنا بتطوير SegElegans ، وهو نظام شبكة عصبية تلافيفية قائم على U-net برأسين مصمم خصيصا للتجزئة الآلي للديدان ، حتى في الصور التي تحتوي على أعداد كبيرة من الأفراد الذين يلمسون أو يتداخلون. يتكون الجزء الأول من SegElegans من جهاز تشفير واحد وجهازي فك تشفير. يقوم المشفر ، استنادا إلى نموذج SmaAt AT ، بتطبيق طبقات الالتفاف المزدوجة متبوعة بوحدة انتباه الكتلة التلافيفية (CBAM). يستخدم كلا جهازي فك التشفير LSTMs التلافيفية: يقوم أحدهما بإجراء تجزئة دلالية لصور الدودة (الجسم أو الحافة أو الخلفية أو التداخل) ، بينما يستخرج الآخر هيكلا عظميا خطيا على طول كل ديدان. الجزء الثاني عبارة عن خوارزمية ما بعد المعالجة تجمع بين مخرجات جهازي فك التشفير وتستخدمها لإنشاء تجزئات دقيقة للمثيل. يمكن بعد ذلك تغذية هذه التقسيمات إلى ImageJ أو أدوات تحليل الصور المناسبة الأخرى. نقدم هنا إرشادات حول كيفية الوصول إلى هذا النظام وتشغيله. نحن نقدم تطبيقا عبر الإنترنت قائما على الحوسبة السحابية بالإضافة إلى طريقتين لاستخدام نماذج SegElegans في وضع عدم الاتصال ، على جهاز محلي ، في حالة توفر الأجهزة المطلوبة.

المقدمة

Caenorhabditis elegans هو كائن حي نموذجي حقيقيات النواة يستخدم على نطاق واسع في مجالات البيولوجيا الخلوية والجزيئية1،2،3. إنها دودة ديدان خيطية صغيرة (~ 1 مم للبالغين من النوع البري) تعيش في التربة مع دورة حياة سريعة (~ ثلاثة أسابيع) ، وعدد كبير من النسل (عادة ما تكون متطابقة وراثيا مع الوالد الخنثى ذاتي التخصيب). على الرغم من بساطته النسبية ، لا يزال كائنا معقدا متعدد الخلايا مع أنسجة وأعضاء محددة ومميزة ، والتي ، بفضل صغر حجمها وشفافيتها ، يمكن دراستها في الجسم الحي دون الحاجة إلى التثبيت أو العلاجات الغازية الأخرى4. يمكن تضخيم قدرة الدودة على الدراسة في الجسم الحي من خلال الفحص المجهري من خلال استخدام مراسلي الفلورسنت ، الذين يسمحون بسهولة التمييز بين الخلايا الفردية أو حتى التصور المباشر للعضيات / المكونات شبه الخلوية مثل الميتوكوندريا أو قطرات الدهون أو مجاميع البروتين ، وعمليات مثل نقل الإشارة ، والتعبير الجيني ، واندماج الحويصلات ، الالتهام الذاتي ، إمكانات عمل الخلايا العصبية والعضلات ، إلخ.5،6،7،8،9،10،11. بالإضافة إلى ذلك ، فإن الديدان الخيطية أيضا قابلة للتلاعب الجيني بشكل كبير من خلال الطفرات12 ، والتحول عن طريق الحقن المجهري أو قصف الجسيمات الدقيقة13 ، وتحرير كريسبر14 ، والأهم من ذلك ، عندما يتعلق الأمر بالفحص الجيني السهل والفعال من حيث التكلفة ، RNAi15. يسمح هذا التلاعب بدراسة مكثفة للجينات ودورها في الديدان الخيطية نفسها ، بينما في نفس الوقت ، بفضل التماثل الجيني المهم الذي يظهره C. ايليجانس للكائنات الحية النموذجية الأخرى ، مما يجعل الاكتشافات التأسيسية ذات الصلة على طول الطريق إلى البشر16،17. أخيرا ، يجعل هذا التماثل / الحفظ أيضا الدودة أرضية اختبار أولية مثالية للأدوية والعوامل الكيميائية ، مما يسمح بتوضيح آليات نشاط الدواء ، وتحديد الاختلافات الجينية المحتملة لتعديل النشاط ، واكتشاف التفاعلات المحتملة غير المرغوب فيها والتأثيرات غير المستهدفة18،19،20.

جعلت جميع المزايا المذكورة أعلاه C. ايليجانس نموذجا جذابا لدراسات البيولوجيا الخلوية والجزيئية ، خاصة للعلماء المهتمين بالمراقبة في الجسم الحي وغالبا في الوقت الفعلي للعمليات عبر الفحص المجهري. تتضمن مثل هذه الدراسات عادة قدرا كبيرا من تحليل الصور من خلال برامج خاصة ، مع الخيار الأكثر استخداما هو ImageJ21،22،23. ومن السمات الشائعة للتحليل من خلال هذه البرامج حاجة المستخدم/الباحث إلى تحديد مناطق الاهتمام (ROIs) للتحليل من خلال استخدام أدوات الاختيار. في كثير من الأحيان ، سيتم اختيار كل دودة فردية في الصورة على أنها عائد استثمار خاص بها ، بهدف الحصول على معلومات لكل دودة حول السمات المورفولوجية البسيطة (مثل أبعاد الجسم) أو القراءات التجريبية "المتقدمة" مثل مستويات التعبير عن الجين (المقاسة باستخدام مراسل الفلورسنت) ، وقراءة مراسل النسبة ، وعدد وحجم قطرات الدهون ، تكوين مجاميع البروتين ، مورفولوجيا العضيات الفردية وشبكاتها وما إلى ذلك.5،8،10،24،25،26،27. عادة ما يتم إجراء هذه التحديدات لكل دودة يدويا ، نظرا لأن طرق التحديد التلقائي التي تستند إلى خوارزميات معالجة الصور القياسية عادة ما تكون غير قادرة بما يكفي لتمييز أشكال وميزات الدودة ، خاصة في صور الحقل المظلم حيث لا تكون الخطوط العريضة للديدان مرئية بوضوح أو في صور المجال الساطع مع أعداد كبيرة من التي تلمس وتتداخل. ومع ذلك ، فإن العملية اليدوية بطيئة (من 20 ثانية إلى 1 دقيقة لكل دودة اعتمادا على الدقة المطلوبة وخبرة المستخدم) ، وشاقة ، وعرضة لتحيز المستخدم والخطأ.

