利用虚拟现实对冷冻电子断层扫描数据进行沉浸式分割和分析
2025年1月24日
冷冻电子断层扫描 （cryo-ET） 能够以纳米分辨率对细胞超微结构进行 3D 可视化，但手动分割仍然耗时且复杂。我们提出了一种新的工作流程，它集成了先进的虚拟现实软件，用于分割冷冻 ET 断层扫描，通过分割哺乳动物细胞中的线粒体来展示其有效性。
在这项工作中，我们描述了一种使用 SciGlass 软件分割冷冻电子断层扫描数据的协议。SciGlass 是一款基于虚拟现实的软件，为分割冷冻电子断层扫描电报提供了身临其境的直观界面，我们证明了 VR 是一种可行的工具，可以集成到冷冻电子断层扫描分割管道中。冷冻电子断层扫描技术正在迅速发展，创新和专注。
对于更薄的样品和更快的数据收集方法，以及使用机器学习算法来改进分段颗粒拾取，所有这些进步最终导致了更好的冷冻电子断层扫描和真正伟大的生物学见解的采用。冷冻电子断层扫描面临低通量低温等挑战。适用于厚度大于 500 nm 的样品，并且由于拷贝数低而难以靶向感兴趣区域。
此外，数据处理仍然是一个瓶颈，需要大量的手动注释以进行颗粒拾取和分割，以及冷冻电子断层扫描所需的专业知识，因此这一切都会减慢整个工作流程。我们发现，与传统方法相比，虚拟现实可以提高细分效率。其沉浸式环境通过填补空白和减少误报来补充自动化方法。
此外，该 VR 平台对培训和教育非常有效，使其成为冷冻电子断层扫描数据分析的多功能工具。我们的协议解决了传统分割的低效率问题，其中包括手动和缓慢、困难的流程，因此，通过利用虚拟现实的沉浸式和直观性，我们的目标是通过使流程更快、更用户友好来简化细分。首先，将原始冷冻 ET 断层扫描图转换为与 SciGlass 兼容的数据格式，例如 TIFF 堆栈。
使用 ImageJ 设置信号以确保粒子为黑底白字。导航到 处理，然后 增强对比度，然后检查 均衡直方图"和 处理所有切片.在计算机上启动虚拟现实软件。
导航到 File（文件）菜单，然后选择 Create Project（创建项目）。点击 创建新项目，然后点击 添加文件 在软件中。导航到 TIFF 文件的位置，并将其导入到项目中。
出现提示时，确认文件不是时间序列的一部分，点击No.Next后，为项目分配一个名称，然后点击Save"，在项目列表下创建项目。双击项目以打开断层图并将其加载到交互式虚拟现实环境中。要设置虚拟现实 （VR），请将 VR 头戴式设备和手持控制器连接到计算机。
按照屏幕上的说明校准 VR 环境。调整系统以确保所需的分割区域在 VR 环境的视野中，然后单击软件界面中的可视化按钮。调整可视化选项，如对比度、窗口化、亮度和阈值滑块，以增强信号并最大限度地减少杂色。
使用手动控制器将断层照片拉近或推开，以便更好地检查。使用左侧控制器激活剪切工具。目视检查断层照片中的不同切片。
在断层图中导航到将开始分割的所需切片。使用手动控制器激活注释菜单下的感兴趣区域或 ROI 选项。断层照片中将出现一个绿色框。
将绿色框的大小和位置调整到要分割的区域。现在，使用左侧控制器锁定 ROI。该工具将切换到绘制模式以进行分割。
放大或缩小断层扫描以进行精确分割。通过顺时针或逆时针旋转调整画笔大小以实现最佳控制。在 3D 区域内仔细分割感兴趣的区域，例如线粒体膜。
在执行分段时适当调整球半径。使用辅助控制器触发器进入擦除模式以纠正分割错误，并使用与分割相同的动作进行擦除。对所有区域重复分割过程，直到断层照片完全分割。
完成分段后，单击已完成的项目以突出显示它。单击项目"选项卡并选择"ROI"以继续。选择导出整个卷或感兴趣的特定区域，并指定分段数据的导出位置。
现在，将导出的分段数据从 SciGlass 加载到所需的软件中并分析到所需的软件中，以便对分段数据进行进一步分析。准备好冷冻电子断层扫描数据后，右键单击项目并单击 Add Mask Data，然后导航到初始分割的保存位置并将其导入同一项目下。使用 ROI 注释对初始分段进行编辑。
最后，添加或删除 Segmentation 以清理初始分段。以每像素 16 埃重建的断层照片的加权反向投影揭示了去噪和缺失楔形校正后的线粒体和膜结构。沉浸式虚拟现实环境中的可视化可以在直方图均衡后对膜进行详细的 3D 检查，从而增强对比度。
使用 VR 工具手动分割高精度地描绘线粒体和细胞器结构，包括膜边界和 ROI 的精确映射。最终的 3D 渲染揭示了详细的线粒体特征，例如外膜和内膜。磷酸钙沉积物具有平滑的网孔。
概述
本研究提出了一种利用虚拟现实（VR）软件对冷冻电子层析断层扫描（cryo-ET）数据进行分割的新工作流程。通过将VR集成到分割管道中，作者们展示了在哺乳动物细胞内分析线粒体结构时的效率提升。
关键研究组成部分
研究领域
- 冷冻电子层析断层扫描
- 细胞超微结构可视化
- 分割方法
背景
- 冷冻层析断层扫描允许以纳米级分辨率进行3D可视化。
- 手动分割存在重大挑战和效率低下的问题。
- VR的引入为提高分割精度和速度提供了新的潜力。
使用的方法
- 用于分割的虚拟现实平台（SciGlass）
- 哺乳动物细胞作为生物模型
- 先进的成像和数据处理技术
主要结果
- 证明VR相比传统方法显著提高了分割效率。
- 实现了线粒体结构和细胞器特征的精确映射。
- 表明VR在数据分析和教育培训中的实用性。
结论
- 本研究强调了VR技术在简化冷冻层析断层扫描分割过程中的有效性。
- 它突出了沉浸式技术在生物学研究中不断发展的角色。
常见问题
Executive Industry Relevance
Manual segmentation of cryo-electron tomography (cryo-ET) data is a persistent bottleneck in structural biology, limiting throughput and reproducibility in early discovery workflows. Integrating immersive virtual reality (VR) platforms into segmentation pipelines addresses these challenges by enhancing both efficiency and accuracy in annotating complex cellular structures. This capability supports higher predictive confidence and accelerates the transition from raw imaging data to actionable biological insights in biopharma R&D portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables precise delineation of subcellular structures critical for mechanistic de-risking and target validation.
