Unterstrukturanalysator: Ein benutzerfreundlicher Workflow für die schnelle Erforschung und genaue Analyse von Zellkörpern in Fluoreszenzmikroskopiebildern

Der Unterstrukturanalysator ist ein benutzerfreundlicher Workflow, der die automatische Analyse mehrerer Prozessmikroskopiemetriken durchführt. Es bedeutet nicht null Tonnen Open-Source-Software Eis und auch mit Maschinenfunktionalitäten. Wichtig ist, dass dieser Workflow erschwinglich ist Resort produzieren Wissen und Bilder Analyse.

Mehrkanalbilder werden innerhalb des Workflows geladen und vorverarbeitet, um das Signal-Rausch-Verhältnis zu verbessern und Bildgebung oder Defekte zu entfernen. Anschließend isoliert die Bildsegmentierung Interessenbereiche, die auch als ROIs bezeichnet werden, vom Hintergrund aus. Je nach Clusterebene und Art der Objekte stehen verschiedene Segmentierungsmethoden zur Verfügung.

Segmentierte Objekte werden mit einem bestimmten Deskriptor in einem bestimmten Ordner gespeichert. Kraft und Signale werden dann innerhalb der Zeilen analysiert und mehrere Features wie Position, Größe, Form in Dichtetexturen, aber Anzahl und Größe werden in eine automatisch erstellte Kalkulationstabelle exportiert. Laden Sie Icy von der Icy-Website herunter.

Laden Sie dann Substructure Analyzer Protocol aus der Icy-Protokollbibliothek herunter. Öffnen Sie Eig, und klicken Sie auf die Werkzeuge im Menümenü. Klicken Sie auf Protokolle, um die Protokoll-Editor-Schnittstelle zu öffnen.

Klicken Sie auf Laden und öffnen Sie den Protokoll-Unterstrukturanalysator. Das Laden des Protokolls kann einige Sekunden dauern. Der Workflow besteht aus 13 allgemeinen Blöcken, die als Pipeline arbeiten und aus mehreren Feldern bestehen, die bestimmte Teilaufgaben ausführen.

Jeder Block oder jedes Feld ist nummeriert und hat einen bestimmten Rang innerhalb des Workflows. Wenn Sie auf diese Nummer klicken, weisen Sie dem ausgewählten Block die nächstgelegene Position der ersten zu. Die Positionen der anderen Blöcke werden neu organisiert.

Durch Klicken auf das obere linke Ecksymbol kann der Block erweitert werden. Es kann auch vergrößert, verengt oder entfernt werden. Jede Pipeline des Workflows ist korrekt, die durch ein Netzwerk von Boxen entstanden ist, die durch andere Ein- und Ausgaben miteinander verbunden sind.

Um eine Verbindung zu erstellen, klicken Sie auf eine Ausgabe und halten Sie, bis der Cursor eine Eingabe bezieht. Verbindungen können entfernt werden, indem Sie auf das Ausgabe-Tag klicken. Benennen Sie die Dateien bei Bedarf so um, dass Sequenzen zusammengeführt werden sollen, und haben das Präfix dieselben Namen, gefolgt von einem deutlichen Trennzeichen.

Sequenzen einzelner Kanäle aus einem Bild A werden z. B. bild A unterstrichen rot, Bild A unterstrichblau usw. Erstellen Sie im gleichen Ordner einen neuen Ordner pro Kanal, der zusammengeführt werden soll. Um beispielsweise rote, grüne und blaue Kanäle zusammenzuführen, erstellen Sie drei Ordner und speichern Sie die entsprechenden Sequenzen in diesen Ordnern.

Verwenden Sie nur die Block-Merge-Kanäle, entfernen Sie die anderen Blöcke und speichern Sie das Protokoll als Mergekanäle. Zugriff auf die Boxen, um Parameter festzulegen. Wählen Sie im Feld Kanalnummer x aus, welchen Kanal extrahiert werden soll.

In klassischen RGB-Bildern ist Null rot, eine grün und zwei blau. In der Box, Ordnerkanalnummer x, Backslash den Namen des Ordners mit Bildern von Kanal x. Im Feld separate Kanalnummer x.

Die Trennzeichenverwendung für den Bildnamen. Geben Sie im Feld Farbzuordnungskanalnummer x mit einer Zahl an, welche Modellspalte verwendet werden soll, um den entsprechenden Kanal in Icy zu visualisieren. Schreiben Sie im Feld das Format der zusammengeführten Bilder, um die Erweiterung zu speichern, um zusammengeführte Bilder zu speichern.

Klicken Sie in der oberen linken Ecke des Merge-Kanäle-Blocks auf den Link direkt rechts vom Ordner. Doppelklicken Sie im geöffneten Dialogfeld auf den Ordner mit Sequenzen des ersten Kanals, der im Box-Ordner-Kanal Nummer eins definiert wurde. Klicken Sie dann auf öffnen, führte das Protokoll aus.