نهج بديل وأكثر قوة لتوليد عائد الاستثمار الفردي C. elegans (وهي مهمة يشار إليها عادة باسم التجزئة في مجال رؤية الكمبيوتر) هي أتمتتها بمساعدة تقنيات التعلم العميق / الشبكة العصبية. أنتجت الشبكات العصبية التلافيفية القائمة بشكل أساسي على Mask R-CNN28 و U-net29 نتائج جيدة في مهام التجزئة على أنظمة النماذج البيولوجيةالمختلفة 30،31،32 بما في ذلك C. ايليجانس33،34،35،36،37،38،39، لكن لم يقدم أي منها حلا مرضيا لمشكلة توليد تجزئات لكامل الجسم تميز بشكل صحيح الفردية (تجزئة المثيل) في صور عالية الدقة مع أعداد كبيرة من الديدان الملمسة أو المتداخلة تماما. من أجل تلبية هذه الحاجة ، قمنا بتطوير SegElegans ، وهو نموذج للتعلم العميق مصمم ومحسن خصيصا لهذه المهمة40.

يتكون SegElegans من جزأين رئيسيين (الشكل 1). الجزء الأول عبارة عن شبكة عصبية تلافيفية متغيرة U-net ذات رأسين. وهي تتألف من كتلة تشفير واحدة وكتلتين من فك التشفير. تعتمد كتلة التشفير على طراز SmaAt AT41 وتستخدم كتل الالتفاف مزدوجة لكل طبقة يتم تغذيتها في وحدة انتباه الكتلة التلافيفية (CBAM) 42. تعتمد كتلتي فك التشفير على شبكة الذاكرة التلافيفية طويلة المدى قصيرة المدى(LSTM) 43. وحدة فك ترميز واحدة مسؤولة عن تصنيف كل بكسل من الصور كجزء من الجسم الرئيسي للدودة ، أو جزء من حافة الدودة ، أو جزء من الخلفية ، أو جزء من منطقة تتداخل فيها الديدان (يشار إلى هذا عادة باسم التجزئة الدلالية). وحدة فك التشفير الأخرى مسؤولة عن رسم "هيكل عظمي" خطي على طول كل دودة. الجزء الثاني عبارة عن خوارزمية ما بعد المعالجة تجمع بين مخرجات جهازي فك التشفير وتستخدمها لإنشاء تجزئات دقيقة للمثيل. يحدد في البداية أجزاء التداخلات الحقيقية من خلال مقارنة ناتج التجزئة الدلالية بواحد الهيكل العظمي. ثم يقوم بإخراج تجزئة المثيل مباشرة للفيروسات المتنقلة دون تداخلات أو عن طريق تجميعها من المقاطع المتداخلة40. يتم حفظ هذه التجزئة كأقنعة ثنائية بالإضافة إلى عائد استثمار متوافق مع ImageJ.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

تتضمن الأقسام التالية إرشادات مفصلة حول كيفية الاستفادة الفعالة من SegElegans (الشكل 2). وهي تتضمن إرشادات حول الحصول على الصور التحضيرية (القسم 1) ، وكيفية تشغيل النموذج عبر الإنترنت (القسم 2) أو دون اتصال (الأقسام 3-5) ، واستيراد عائد الاستثمار إلى ImageJ أو أدوات أخرى (القسم 6). نظرا لأن تقييم الصور من خلال النموذج يتطلب جهاز كمبيوتر مزود بوحدة معالجة رسومات (GPU) متوافقة مع CUDA تحتوي على 6 جيجابايت على الأقل (من الناحية المثالية أكثر) من ذاكرة الوصول العشوائي للفيديو (VRAM) ، ينصح معظم المستخدمين (بشرط أن يكون لديهم حق الوصول إلى خدمات Google) باستخدام الإصدار عبر الإنترنت من النموذج الذي يلبي متطلبات الأجهزة هذه ويتجاوز من خلال الحوسبة السحابية (القسم 1 > القسم 2 > القسم 6). بدلا من ذلك ، قد يجد المستخدمون الذين لديهم إمكانية الوصول إلى أجهزة قوية بشكل مناسب وفهم أساسي لاستخدام سطر الأوامر / المحطة الطرفية (أو المستخدمين الذين يفتقرون إلى الوصول إلى خيارات الحوسبة السحابية المذكورة أعلاه) تشغيل النموذج محليا أكثر ملاءمة (القسم 1 > القسم 3 > القسم 4 أو 5 > القسم 6).

1. الحصول على عينة ودليل الصور

  1. استخدم SegElegans للحصول على تجزئة من الديدان البالغة من أي سلالة دودية ، بغض النظر عن المراسلين الفلوريين الذين قد يعبرون عنهم أو لا يعبرون عنهم. إذا تم قياس النمط الظاهري / البيانات ذات الأهمية في صور المجال الساطع ، فقم بالحصول عليها بشكل طبيعي باستخدام مجهر واسع المجال وبرامج متوافقة ، باستخدام عدسة موضوعية 4x أو ما شابه.
    ملاحظة: يمكن ل SegElegans تحليل الصور بنطاق واسع من السطوع والتباين ، على الرغم من أنه يفضل عدم وجود وحدات بكسل ساطعة أو داكنة مشبعة. فيما يتعلق بالأبعاد ، تم تدريب النظام على صور 1328 × 1048 ولكن يجب أن يعمل مع أي صورة لا يقل حجمها عن 512 × 512.
  2. إذا تم قياس النمط الظاهري / البيانات ذات الأهمية في صور الحقل المظلم (نموذجي عند استخدام واحد أو أكثر من مراسلي الفلورسنت المعدل وراثيا أو الأصباغ) ، فقم بالحصول على صور المجال الساطع جنبا إلى جنب مع البيانات التي سيتم استخدامها كصور إرشادية (كما هو موضح في الخطوة 1.1). تأكد من أن صور الدليل تتطابق تماما مع صور الحقل المظلم للقناة (القنوات) الفلورية مكانيا وأقرب ما يمكن زمنيا ، من الناحية المثالية باستخدام خيارات الاستحواذ متعددة القنوات التي يوفرها برنامج تشغيل المجهر. احفظ صور الدليل في مجلد منفصل عن صور بيانات الحقل المظلم المقابلة، باستخدام نفس الاسم لكليهما.

