Method Article

ניתוח נתוני מיקרוסקופיה רב-ממדית באמצעות Cell-ACDC

DOI:

10.3791/68954

⸱

November 7th, 2025

 ,  ,  , 
1Institute of Functional Epigenetics, Molecular Targets and Therapeutics Center, Helmholtz Zentrum München, 2Institute of Network Biology, Molecular Targets and Therapeutics Center, Helmholtz Zentrum München, 3Institute of AI for Health, Computational Health Center, Helmholtz Zentrum München

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ניתוח מדויק של נתוני מיקרוסקופיה רב-ממדיים דורש זרימות עבודה מורכבות. מאמר זה מדגים כיצד להשתמש בתוכנה Cell-ACDC. הוא ממנף מודלים חדישים מונעי בינה מלאכותית לפילוח, מעקב, ניתוח אילן יוחסין של תאים וכימות של נתוני מיקרוסקופיה. באופן מכריע, הוא משלים את המודלים הללו עם מסגרת חדשנית לתיקון אוטומטי למחצה של תפוקת הדגמים.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ההתקדמות האחרונה במיקרוסקופיה כמותית למדעי החיים אפשרה לביולוגים ניסויים לחקור תאים ברזולוציה ובמהירות חסרות תקדים. במקביל, מהפכת הבינה המלאכותית הגדילה באופן דרמטי את כמות המידע שניתן לחלץ מנתוני מיקרוסקופיה רב-ממדיים. עם זאת, כמות הנתונים הגדולה שנוצרה והמורכבות של מודלים חדישים של בינה מלאכותית מהווים צוואר בקבוק חמור בשלב ניתוח התמונה. Cell-ACDC היא תוכנת קוד פתוח וידידותית למשתמש המספקת פתרון רב עוצמה מקצה לקצה לסגמנטציה, מעקב וניתוח כמותי של תאים בודדים בנתוני מיקרוסקופיה רב-ממדיים. הוא מותאם לביולוגים ניסויים שאולי חסרים את המומחיות הטכנית המתקדמת הנדרשת ליישום מודלים כאלה. מאמר זה מראה כיצד לנצל את המסגרת כדי למנף בקלות את המודלים העדכניים ביותר, יחד עם כלים רבים לתיקון נתונים חכם ואוטומטי למחצה, כדי למקסם את כמות המידע הביולוגי שניתן להשיג. Cell-ACDC תומך בנתוני מיקרוסקופיה רב-ערוצית, זמן-lapse ו-z-stack, ומספק ערכת כלים ייעודית המותאמת לכל סוג של ממדי נתונים. בגלל העיצוב המודולרי שלו, המאפשר שילוב חלק של מודלים חדשים וגישה ישירה לביולוגים, ל-Cell-ACDC יש פוטנציאל לשמש ככלי ייחוס לניתוח נתוני מיקרוסקופיה.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

מיקרוסקופיה הפכה לבסיסית להאצת הגילוי הביולוגי בכל שלב של מחקר ופיתוח, ממדע בסיסי 1,2,3 ועד לגילוי ובדיקת תרופות 4,5 ובטווח מדהים של גדלים, מתרביות תאים לרקמות 6,7, אורגנואידים 8,9 ואורגניזמים שלמים10. עם זאת, לטכניקות המיקרוסקופיה המתקדמות הללו יש שני חסרונות עיקריים. ראשית, נתוני מיקרוסקופיה הם מטבעם גדולים11, במיוחד כאשר רוכשים ממדים מרובים (למשל, זמן ונפחים). שנית, מיצוי מדויק של המידע הביולוגי העשיר בנתונים דורש פריסה של מסגרות ניתוח תמונה מתקדמות שלעתים קרובות מתבססות על מודלים של AI. משימה זו יכולה להיות מרתיעה עבור ביולוגים ניסיוניים. לכן, שלבי הטיפול, העיבוד והניתוח של נתונים יכולים להאט מאוד את המחקר המדעי תוך הפחתת הפוטנציאל לתגליות חדשות. באופן אידיאלי, מסגרות תוכנה לניתוח תמונות ביולוגיות צריכות לסייע למשתמש בכל שלב של הניתוח, החל מטיפול בקבצי מיקרוסקופיה גולמיים דרך פילוח ומעקב ועד לניתוח במורד הזרם לחילוץ תובנות ביולוגיות. בפועל, הפיתוח המהיר של תוכנה חדשה לניתוח ביו-דימויים, למרות היותו תוצאה חיובית, הביא לתופעת לוואי של יצירת נוף מפוזר של כלים ספציפיים לשלב ניתוח מסוים או דורש מומחיות מתקדמת בתכנות. זה משאיר את המשתמש עם המשימה המאתגרת של הרכבת זרימת העבודה של הניתוח, מה שמוביל לעתים קרובות לצינורות לא אופטימליים שבהם הנתונים נשמרים, מטופלים ומומרים מספר פעמים כדי להפוך אותם לתואמים לכלי הבא. בנוסף, הפיתוח של ניתוח bioimage אינו סטנדרטי לשפת תכנות אחת, כאשר כלים רבים מפותחים כתוספי ImageJ12 או QuPath13 (Java), תוספי Napari (Python)14 או סקריפטים של Python. במקרים מסוימים, סביבה מאתגרת זו מובילה מדענים לבחור בניתוח ידני, תהליך שהוא לא רק איטי אלא גם מציג הטיה אנושית ומעכב את יכולת השחזור.