Zusammengeführte Bilder werden in einem zusammengeführten Ordner im selben Verzeichnis wie die Ordner der einzelnen Kanäle gespeichert. Objektsegmentierung ist der anspruchsvollste Schritt in der Bildanalyse. Seine Effizienz bestimmt die Genauigkeit der resultierenden Mengenmessungen.

Daher integriert der Strukturanalysator sowohl einfache als auch komplexere Algorithmen, um verschiedene Alternativen vorzuschlagen, die an die Bildkomplexität und die Benutzeranforderungen angepasst sind. Wenn Sich Objekte nicht berühren, müssen andere Benutzer die Blocksegmentierung A nicht individuell unterscheiden. Wenn sich Objekte nicht berühren, sich aber einige befinden sich in unmittelbarer Nähe, verwenden Sie die Blocksegmentierung B. Verwenden Sie für Objekte mit einer hohen Clusterebene und einer konvexen Form die Blocksegmentierung C.Wenn Objekte eine hohe Clusterebene aufweisen und unregelmäßige Formen aufweisen. verwenden Sie die Blocksegmentierung D.Verwenden Sie die Blocksegmentierung in Cluster-Zytoplasma, um berührendes Zytoplasma einzeln zu segmentieren, indem Sie segmentierte Kerne als Marker verwenden. Die Blockanpassung für die primäre Objektsegmentierung kann unabhängig voneinander verarbeitet werden, sodass mehrere Blöcke in derselben Ausführung verwendet werden können, um ihre Effizienz für eine bestimmte Unterstruktur zu vergleichen oder um verschiedene Arten von Unterstrukturen zu segmentieren.

Um die Segmentierung zu veranschaulichen, wurde die Blocksegmentierung B ausgewählt, die für eine größere Anzahl von Problemen geeignet ist. So verwenden Sie diesen Blog. Verknüpfen Sie ihn zunächst, um den Ordner auszuwählen.

Dann setzt das Kanalsignal den Kanal des Objekts auf Segment. Um z. B. dem B entsprechen zu können, legen Sie in Feld HK den Parameter Intensitätsklassen und die ungefähren minimalen und maximalen Größen in Pixeln der zu erkennenden Objekte fest. Bei Intensitätsklassen klassifiziert ein Wert von zwei Pixeln in zwei Klassen, Hintergrund und Vordergrund.

Es wird somit angepasst, wenn der Kontrast zwischen den Objekten und dem Hintergrund hoch ist. Wenn Vordergrundobjekte ihre Ursprungsintensitäten haben oder der Kontrast zum Hintergrund gering ist, erhöhen Sie die Anzahl der Klassen. Im Kasten optimieren aktive Konturen die Erkennung von Objektrahmen.

Während des Vorgangs wird ein Ordner erstellt, um Bilder von segmentierten Objekten zu speichern. Benennen Sie diesen Ordner im Feldtext, z. B. Segmentierungskerne. Um das Format zum Speichern von Bildern segmentierter Objekte festzulegen, füllen Sie das Feldformat von Bildern segmentierter Objekte aus, und führte das Protokoll aus.

Der Ordner wird in dem Ordner erstellt, der zusammengeführte Bilder enthält. Verschiedene Blöcke wurden entwickelt, um sich an die Anzahl der Gesetze und Kanäle und Zellabteile anzupassen, die in segmentierten Objekten analysiert werden sollen. Wählen Sie im folgenden Beispiel für die Analyse die Blockfluoreszenzanalyse P.Zwei Kanäle im selben Fach aus, und verknüpfen Sie sie, um den Ordner auszuwählen.

Der Segmentierungsblock sollte verarbeitet worden sein, bevor diese Analyse die Parameter Posteingangsordner-Images ROI festgelegt hat, schreiben Sie den Namen des Ordners, der Bilder von segmentierten Objekten enthält, denen ein umgekehrter Schrägstrich vorangestellt ist. Posteingangsformat von Bildern segmentierter Objekte, schreiben Sie das Format verwendet, um Bilder von segmentierten Objekten zu speichern. Posteingang tötet Rahmen, um beide Objekte zu entfernen.

Andernfalls ist gerade jetzt die Installation der vollständigeren J-Sammlung von Bildgebung erforderlich, um diese Funktion zu verwenden. In Boxen Kanal-Spot-Signal, stellen Sie den Kanal, wo Spots erkannt werden müssen. In klassischen RTP-Bildern ist Null rot Eins ist grün und zwei blau.

Schreiben Sie in Felder, die den Namen des lokalisierten Moleküls nennen, den Namen des Moleküls, das sich in die Flecken lokalisiert. Die Anzahl der zu beantwortenden Felder hängt von der Anzahl der Moleküle ab. Legen Sie in Boxen Wellenlängen pro Detektorblock die Spot-Erkennungsparameter für jeden einzelnen Kanal fest.

Um verschiedene Blöcke in einem Raum zu verarbeiten, halten Sie Verbindungen der ausgewählten Blöcke, mit dem Block wählen Ordner. Stellen Sie sicher, dass ihre Ränge unter der guten Verarbeitung des Workflows liegen. Bevor Sie den Workflow ausführen, wird auch empfohlen, nicht verwendete Blöcke zu entfernen und das neue Protokoll unter einem anderen Namen zu speichern.