2. تشغيل الإصدار عبر الإنترنت من SegElegans

  1. قم بتسجيل الدخول إلى حساب Google على متصفح الويب. يوصى بإنشاء حساب مختبر مخصص جديد لهذا الغرض.
  2. أدخل Google Drive (https://drive.google.com) وقم بتحميل المجلد الذي يحتوي على صور الحقل الساطع (البيانات أو الدليل). كما ذكرنا سابقا ، إذا تم استخدام صور الدليل لإنشاء عائد استثمار لصور الحقول المظلمة ، فلا تقم بتضمين صور بيانات الحقل المظلم المذكورة في هذا المجلد.
  3. انتقل إلى https://github.com/KonstantinosKounakis/SegElegansOnline/tree/v1.0 وانقر على ملف SegElegans Body Prediction Interface.ipynb . انقر فوق الزر "فتح في Colab " أعلى الملف الذي يفتح. سيتم فتح دفتر / واجهة Jupyter ل SegElegans على Google Colab.
  4. قم بتنفيذ كتلة التعليمات البرمجية 1 بالضغط على زر التشغيل (figure-protocol-1) أسفل العنوان. امنح إذن وقت التشغيل لتشغيل التعليمات البرمجية ومراقبة الإخراج بعد انتهاء التنفيذ (تظهر علامة اختيار خضراء بجوار زر التشغيل). يجب أن يقوم Colab تلقائيا بتشغيل وقت التشغيل الصحيح المتوافق مع CUDA وعرض جدول إخراج NVIDIA-SMI. وإلا، قم بفرض استخدام وقت تشغيل وحدة معالجة الرسومات T4 من خلال قائمة وقت التشغيل > تغيير نوع وقت التشغيل .
  5. قم بتنفيذ كتلة التعليمات البرمجية 2 لتحميل محتويات Google Drive في وقت التشغيل. اقبل جميع حوارات التأكيد وامنح جميع الأذونات المطلوبة.
  6. قم بتنفيذ كتل التعليمات البرمجية 3 ثم 4. ستستغرق الكتلة 3 دقيقتين حتى تنتهي ، لذا تأكد من ظهور علامة الاختيار الخضراء قبل المتابعة إلى 4.
  7. افتح الرمز الذي يحتوي على علامة تبويب المجلد على يسار واجهة Colab. سيؤدي ذلك إلى عرض الملفات التي تم تحميلها في وقت التشغيل، بما في ذلك محتويات Drive المستوردة ك /content/drive/MyDrive. انقر بزر الماوس الأيمن فوق المجلد الذي يحتوي على الصور ، وانسخ المسار ، والصقه في نموذج الإدخال test_images لكتلة التعليمات البرمجية 5. تأكد من أنه يبدو كما يلي: /content/drive/MyDrive/Imagefolder. وبالمثل ، حدد مسارا لمخرجات التحليل (على سبيل المثال ، /content/drive/MyDrive/Imagefolder/Output). لاحظ أن المسارات في هذه البيئة تستخدم شرطة مائلة للأمام لفصل المجلدات (/).
  8. تنفيذ كتلة التعليمات البرمجية 5.
  9. حدد الامتداد الدقيق للصور المراد تحليلها بواسطة النموذج في النموذج المقدم من كتلة التعليمات البرمجية 6. لغرض هذا المدخل ".tif" ". يتم التعامل مع TIF و ".tiff" على أنهما ملحقات مختلفة.
  10. لا تقم بضبط إدخال batch_crop_img في كتلة التعليمات البرمجية 6 إذا كان النظام يعمل في وقت تشغيل وحدة معالجة الرسومات T4 الافتراضي (والذي يتم توفيره مجانا لجميع المستخدمين لعدد محدود من الساعات يوميا ، اعتمادا على مستويات الاستخدام). قم بتقليله إذا كان وقت التشغيل يثير مشكلات توفر الذاكرة.
  11. قم بتنفيذ كتلة التعليمات البرمجية 6. سيستغرق هذا بعض الوقت ، لذا تأكد من ظهور علامة الاختيار الخضراء قبل المتابعة.
  12. تنفيذ كتلة التعليمات البرمجية 7. لا تقم بضبط إدخالاته لوقت تشغيل T4 الافتراضي، ولكن قم بتقليل عدد العمليات الفرعية أو تعطيل المعالجة المتوازية تماما في حالة ظهور مشكلات في توفر الذاكرة. سيستغرق هذا أيضا وقتا طويلا.
  13. قم بالوصول إلى Google Drive في نافذة أو علامة تبويب متصفح مختلفة وانتقل إلى مجلد الإخراج المعين في 2.7.
    ملاحظة: في هذه المرحلة ، اختتمت SegElegans التقييم الأولي والمعالجة اللاحقة للتجزئة وأنشأت العديد من المجلدات الفرعية مع المخرجات. تحتوي نتائج 0_summary على رسوم بيانية تلخص الإخراج لكل صورة، مع تخصيص رقم فهرس لكل صورة متنقلة. يحتوي 1_complete_mask على الأقنعة الثنائية المنسقة لجميع الأجزاء التي قررت الخوارزمية أنها جيدة للتحليل. يحتوي 1_edge_small_mask على أقنعة ثنائية لجميع التجزئة التي قررت الخوارزمية رفضها لأن صغيرة جدا أو محجوبة جزئيا عند حافة الصورة. يحتوي 1_overlap_mask على أقنعة ثنائية لجميع تجزئات الديدان التي أظهرت تداخلات حقيقية ، ولا تتم إضافتها افتراضيا إلى الإخراج المنسق. يحتوي 1_all_rois_results على تجزئة جميع الأنواع الثلاثة ، بغض النظر عن التنظيم ، بتنسيق ImageJ (ملفات مضغوطة مع عائد استثمار).
  14. في هذه المرحلة ، اختر أحد الخيارات الثلاثة:
    1. استخدم عائد الاستثمار المقدم في 1_all_rois_results في ImageJ وارفض عائد الاستثمار غير المرغوب فيه بعد الاستيراد هناك (راجع قسم البروتوكول 6).
    2. اقبل الأقنعة الجيدة المنسقة دون أي تصحيح يدوي (وبدون تضمين الديدان المتداخلة) (انتقل إلى 2.16).
    3. اضبط التنظيم يدويا عن طريق تحديد الديدان (بما في ذلك المتداخلة) ليتم تضمينها في الإخراج (تابع إلى 2.15).
  15. لضبط التنظيم يدويا، استخدم كتلة التعليمات البرمجية 8. افحص نتائج التنظيم الأولي من الرسوم البيانية الموجزة في مجلد نتائج 0_summary . لكل صورة تحتاج إلى تصحيح ، أدخل الاسم الكامل (مع الامتداد) لصورة الإدخال الأصلية في نموذج "name_image_change" وأرقام الأقنعة المراد الاحتفاظ بها (من الرسم البياني الموجز) ، مفصولة بفواصل في النموذج "index_images". تنفيذ كتلة التعليمات البرمجية 8. كرر هذه الخطوة لأي صورة أخرى تحتاج إلى تصحيح.
  16. بعد التصحيح أو إذا اختار المستخدمون قبول التنظيم الأولي بدون تصحيحات (وبدون الديدان المتداخلة) ، فقم بتنفيذ كتلة التعليمات البرمجية 9. سيتم إنشاء مجلد فرعي جديد في مجلد المخرجات في Google Drive يسمى 2_curated_rois_results. يتضمن جميع التقسيمات النهائية المنسقة بتنسيق ImageJ (الملفات المضغوطة ذات عائد الاستثمار).
  17. لتنفيذ العملية مرة أخرى لمجلد مختلف من الصور ، قم بإعادة تعيين وقت التشغيل من خلال القائمة وقت التشغيل > إعادة تشغيل الجلسة وابدأ من البداية.