כדי לפתור זאת, פותח Cell-ACDC (Cell-Analysis of the Cell Division Cycle)15, ערכת כלים מבוססת GUI בקוד פתוח שנכתבה ב-Python לניתוח נתוני מיקרוסקופיה רב-ממדית. באופן מכריע, Cell-ACDC מספקת מספר רב של מודלים מתקדמים המיושמים מראש ומותקנים אוטומטית (בעת הצורך) עבור שני הסגמנטציות (Cellpose, StarDist, Segment Anything, YeaZ, YeastMate וכו'.16,17,18,19,20,21,22,23,24,25,26,27,28) ומעקב (Trackastra, Trackpy, Bayesian Tracker, Cell-ACDC וכו'.19,29,30,31,32,33,34). מודלים אלה משלימים עם מסגרת להמחשת נתונים מבוארים ותיקונים ידניים בעזרת מחשב. בנוסף, באותה מסגרת, חברת Cell-ACDC מספקת מודול עבור כל שלב בצנרת ניתוח התמונה, ודואגת אוטומטית לטיפול, עיבוד ושמירה של נתונים (איור 1). ליתר דיוק, הוא מאפשר למשתמש לבצע פילוח מופעים (למשל, תאים בודדים), מעקב אחר אובייקטים, ביאור מצבי תא (למשל, שלב מחזור התא), וצורות שונות של כמות, כולל ניתוח ערוצי הקרינה הזמינים.

אחת מנקודות החוזק העיקריות של Cell-ACDC היא ניתוח נתוני מיקרוסקופיה של תאים חיים, מה שמציב אתגרים משמעותיים בשל הצורך בעקביות על פני נקודות זמן. בעוד שקיימים מודלים רבים לפילוח אוטומטי ומעקב אחר תאים בודדים, תיקונים ידניים נותרו חיוניים לטיפול בשאלות ביולוגיות מורכבות. חברת Cell-ACDC מציעה חבילת כלים שתוכננה במיוחד כדי לייעל את תהליך התיקון. הוא משלב אלגוריתמים חכמים כדי למזער את מספר ההתאמות הידניות. יש לציין כי תיקונים מופצים אוטומטית על פני כל המסגרות העתידיות והעבר הרלוונטיות, תוך שמירה על שלמות הנתונים לאורך כל הניתוח. בהתחשב בעיצוב המודולרי שלה ובבסיס המשתמשים ההולך וגדל, הפיתוח המתמשך של תוכנה זו הוא בראש סדר העדיפויות, עם מאמצים מתמשכים המתמקדים בשילוב מודלים חדשים ומתן מענה לצרכים המתפתחים של הקהילה.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

הערה: Cell-ACDC מתוכנן להיות ברור ואינטואיטיבי ככל האפשר למשתמשים ללא רקע בתכנות. זה מושג בעיקר על ידי פירוק זרימת העבודה של הניתוח לשלבים קטנים יותר וקלים לביצוע ומתן מידע נוסף באמצעות תיאורי כלים ולחצני מידע. מכיוון ש-Cell-ACDC מכסה מגוון רחב של שלבים שסדר הביצוע שלהם לרוב אינו רציף, תרשים החלטות מוצג באיור 2. המדריך הבא יעבור על דוגמה ספציפית. ניתן להשתמש בשלבים 10 ו- 11 כדי לייבא נתונים אחרים במקום להשתמש בנתונים שסופקו שהורדו בשלב 3.

1. התקנת Cell-ACDC

הערה: Cell-ACDC מופץ כעת כחבילת Python באמצעות אינדקס חבילות Python (PyPI) וניתן להתקין אותו עם הפקודה pip install "cellacdc[torch]".

  1. הגדר את Miniforge
    1. הורד את תוכנית ההתקנה מ-Miniforge webאתר (עיין בטבלת החומרים לפרטים).
    2. התקן את Miniforge: עבור Windows, הפעל את תוכנית ההתקנה שהורדת ופעל לפי ההוראות. עבור Mac או Linux, פתח את הטרמינל והפעל את הפקודה הבאה:
      סלסול -L -O "https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-$(uname)-$(uname -m).sh
    3. לאחר השלמת ההתקנה, פתח את הטרמינל הנכון על ידי ביצוע ההוראות שלהלן:
      1. עבור Windows, הקש Win + S, הקלד Miniforge Prompt והקש Enter.
      2. עבור Mac/Linux: פתח את אפליקציית Terminal.
  2. נהל את הסביבה הווירטואלית.
    1. בהנחיה, הקלד את הפקודה הבאה כדי ליצור סביבה וירטואלית. לאחר מכן לחץ על Enter כדי לבצע את הפקודה.
      conda ליצור -y -n acdc python=3.12
    2. הפעל את הסביבה על-ידי הפעלת:
      קונדה הפעל ACDC
  3. התקנה
    1. כאשר הסביבה פעילה, התקן את Cell-ACDC על-ידי הפעלת הפקודה הבאה:
      pip התקן "cellacdc[torch]"
    2. לאחר ההתקנה, הפעל את Cell-ACDC -y כדי לאפשר לתוכנה לסיים את הגדרתה.