- Improves biological annotation quality, supporting robust hypothesis testing in discovery biology.
- Facilitates rapid triage of imaging data for downstream functional studies.
Screening & Assay Development
- Prepares high-fidelity segmented datasets for quantitative assay development and screening workflows.
- Supports reproducible annotation standards, reducing variability in image-based assays.
- Accelerates readiness for automated or semi-automated compound evaluation platforms.
Translational & Preclinical Research
- Enables detailed mapping of disease-relevant organelle features for translational biomarker exploration.
- Maintains continuity from discovery imaging through preclinical model validation when supported by high-quality segmentation.
- Reduces risk of misinterpretation in preclinical studies by improving structural data fidelity.
Pipeline & Workflow Integration
This VR-enabled segmentation workflow fits at the interface of imaging data acquisition and quantitative analysis, bridging early discovery and preclinical research stages.
- Discovery Biology: Supports hypothesis-driven interrogation of cellular ultrastructure and pathway mapping.
- Screening: Delivers reproducible, quantitative segmentations for downstream assay integration.
- Analytics: Provides high-resolution, annotated datasets for comparative and statistical analysis of cellular features.
- Translational Research: Aligns structural imaging outputs with disease-relevant model systems when segmentation quality is maintained.
- Enterprise Reuse: Establishes a scalable, reusable segmentation capability for diverse imaging projects across R&D teams.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces ambiguity in structural target validation.
- Operational Value: Streamlines segmentation workflows, improving throughput and standardization.
- Strategic Value: Enables more informed go/no-go decisions and capital allocation in imaging-driven programs.
- Portfolio Impact: Supports risk-adjusted prioritization by delivering higher-quality imaging data for candidate advancement.
Implementation Considerations
- Requires expertise in cryo-ET data preparation and VR software operation.
- Demands compatible hardware, including VR headsets and controllers, and robust computational infrastructure.
- Benefits from standardized annotation protocols to ensure cross-team reproducibility.
- May require adaptation for different cell types or organelle targets based on imaging complexity.
- Manual segmentation remains time-intensive for very large datasets, even with VR enhancements.