3. تحضير الإصدار غير المتصل بالإنترنت من SegElegans قبل الاستخدام الأول

  1. كبديل لتشغيل SegElegans عبر الإنترنت على Colab ، يتوفر إصدار غير متصل بالإنترنت من SegElegans للمستخدمين الذين لا يستطيعون أو يفضلون عدم استخدام خدمات الحوسبة السحابية من Google. يتطلب ذلك جهاز كمبيوتر (Windows أو Linux) مزود بوحدة معالجة رسومات (https://developer.nvidia.com/cuda-gpus) متوافقة مع CUDA تحتوي على 6 جيجابايت على الأقل من VRAM (على الرغم من أن 16 موصى بها إذا كانت متوفرة وبأسعار معقولة).
    ملاحظة: تركز الإرشادات التالية في الأقسام 3-5 على نظام التشغيل Windows، ولكن يمكن أيضا تشغيل البرنامج على الأنظمة المستندة إلى Linux مع بعض التغييرات الصغيرة في الأوامر المستخدمة.
  2. قم بتنزيل مثبت مجموعة أدوات CUDA من https://developer.nvidia.com/cuda-downloads باتباع الإرشادات للحصول على الإصدار المناسب للجهاز المستخدم.
    ملاحظة: تم اختبار SegElegans مع الإصدارين 12.9 و 13.0 من مجموعة الأدوات والإصدار 11 من CUDA في Windows ، ولكن من المتوقع أن تحتفظ الإصدارات المستقبلية بالتوافق مع الإصدارات السابقة.
    1. قم بتثبيت مجموعة الأدوات ، باتباع تعليمات المثبت نفسه. ليست هناك حاجة إلى Visual Studio.
  3. قم بتنزيل الإصدار المناسب من مثبت Python للجهاز من https://www.python.org/downloads/. قم بتثبيت Python ، باتباع تعليمات المثبت نفسه ، والتأكد من إضافة python.exe إلى PATH.
    ملاحظة: تم إنشاء SegElegans واختباره على Python 3.13 ، ولكن من المتوقع أن تحتفظ الإصدارات المستقبلية بالتوافق مع الإصدارات السابقة.
  4. انتقل إلى https://github.com/KonstantinosKounakis/SegElegansOffline/releases/tag/v1 . انقر فوق الرابط رمز المصدر (zip) لتنزيل الحزمة التي تحتوي على الملفات الضرورية لإعداد وتشغيل SegElegans محليا.
  5. استخرج الملف المضغوط. ضعه في مجلد عالي المستوى أو حتى أعلى مستوى ، مثل C: \ SegElegans. تأتي محتويات الملف المضغوط بالفعل داخل مجلد فرعي SegElegansOffline-1.
  6. افتح موجه أوامر Windows (cmd.exe). اكتب الأمر python -m venv "fullsegeleganspath" حيث يكون "fullsegeleganspath" هو المسار الكامل ، في علامات الاقتباس ، في المجلد الفرعي SegElegansOffline-1 .
    ملاحظة: على سبيل المثال، إذا تم استخراج الملف المضغوط في C:\SegElegans، فإن المسار الكامل هو C:\SegElegans\SegElegansOffline-1 وسيكون الأمر python -m venv "C:\SegElegans\SegElegansOffline-1" . لاحظ أن المسارات في هذه البيئة تستخدم شرطة مائلة للخلف لفصل المجلدات ("\").
  7. في موجه الأوامر ، استخدم عناصر التحكم القياسية للتنقل داخل مجلد SegElegansOffline-1 وتنفيذ الأمر Scripts \ activate. يجب أن تظهر تسمية (SegElegansOffline-1) قبل مؤشر المطالبة التالي ، مما يشير إلى أن بيئة Python نشطة الآن.
  8. أثناء وجودك داخل البيئة النشطة (SegElegansOffline-1)، قم بتشغيل الأمر pip install -r requirements.txt . ستستغرق العملية بعض الوقت.
  9. أدخل ونفذ الأمر python assemblenetworks.py .
    ملاحظة: SegElegans جاهز الآن للتشغيل. يتم توفير طريقتين لتحقيق ذلك: برنامج نصي سريع يوفر تلقائيا جميع التقسيمات كعائد استثمار ل ImageJ دون خيار تصحيح التنظيم يدويا (القسم 4) ، ودفتر ملاحظات Jupyter المحلي الذي سيوفر خيار النظرة العامة على التنظيم وتصحيحه (القسم 5). يوصى باستخدام النهج الأخير لمعظم المستخدمين.