Klicken Sie auf Ausführen, um den Workflow zu starten. Wenn es öffnet Blick Blick Bücher erscheint. Doppelklicken Sie auf den Ordner mit den Pflegebildern Dann klicken Sie auf Öffnen, der Workflow wird automatisch ausgeführt.

Wenn die Verarbeitung abgeschlossen ist, wird der erfolgreich ausgeführte Workflow in der unteren rechten Ecke angezeigt, alle Blöcke werden mit dem grünen Vorzeichen gekennzeichnet. Wenn nicht, zeigen der Block und das innere Feld, das das Pfeilzeichen darstellt, die Elemente korrekt an. Wichtig ist, dass mehrere Displays es ermöglichen, die Zwischenergebnisse während jeder Ausführung zu visualisieren, um die Verarbeitung zu steuern.

Die Schnelligkeit, Flexibilität und Funktionalität dieses Workflows wird auf verschiedene Beispiele beschränkt. In diesem ersten Beispiel analysieren wir die kernnukleare Translokation von NF kappa B.After Simulation mit zunehmenden Konzentrationen von TNF alpha. Kerne und Zytoplasma wurden mit Segmentierungsblöcken C und E abgegrenzt.

Das NF kappa B flourish in signal wurde mit dem globalen Translokationsanalyseblock analysiert. Mehr als 40.000 Zellen in 96 Bildern wurden in 26 Minuten analysiert. Die generierten Daten wurden verwendet, um diese Dosis-Ansprech-Kurve zu ermitteln, die die Induktion der NF Kappa B-Atomtranslokation durch TNF alpha zeigt.

Der Workflow kann auch verwendet werden, um die Dateigröße zu erkennen und bestimmte Informationen zu ihren Features zu extrahieren. Hier wurden Eigenschaften in einzelnen Zellen durch Lokalisierung der EDC für Protein etektiert. Kerne im Zytoplasma wurden mit Segmentierungsblöcken A und E abgegrenzt.

EDC4 wurde mit Fluoreszenzanalyseblöcken analysiert C.In dieses Beispiel wurden in beiden analysierten Zellen zytoplasmatisches EDC4-Zeichen nachgewiesen. Die Größe in Pixeln jeder vollständigen Seite wird in der Kalkulationstabelle angegeben. In diesem Beispiel nutzten wir die Vielseitigkeit des Workflows, um Kohlenhydrate zu untersuchen, eine längere Kinetik von oxidativem Stress.

Kernkraftzeichen von Coilin sind die wichtigsten strukturellen Komponenten von Kohlenhydraten Ihre Anzahl und Größe wurden nach Größe, Stressstatus analysiert, bewertet durch Doppelstrangbrüche lokalisiert mit 53BP1. Die Kerne wurden mit Hilfe von Segmentierungsproxy, Kernkraft und Signalen von Coillin und 53BP1 abgegrenzt, gleichzeitig mit Fluoreszenzanalyse Block B analysiert. Diese Daten deuten stark darauf hin, dass oxidativer Stress die Kernkraft eines Kohlenhydrats verändert, wenn es darum geht, eine kerntechnische Plasmische Verteilung in die Anzahl der kleineren Kernstoffe zu verwenden, um eine Änderung der Pulsinexpression zu rechtfertigen, die seine Lokalisierung verändern und die Keimbildung von Kurvenkörpern verändern könnte.

Ein exogenes GFP-Spulen-Fusionsprotein wurde überexprimiert. Merkmale unseres Körpers wurden nach GFP-Spulen-Überexpression analysiert. Die Kerne wurden mit dem Segmentierungsblock A abgegrenzt. Die fluoreszierenden Signale von Coilin und GFP Coilin wurden gleichzeitig mit fluoreszenzanalyseblock B analysiert.

Die durch den Substrukturanalysator erzeugten Daten zeigen, dass GFP-Spulen in Überexpression die Größe und Anzahl der Kohlenhydrate signifikant erhöht. Da oxidativer Stress die Anzahl der Kohlenhydrate erhöht, aber ihre Größe reduziert. Diese Daten könnten widerspiegeln, dass oxidative Stresswirkung auf die Struktur von Kohlenhydraten höchstwahrscheinlich durch eine Änderung ihrer Zusammensetzung und nicht durch eine Auswirkung auf eine bestimmte Menge an Coilin induziert wird.

Daher ist der Strukturanalysator ein hochmodularer Workflow für die Biobildanalyse. Es kann an mehrere Kontexte angepasst werden, von der einfachen Verschmelzung von Kanälen bis zur Quantifizierung mehrerer Etagen und Signale in Tausenden von Zellen. Es integriert auch einfache und komplexe Segmentierungsalgorithmen in Abhängigkeit von der Bildkomplexität und automatisiert die Extraktion von fluoreszierenden Signalfunktionen.