المستندة إلى علم التشكل التمييز بين صحية ومرضية الخلايا استخدام فورييه التحويلات وخرائط التنظيم الذاتي

هنا، نحن نقدم سير عمل الذي يتيح تحديد خلايا صحية ومرضية استناداً على شكل ثلاثي الأبعاد. ونحن تصف عملية استخدام الإسقاط 2D الخطوط العريضة على أساس على الأسطح ثلاثية الأبعاد لتدريب "سيلفورجانيزينج الخارطة" التي سوف توفر تجميع موضوعي للسكان خلية التحقيق.

يمكن أن تساعد هذه الطريقة في الإجابة على الأسئلة الرئيسية في الأبحاث الأساسية والتطبيقات السريرية، مثل أبحاث السرطان وعلاج السرطان، ولكن أيضًا في مجال المناعة. الميزة الرئيسية لهذا الأسلوب هو أنه هو طريقة ثابتة وسهلة لتسهيل. هذه التقنية قادرة على تحديد تلقائيا أنواع الخلايا المريضة استنادا إلى شكلها وخصائص الحركة.

تمتد الآثار المترتبة على هذه التقنية نحو تشخيص وعلاج السرطان أو الأمراض الالتهابية. يمكن أن توفر هذه الطريقة رؤى في الإجراءات بين الخلايا المناعية والخلايا السرطانية ولكن يمكن أيضا تطبيقها في أي مجال حيث بيانات المجهر ثلاثي الأبعاد ضرورية. قد يكون من أن الأفراد الجدد لهذه الطريقة سوف النضال بسبب مشاكلهم لوصف والتحقق من صحة البيانات المجهرية ثلاثية الأبعاد.

كنا نظن أن مظاهرة بصرية من هذا الأسلوب أمر بالغ الأهمية لأن أدوات البرمجيات التي نستخدمها هنا ليست مألوفة لكثير من العلماء. للبدء، الحصول على مجموعة بيانات مجهرية ثلاثية الأبعاد ذات دقة عالية، كما هو موضح في بروتوكول النص المرفق. قم بتحميل بيانات الصورة ثلاثية الأبعاد في برنامج إعادة البناء، ثم ابدأ في إنشاء سطح ثلاثي الأبعاد لكل كائن.

لتحقيق ذلك، حدد الخيار عرض ثلاثي الأبعاد وانقر على السطوح، ثم انقر على زر التالي للمتابعة مع معالج إنشاء السطح. الآن، حدد قناة الصورة لإعادة بناء السطح. اختر قيمة تجانس لا تخفي تفاصيل السطح ولكن تتجنب أيضًا الأسطح المسامية.

تطبيق وظيفة تجانس من خلال النقر على مربع الاختيار الخيار السلس وتوفير دائرة نصف قطرها تجانس. عند إنشاء المنشآت صور ثلاثية الأبعاد من البيانات المجهرية، من المهم بشكل خاص أن تولي اهتماما لعمال تجانس وطريقة عتبة المناسبة، من أجل عدم فقدان أي خصائص الخلوية أو الأشكال. بعد ذلك، حدد أسلوب تحديد العتبة للعثور على الأسطح.

استخدم عتبة كثافة مطلقة عندما تكون الكائنات، مثل تلك المبينة هنا، منفصلة بشكل جيد عن الخلفية ويكون مستوى سطوعها موحدًا تقريبًا. عندما تختلف الكائنات في شدتها ولكن لا يزال يمكن فصلها عن الخلفية المحلية والكائنات الأخرى المحيطة بها، تطبيق عتبة التباين المحلية. تعيين منطقة البحث العتبة المحلية وفقا لقيمة القطر المتوقع من الكائنات المعاد بناؤها.

بعد ذلك، اختر من قائمة الخيارات لتصفية الأسطح المعاد بناؤها وفقًا للمعايير المورفولوجية ذات الأهمية. وهذا يشمل الحجم، والتجمّد، ونسبة الحجم من السطح إلى الحجم، وأكثر من ذلك. حفظ وتصدير الأسطح التي تم إنشاؤها في تنسيق مثل VRML، متوافق مع برنامج الرسوم المتحركة 3D التي سيتم استخدامها في الخطوة التالية.

بدء خلاط، والذهاب إلى علامة التبويب الإخراج على الجانب الأيمن من النافذة. حدد تنسيق TIFF من القائمة المنسدلة، وقم بتعيين عمق اللون إلى RGBA 8 بت. بعد ذلك، قم بالتبديل إلى وضع البرمجة النصية، وانتقل إلى ملف البرنامج النصي المتوفر بعنوان: GUI_Autorotate.

py ، والتي هي للتحميل من مستودع github لهذا العمل. مرة أخرى في الإطار الرئيسي، انقر على تشغيل البرنامج النصي، واختيار مجلد من الملفات wrl عندما يطلب من الإدخال. ثم انتقل إلى القائمة الافتراضية.

هنا، تعيين عمليات التدوير إلى قيمة في أو فوق ستة. تشغيل البرنامج النصي عن طريق النقر على زر تدوير. إن الدوران من ست زوايا مختلفة عادة ما يكون كافياً للتمييز بين مختلف السكان الخلويين، ومع ذلك، لا نوصي باستخدام أقل من ست دورات، حتى لا نفقد أي معلومات حول الأشكال أو الخصائص.