4. تشغيل الإصدار غير المتصل بالإنترنت من SegElegans باستخدام برنامج نصي سريع

  1. افتح موجه أوامر Windows (cmd.exe). كما هو موضح في الخطوة 3.7، انتقل إلى مجلد بيئة SegElegans وقم بتنشيطه.
  2. من أجل استخدام البرنامج النصي السريع ، أثناء وجودك في موجه الأوامر مع إدخال البيئة النشطة (SegElegansOffline-1) وتنفيذ الأمر python SegElegansBodyQuickEval.py -i "pathtoinputfolder" -x حيث "pathtoinputfolder" هو المسار الكامل ، في علامات الاقتباس ، إلى المجلد الذي يحتوي على صور الحقل الساطع (على سبيل المثال "D: \ Data \ Experiment12365 \ Condition 1") و هو امتداد الملف الدقيق للصور التي يرغب المستخدمون في تحليلها (مثال ". TIF"). اكتب الأمر python SegElegansBodyQuickEval.py -h للحصول على إرشادات حول المعلمات الإضافية التي يمكن تغييرها لتسريع المعالجة بواسطة البرنامج النصي إذا كان الجهاز يمكنه التعامل معها.
    ملاحظة: سيتم إنشاء مجلد الإخراج في هذه الحالة داخل مجلد الإدخال (لذلك بالنسبة للمثال أعلاه: "D:\Data\Experiment12365\Condition 1\Output"). في الداخل ، هناك سلسلة من المجلدات الفرعية. تحتوي 0_summary النتائج على رسوم بيانية تلخص الإخراج لكل صورة، مع تخصيص رقم فهرس لكل فيروس متنقل. يحتوي 1_complete_mask على الأقنعة الثنائية المنسقة لجميع الأجزاء غير المتداخلة التي قررت الخوارزمية أنها جيدة للتحليل. يحتوي 1_edge_small_mask على أقنعة ثنائية لجميع الأجزاء التي قررت الخوارزمية رفضها لأن صغيرة جدا أو محجوبة جزئيا عند حافة الصورة. يحتوي 1_overlap_mask على أقنعة ثنائية لجميع أجزاء الديدان التي أظهرت تداخلات حقيقية. يحتوي 1_all_rois_results على تجزئة جميع الأنواع الثلاثة ، بغض النظر عن التنظيم ، بتنسيق ImageJ (الملفات المضغوطة ذات عائد الاستثمار). نظرا لعدم وجود طريقة لتصحيح التنظيم يدويا هنا ، 2_curated_rois_results يتضمن افتراضيا جميع الأجزاء التي تعتبرها الخوارزمية جيدة وجميع الأجزاء المتداخلة بتنسيق ImageJ (الملفات المضغوطة ذات عائد الاستثمار).

5. تشغيل الإصدار غير المتصل بالإنترنت من SegElegans باستخدام دفتر ملاحظات Jupyter

  1. افتح موجه أوامر Windows (cmd.exe). كما هو موضح في الخطوة 3.7، انتقل إلى مجلد بيئة SegElegans وقم بتنشيطه.
  2. من أجل استخدام واجهة Jupyter ، أثناء وجودك في موجه الأوامر مع البيئة النشطة (SegElegansOffline-1) ، قم بإدخال وتنفيذ الأمر jupyter notebook. سيؤدي هذا إلى فتح نافذة/علامة تبويب متصفح الويب مع موقع مستضاف محليا. في الشاشة الأولية، حدد الملف SegElegansOfflineJupyterInterface.ipynb.
  3. قم بتنفيذ التعليمات البرمجية في كتلة التعليمات البرمجية 1 عن طريق تحديدها (انقر على اليسار خارج الكود الفعلي) والضغط على زر التشغيل (figure-protocol-2) على شريط الأدوات أعلاه. ستظهر رسالة تأكيد أسفل كتلة التعليمات البرمجية عند اكتمال التنفيذ.
  4. تنفيذ كتلة التعليمات البرمجية 2. سيؤدي هذا إلى إنشاء بعض نماذج الإدخال في القراءة أسفل كتلة التعليمات البرمجية. املأ النماذج التي تم إنشاؤها بالمسار إلى مجلد الإدخال بصور الحقل الساطع (مثال: "D: \ Data \ Experiment12365 \ Condition 1") ، والمسار المطلوب لإخراج التحليل (مثال: "D: \ Data \ Experiment12365 \ Condition 1 \ Output") ، وامتداد الملف الدقيق للصور المراد تحليلها (مثال ). TIF"). اضبط الإعدادات الإضافية المتوفرة (قم بزيادة عدد المحاصيل الفرعية لكل دفعة إلى 9 أو 16 ، وقم بتشغيل عمليات متوازية متعددة بعد المعالجة) إذا كان الجهاز قادرا بشكل كاف.
  5. تنفيذ كتلة التعليمات البرمجية 3.
  6. تنفيذ كتلة التعليمات البرمجية 4. سيستغرق هذا بعض الوقت ، لذا تأكد من اكتماله قبل المتابعة.
  7. تنفيذ كتلة التعليمات البرمجية 5. مرة أخرى ، سيستغرق هذا بعض الوقت. بعد ذلك ، انتقل إلى مجلد الإخراج المعين أعلاه.
    ملاحظة: في هذه المرحلة ، اختتمت SegElegans التقييم الأولي والمعالجة اللاحقة للتجزئة وأنشأت العديد من المجلدات الفرعية مع المخرجات. تحتوي نتائج 0_summary على رسوم بيانية تلخص الإخراج لكل صورة، مع تخصيص رقم فهرس لكل صورة متنقلة. يحتوي 1_complete_mask على الأقنعة الثنائية المنسقة لجميع الأجزاء التي قررت الخوارزمية أنها جيدة للتحليل. يحتوي 1_edge_small_mask على أقنعة ثنائية لجميع التجزئة التي قررت الخوارزمية رفضها لأن صغيرة جدا أو محجوبة جزئيا عند حافة الصورة. يحتوي 1_overlap_mask على أقنعة ثنائية لجميع تجزئات الديدان التي أظهرت تداخلات حقيقية ، ولا تتم إضافتها افتراضيا إلى الإخراج المنسق. يحتوي 1_all_rois_results على تجزئة جميع الأنواع الثلاثة ، بغض النظر عن التنظيم ، بتنسيق ImageJ (ملفات مضغوطة مع عائد استثمار).
  8. على غرار الإصدار عبر الإنترنت من SegElegans ، استخدم أيا من الخيارات الثلاثة المدرجة أدناه:
    1. استخدم عائد الاستثمار المقدم في 1_all_rois_results في ImageJ وارفض عائد الاستثمار غير المرغوب فيه بعد الاستيراد هناك (راجع قسم البروتوكول 6).
    2. اقبل الأقنعة الجيدة المنسقة تلقائيا دون أي تصحيح يدوي (وبدون تضمين الديدان المتداخلة) (انتقل إلى الخطوة 5.11).
    3. اضبط التنظيم يدويا عن طريق تحديد الديدان (بما في ذلك المتداخلة) ليتم تضمينها في الإخراج (تابع إلى الخطوة 5.9).
  9. لضبط التنظيم يدويا ، استخدم كتلتي التعليمات البرمجية 6 و 7. التنفيذ الأول 6. سيؤدي هذا إلى إنشاء نماذج إدخال في القراءة أسفل التعليمات البرمجية.
  10. افحص نتائج التنظيم الأولي من الرسوم البيانية الموجزة في المجلد الفرعي لنتائج 0_summary . لكل صورة تحتاج إلى تصحيح ، أدخل الاسم الكامل لصورة INPUT (مع الامتداد) في الصورة لتصحيح: النموذج وأرقام الأقنعة المراد الاحتفاظ بها (من الرسم البياني الموجز) مفصولة بفواصل في الأقنعة للاحتفاظ: نموذج. قم بتنفيذ كتلة التعليمات البرمجية 7 وتأكد من اكتمال التنفيذ. كرر هذه الخطوة لأي صورة أخرى تحتاج إلى تصحيح.
  11. بعد الانتهاء من تصحيح التنظيم أو إذا اختار المستخدمون قبول التنظيم الأولي بدون تصحيحات (وبدون الديدان المتداخلة)، فقم بتنفيذ كتلة التعليمات البرمجية 8. سيتم إنشاء مجلد فرعي جديد في مجلد المخرجات المعين المسمى 2_curated_rois_results. يتضمن جميع التقسيمات النهائية المنسقة بتنسيق ImageJ (الملفات المضغوطة ذات عائد الاستثمار).
  12. لتنفيذ العملية مرة أخرى لمجلد مختلف من الصور ، قم بإعادة تعيين وقت التشغيل من خلال القائمة Kernel > Restart Kernel و Clear Outputs of all Cells وابدأ من البداية.

6. استيراد التقسيمات إلى ImageJ (أو البدائل)

  1. افتح إحدى صور البيانات الفعلية على ImageJ.
  2. افتح الملف المضغوط المقابل مع عائد الاستثمار لتلك الصورة. سيؤدي هذا إلى تحميل التحديدات في مدير عائد الاستثمار في ImageJ. إذا كانت عائد استثمار من إخراج 2_curated_rois_results ، فهي جاهزة للتحليل بالطرق المطلوبة المستخدمة عادة (ويفضل أن يكون ذلك باستخدام وحدات الماكرو لمزيد من أتمتة العملية وتسريعها).
  3. إذا كانت عائد استثمار من إخراج 1_all_rois_results ، فقم بإزالة التقسيمات غير المرغوب فيها من مدير عائد الاستثمار. حددها واضغط على الزر "حذف " في نافذة المدير نفسها. لا تضغط على مفتاح Delete على لوحة المفاتيح ، حيث يؤدي ذلك إلى حذف محتويات التحديد في الصورة بدلا من ذلك.
  4. إذا كانت هناك حاجة إلى برنامج آخر غير ImageJ للتحليل ، فمن المرجح ألا يكون تنسيق عائد الاستثمار متوافقا. في هذه الحالة ، قم باستيراد التجزئة في الشكل المستخدم عالميا للأقنعة الثنائية ، والتي يتم توفيرها في مجلدات 1_complete_mask و 1_overlap_mask . راجع تعليمات برنامج الاستقبال حول كيفية إجراء هذا الاستيراد.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

باتباع هذا البروتوكول ، يجب أن يكون الباحثون قادرين على استخراج تجزئات عالية الجودة للديدان ، حتى لتحليل الصور الفلورية بدون حدود دودة مرئية. كما تمت مناقشته في القسم 6 من البروتوكول ، يمكن استيراد هذه التجزئة مباشرة إلى ImageJ واستخدامها للقياس السريع للخصائص ذات الصلة مثل كثافة مراسلي الفلورسنت (يشيع استخدامها لقياس كمية التعبير) أو عدد وحجم ومورفولوجيا المناطق الموسومة بالفلورسنت (تستخدم بشكل متكرر لدراسة مجاميع البروتين أو العضيات). علاوة على ذلك ، نظرا لأن SegElegans مصمم للحصول على...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

يجب أن تسمح المنهجية المعروضة هنا للمستخدمين بتحليل تجارب الفحص المجهري C. elegans في إطار زمني أسرع بكثير دون أي خسارة في الدقة. نظرا لأنه يستخرج تجزئة من صور دليل المجال الساطع بشكل مستقل عن التألق الفعلي (كما تمت مناقشته في قسم البروتوكول 1) ، فيمكن استخدامه مع أي سلالة ولأي تطبيق يتطلب قياس الأنماط الظاهرية على أساس كل دودة. يمكن أن يشمل ذلك تطبيقات أحادية القناة مثل القياس الكمي لتكوين شوائب البروتين غير الطبيعية في نماذج المرض10 (كما في المثال الموض...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

ليس لدى أصحاب البلاغ تضارب في المصالح للإعلان.