حفظ الإسقاطات من الأسطح الفردية في نفس المجلد الذي تم استخدامه للإدخال. افتراضيا، يتم حفظ الصور بتنسيق TIFF 8 بت، وهو التنسيق المطلوب من قبل البرنامج المساعد فيجي، الظل. افتح فيجي، وحدد الظل في قائمة الإضافات.

ابدأ بالقيم الافتراضية، ثم قم بضبط المعلمات لاحقاً. انقر فوق "حسناً" عند الاستعداد لتشغيل البرنامج. بعد ذلك، اختر المجلد المصدر الذي يحتوي على ملفات TIFF التي تم إنشاؤها في المقطع السابق، وانقر على تحديد.

ثم قم بتوفير "مجلد بيانات الإخراج". عند ظهور الصورة الأولى، ارسم مستطيلاً يحيط بالخلية، ثم ابدأ بالنقر على "حسناً". كما تشغيل البرنامج المساعد، ترى المعالجة المسبقة للصورة في العثور على هامش الخلايا المشار إليها من قبل الخطوط الحمراء.

يتم الآن استخدام إحداثيات الحواف الموجودة لحساب مكونات fourier المنفصلة. لتدريب الخرائط ذاتية التنظيم لأول مرة، ابدأ بتحميل MATLAB. تحميل البرنامج النصي MATLAP TrainSOM ثم حدد تشغيل لبدء التدريب.

تأكد من المسار الصحيح للملف إذا لزم الأمر. عندما يبدأ تشغيل، وسوف يطفو على النافذة إضافية حتى عرض التقدم. انتظر حتى يتم الانتهاء من التدريب قبل المتابعة.

افتراضياً، يتم تعيين البرنامج النصي لتشغيل 2,000 تكرار أو، ملحمة. بعد الانتهاء من التدريب، قم بفحص مخططات طبولوجيا الشبكة. هنا مثال على مؤامرة المسافات المجاورة ، مؤامرة ضرب العينة ، ومؤامرة المعطيات المدخلة.

تعتبر الخرائط ذاتية التنظيم أداة مهمة لاكتشاف العلاقات المخفية في مجموعة البيانات الخاصة بك. إنهم يقومون بتجميع بياناتك بموضوعية، ولديهم ميزة أنهم لا يحتاجون إلى مجموعة بيانات التدريب، لأنهم يتعلمون دون إشراف. وقد تم تدريب الشبكة الآن.

انقر بزر الماوس الأيمن على الملف في مساحة العمل الخاصة بك، وحفظه للاستخدام في المستقبل. تحميل في الخرائط ذاتية التنظيم، عند استخدام خريطة مدربة بالفعل، من أجل تجميع مجموعة بيانات. ثم قم باستيراد ملف CSV الذي سيتم اختباره باستخدام الخرائط المدربة التي تم تحميلها مسبقًا.

هنا، سوف نختار إخراج CSV من المساعد الظل. عند تحميل البيانات، قم بتغيير نوع الإخراج إلى مصفوفة رقمية، ثم حدد استيراد التحديد. بعد الانتهاء من التصنيف، استخدم إطار الأوامر لتقييم المؤامرات المختلفة.

عرض الصورة هنا هو من مجموعة بيانات متعددة الفوتونات متعددة الفوتونات متعددة الضوئية متعددة الفوتونات من الخلايا الميكروفجلية. في ظل الظروف الفسيولوجية ، قدمت microglia شكلًا معقدًا إلى حد ما مع عمليات متعددة ذات تشعبات عالية. عندما توضع في بيئة سرطانية، مثل هذا النموذج الورم القشري، تغيرت microglia إلى شكل أبسط، أكثر شبها بالغزل.

وقد استخدم 20 من هذه المكونات الوصفية ذات الشكل الأكثر اً كمدخلات لتدريب خريطة التنظيم الذاتي. ثم تم اختبار الخريطة المدربة من أجل تقييم قدرتها على التمييز بين الخلايا الصحية والسرطانية. تم إسقاط عدد الخلايا السليمة على منطقة واحدة معروضة هنا ، في حين أن مجموعة بيانات microglia السرطانية المقدمة كمنطقة نشطة على شكل دمبل.

ويمكن أيضا تدريب الخرائط من قبل خبراء طبيين لتحديد مجموعات الخلايا المتميزة. هنا، تم تحديد الخلايا يستريح، خلايا البلعوم، الخلايا المتفاعلة، والخلايا المتنقلة، وإعادة بنائها، واستخدامها لتدريب خريطة 12x12. تُظهر هذه الخريطة المدمجة مجموعات من الخلايا العصبية الاصطناعية ذات القيمة العالية، وخاصة في المناطق السفلية اليسرى والوسطى من الخريطة.

تم اختبار قوة نهج التخطيط باستخدام خريطة التنظيم الذاتي المدربة مع 3 مجموعات فرعية عشوائية من نفس نوع الخلية يستريح التي لم تكن جزءا من مجموعة بيانات التدريب. تعرض استجابة .M S.O لهذا الإدخال استجابة مشابهة جداً تشير إلى نوع الخلية الصحيح. بعد تطوير هذه التقنية، لدينا الآن مجموعة أدوات، والتي يمكننا ببساطة تصنيف التغييرات شكل الخلية.

تحدث هذه التغيرات، أثناء السرطان، على سبيل المثال، أو استجابات الجهاز المناعي الأخرى، ويمكننا قياسها بالمجهر، باستخدام كاملة، أو أنسجة مُخَذَّة، أو حتى أعضاء على الرقاقة.