شكر وتقدير

يتم تمويل العمل في مختبر المؤلفين من قبل الأمانة العامة ل
البحث والابتكار في وزارة التنمية اليونانية
الاتحاد الأوروبي - NextGenerationEU (رمز المشروع: TAEDR-0535850 ، اختصار:
BrainPrecision) في إطار عمل "الإجراءات الرئيسية في
المجالات العلمية متعددة التخصصات ذات الاهتمام الخاص بالاتصال
إلى النسيج الإنتاجي" في إطار التعافي الوطني والقدرة على الصمود
خطة "اليونان 2.0" ، الوكالة التنفيذية للبحوث التابعة للمفوضية الأوروبية
مركز التميز "CHAngeing" (GA-101087071) والمؤسسة اليونانية
للبحث والابتكار (H.F.R.I.) بموجب "الدعوة الأولى ل H.F.R.I.
مشاريع بحثية لدعم أعضاء هيئة التدريس والباحثين
شراء معدات بحثية عالية التكلفة" (رقم المشروع:
HFRI-FM17C3- 0869, نيوروميتوفاجي).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
كمبيوتر مزود باتصال بالإنترنت (مثال: Dell Vostro Desktopعدة مرات (مثل Dell مثلا) -سيسمح ذلك بتشغيل SegElegans عبر الإنترنت عبر الحوسبة السحابية كما هو موصى به وباستخدام برامج تحليل الصور مثل ImageJ.
وحدة معالجة رسومات متوافقة مع CUDA مع ذاكرة VRAM لا تقل عن 6 جيجابايت (مثال: MSI Geforce RTX ؛ RTX3050 Ventus 2X 6GB) (اختياري)NVIDIA + عدة شركات (مثل Micro Star International)https://developer.nvidia.com/cuda-gpusسيسمح ذلك بتشغيل SegElegans دون اتصال على جهاز محلي. يمكن العثور على شرائح GPU المتوافقة مع CUDA
هنا:
https://developer.nvidia.com/cuda-gpus
تعتمد ذاكرة VRAM على التطبيق الفعلي للشريحة في وحدة معالجة الرسوميات من قبل الشركة المصنعة. تحذير
: ستحتاج إلى بطاقة CUDA باهظة الثمن وقوية تتجاوز الحد الأدنى للمتطلبات (ذاكرة VRAM بسعة 16+ جيجابايت) لتتناسب مع الأداء الذي حققته نسخة الحوسبة السحابية.
مجهر التوهج فوق الفلوري (Invitrogen EVOS FL Auto 2)ثيرموفيشر ساينتفيك AMAFD2000 على سبيل المثالنوصي باستخدام نظام يمكنه التقاط الصور تلقائيا من كل من الحقل الساطع وقناة أو أكثر من الفلورة في نفس الوقت تقريبا.
ImageJ (اختياري)المؤسسهhttps://imagej.net/software/fiji/downloadsنوصي بتوزيع فيجي، المتوفر هنا:
https://imagej.net/software/fiji/downloads
جهاز كمبيوتر مزود بتوافق مع بطاقة NVIDIA (مثال: Dell Vostro Desktop Desktop) (اختياري) عدة مرات (مثل Dell مثلا) -هذا ضروري مع وحدة معالجة الرسومات لتشغيل SegElegans دون اتصال على جهاز محلي.
سيحتاج وحدة معالجة الرسومات إلى أجهزة متوافقة مع ويندوز تحتوي على فتحات PCI مناسبة على اللوحة الأم، ومساحة لتركيب البطاقة، ومزود طاقة قوي بما فيه الكفاية.
سيغليغانز-https://github.com/KonstantinosKounakis/SegElegansOnline/tree/v1.0 ؛راجع المخطوطة للاطلاع على التعليمات الكاملة. 

المراجع

  1. Kaletta, T., Hengartner, M. O. Finding function in novel targets: C. elegans as a model organism. Nat Rev Drug Discov. 5 (5), 387-398 (2006).
  2. Markaki, M., Tavernarakis, N. Caenorhabditis elegans as a model system for human diseases. Curr Opin Biotechnol. 63, 118-125 (2020).
  3. Zuryn, S. C. elegans as a model for health and disease. Semin Cell Dev Biol. 154 (Pt A), 1-3 (2024).
  4. Corsi, A. K., Wightman, B., Chalfie, M. A transparent window into biology: A primer on Caenorhabditis elegans. WormBook. , 1-31 (2015).
  5. Kerr, R. A. Imaging the activity of neurons and muscles. WormBook. , 1-13 (2006).
  6. Feinberg, E. H., et al. GFP reconstitution across synaptic partners (GRASP) defines cell contacts and synapses in living nervous systems. Neuron. 57 (3), 353-363 (2008).
  7. Hammarlund, M., Jin, Y. Axon regeneration in C. elegans. Curr Opin Neurobiol. 27, 199-207 (2014).
  8. Daniele, J. R., et al. UPR(ER) promotes lipophagy independent of chaperones to extend life span. Sci Adv. 6 (1), eaaz1441(2020).
  9. Yemini, E., et al. NeuroPAL: A multicolor atlas for whole-brain neuronal identification in C. elegans. Cell. 184 (1), 272-288.e11 (2021).
  10. Sinnige, T., et al. Kinetic analysis reveals that independent nucleation events determine the progression of polyglutamine aggregation in C. elegans. Proc Natl Acad Sci U S A. 118 (11), e2021888118(2021).
  11. Gkikas, I., Daskalaki, I., Kounakis, K., Tavernarakis, N., Lionaki, E. MitoSNARE assembly and disassembly factors regulate basal autophagy and aging in C. elegans. Int J Mol Sci. 24 (4), 4230(2023).
  12. Kutscher, L. M., Shaham, S. Forward and reverse mutagenesis in C. elegans. WormBook. , 1-26 (2014).
  13. Praitis, V., Maduro, M. F. Transgenesis in C. elegans. Methods Cell Biol. 106, 161-185 (2011).
  14. Kim, H. M., Colaiacovo, M. P. CRISPR-Cas9-guided genome engineering in Caenorhabditis elegans. Curr Protoc Mol Biol. 129 (1), e106(2019).
  15. Kamath, R. S., Ahringer, J. Genome-wide RNAi screening in Caenorhabditis elegans. Methods. 30 (4), 313-321 (2003).
  16. Lai, C. H., Chou, C. Y., Ch'ang, L. Y., Liu, C. S., Lin, W. Identification of novel human genes evolutionarily conserved in Caenorhabditis elegans by comparative proteomics. Genome Res. 10 (5), 703-713 (2000).
  17. Kuwabara, P. E., O'Neil, N. The use of functional genomics in C. elegans for studying human development and disease. J Inherit Metab Dis. 24 (2), 127-138 (2001).
  18. Ranganathan, R., Sawin, E. R., Trent, C., Horvitz, H. R. Mutations in the Caenorhabditis elegans serotonin reuptake transporter MOD-5 reveal serotonin-dependent and -independent activities of fluoxetine. J Neurosci. 21 (16), 5871-5884 (2001).
  19. Lackner, M. R., et al. Chemical genetics identifies Rab geranylgeranyl transferase as an apoptotic target of farnesyl transferase inhibitors. Cancer Cell. 7 (4), 325-336 (2005).
  20. Yoon, S., et al. Microfluidics in high-throughput drug screening: Organ-on-a-chip and C. elegans-based innovations. Biosensors (Basel). 14 (1), 55(2024).
  21. Schindelin, J., et al. Fiji: An open-source platform for biological-image analysis. Nat Methods. 9 (7), 676-682 (2012).
  22. Schindelin, J., Rueden, C. T., Hiner, M. C., Eliceiri, K. W. The ImageJ ecosystem: An open platform for biomedical image analysis. Mol Reprod Dev. 82 (7-8), 518-529 (2015).
  23. Rueden, C. T., et al. ImageJ2: ImageJ for the next generation of scientific image data. BMC Bioinformatics. 18 (1), 529(2017).
  24. Valente, A. J., Maddalena, L. A., Robb, E. L., Moradi, F., Stuart, J. A. A simple ImageJ macro tool for analyzing mitochondrial network morphology in mammalian cell culture. Acta Histochem. 119 (3), 315-326 (2017).
  25. Ramki, K., Thiruppathi, G., Ramasamy, S. K., Sundararaj, P., Sakthivel, P. An aggregation-induced emission-based ratiometric fluorescent chemosensor for Hg(II) and its application in Caenorhabditis elegans imaging. Methods. 221, 1-11 (2024).
  26. Boulin, T., Etchberger, J. F., Hobert, O. Reporter gene fusions. WormBook. , 1-23 (2006).
  27. Braeckman, B. P., Smolders, A., Back, P., De Henau, S. In vivo detection of reactive oxygen species and redox status in Caenorhabditis elegans. Antioxid Redox Signal. 25 (10), 577-592 (2016).
  28. He, K., Gkioxari, G., Dollár, P., Girshick, R. Mask R-CNN. arXiv. , (2017).
  29. Ronneberger, O., Fischer, P., Brox, T. U-Net: Convolutional networks for biomedical image segmentation. arXiv. , (2015).
  30. Exploring deep learning architectures in NAECON 2018. Proc IEEE NAECON. Alom, M. Z., Yakopcic, C., Taha, T. M., Asari, V. K. IEEE National Aerospace and Electronics Conference, , 228-233 (2018).
  31. Micallef, N., Seychell, D., Bajada, C. J. Exploring the U-Net++ model for automatic brain tumor segmentation. IEEE Access. 9, 125523-125539 (2021).
  32. Plebani, E., et al. High-throughput segmentation of unmyelinated axons by deep learning. Sci Rep. 12 (1), 1198(2022).
  33. Fudickar, S., Nustede, E. J., Dreyer, E., Bornhorst, J. Mask R-CNN based C. elegans detection with a DIY microscope. Biosensors (Basel). 11 (8), 257(2021).
  34. Lalit, M., Tomancak, P., Jug, F. EmbedSeg: Embedding-based instance segmentation for biomedical microscopy data. Med Image Anal. 81, 102523(2022).
  35. Layana Castro, P. E., Garvi, A. G., Sanchez-Salmeron, A. J. Automatic segmentation of Caenorhabditis elegans skeletons in worm aggregations using improved U-Net in low-resolution image sequences. Heliyon. 9 (4), e14715(2023).
  36. A convolutional neural network model for worm imaging in 2020. Proc IEEE ISBI. Chen, L., et al. IEEE 17th International Symposium on Biomedical Imaging (ISBI), , 508-512 (2020).
  37. Guan, G., et al. Cell lineage-resolved embryonic morphological map reveals signaling associated with cell fate and size asymmetry. Nat Commun. 16 (1), 3700(2025).
  38. Cao, J., et al. Establishment of a morphological atlas of the Caenorhabditis elegans embryo using deep-learning-based 4D segmentation. Nat Commun. 11 (1), 6254(2020).
  39. Zhao, C., et al. EmbSAM: Cell boundary localization and Segment Anything Model for fast images of developing embryos. bioRxiv. , (2024).
  40. Castro, P. E. L., et al. SegElegans: Instance segmentation using dual convolutional recurrent neural network decoder in Caenorhabditis elegans microscopic images. Comput Biol Med. 190, 110012(2025).
  41. Trebing, K., Stańczyk, T., Mehrkanoon, S. SmaAt-UNet: Precipitation nowcasting using a small attention-UNet architecture. Pattern Recognit Lett. 145, 178-186 (2021).
  42. Woo, S., Park, J., Lee, J. Y., Kweon, I. S. CBAM: Convolutional block attention module. arXiv. , (2018).
  43. Shi, X., et al. Convolutional LSTM network: A machine learning approach for precipitation nowcasting. arXiv. , (2015).
  44. Stuhr, N. L., et al. Rapid lipid quantification in Caenorhabditis elegans by Oil Red O and Nile Red staining. Bio Protoc. 12 (5), e4340(2022).
  45. Kuzmic, M., et al. In situ visualization of carbonylation and its co-localization with proteins, lipids, DNA and RNA in Caenorhabditis elegans. Free Radic Biol Med. 101, 465-474 (2016).
  46. Fang, E. F., et al. In vitro and in vivo detection of mitophagy in human cells, C. elegans, and mice. J Vis Exp. (129), e56301(2017).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

C elegans U Net ImageJ Convolutional LSTM
التحليل الآلي لصور التألق C. elegans باستخدام SegElegans
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.