2. הפעלת Cell-ACDC

  1. פתח את המסוף הנכון (ראה שלב 1.1.3).
  2. הפעל את הסביבה על-ידי הפעלת הפקודה:
    קונדה הפעל ACDC
  3. הפעל את Cell-ACDC על-ידי הפעלת הפקודה הבאה:
    תא-ACDC

3. הורדת נתונים לדוגמה

הערה: הנתונים לדוגמה יורדו אל "C:\Users\%USERNAME%\acdc-appdata\acdc-examples\TimeLapse_2D\Position_8" ב-Windows, ואל "~/acdc-appdata/acdc-examples/TimeLapse_2D/Position_8" ב-MacOS וב-Linux. אם מדריך הפתיחה אינו מוצג, בחר עזרה > מדריך ברוך הבא (איור 3B) בשורת התפריטים של חלון המשגר הראשי של Cell-ACDC (איור 1), .

  1. בחר הורד ובדוק עם דוגמה של זמן-lapse (איור 3B).
  2. המתן עד לסיום ההורדה.
  3. נקישה לא, הודות להפסקת טעינת הנתונים ישירות לממשק המשתמש הגרפי.

4. מודול הכנת נתונים

הערה: ניתן ליישר נתונים לפני הפילוח, וניתן לבחור אזורי עניין (ROI). שלבים אלה הם אופציונליים אך מועילים אם שדה הראייה נעקר עם הזמן או אם רק חלקים מהנתונים מעניינים, בהתאמה.

  1. לחץ על הפעל מודול הכנת נתונים... בחלון הראשי כדי לפתוח את מודול הכנת הנתונים (איור 1A, מודול עיבוד מקדים של נתונים).
  2. בחר את התיקייה המכילה את הנתונים.
    1. לחץ על סמל התיקייה בסרגל הכלים של החלון החדש כדי לטעון את נתוני המיקרוסקופיה (איור 4A).
    2. בחר את התיקיה המכילה את הנתונים ולאחר מכן אשר את הבחירה על-ידי לחיצה על בחר תיקיה.
  3. בחר ערוץ עבור תהליך היישור באמצעות התפריט הנפתח כדי לבחור את הערוץ phase_contr . לאחר מכן, לחץ על אישור כדי לאשר את הבחירה (איור 4B).
  4. לחץ על אישור כדי לאשר את מאפייני התמונה (איור 4C).
    הערה: אם עובדים עם נתוני z-stack, אך יש להשתמש רק בפרוסה אחת לסגמנטציה, בחר את פרוסת z המתאימה באמצעות המחוון. השתמש בלחצנים בסרגל הכלים כדי להחיל את הבחירה על מסגרות אחרות במידת הצורך.
  5. הפעל את תהליך היישור.
    1. לחץ על כפתור ההתחלה , הממוקם גם הוא בסרגל הכלים (איור 5A).
    2. לחץ על כן כדי להתחיל בתהליך היישור.
      הערה: לחץ על לא כדי לדלג על היישור.
    3. הקש על אישור כדי לאשר שהמידע אודות הריווח אושר.
      הערה: היישור עשוי להימשך זמן, בהתאם לגודל הנתונים.
    4. לחץ על אישור כדי לסיים את היישור לאחר השלמת התהליך.
  6. הגדר החזר ROI והחזר ROI ברקע.
    1. עבור לפריים האחרון של סרטון הפילוח באמצעות מחוון בחירת המסגרת בחלק התחתון של ממשק המשתמש הגרפי של הכנת הנתונים.
    2. התאם את החזר ה-ROI של הרקע שנוסף אוטומטית על ידי גרירתו על פני התמונה או שינוי גודלו באמצעות היהלומים. ודא שהחזר ה-ROI ברקע אינו כולל תאים. השאר את ההחזר על ההשקעה כפי שהוא (איור 5B).
      הערה: כדי להגדיר החזר ROI נוסף, לחץ על הלחצן Add crop ROI (הממוקם בסרגל הכלים) ובחר אותם במציג. בדרך כלל, ההחזר על ההשקעה צריך להיות קטן ככל האפשר ועדיין להקיף את כל התאים המעניינים על פני מסגרות רלוונטיות. עם זאת, כדי להבטיח שחזור בתוך פרוטוקול זה, מומלץ לא לשנות אותו.
  7. כדי לחתוך את ההחזר על ההשקעה שנבחר לקובצי תמונה חדשים, לחץ על לחצן החיתוך השמאלי ביותר.
    הערה: שלב זה הוא אופציונלי. אם אין צורך בתמונות חתוכות, ניתן לסגור את החלון. הקואורדינטות של כל ההחזר על ההשקעה והחזר ה-ROI ברקע נשמרות באופן אוטומטי וניתן להשתמש בהן מאוחר יותר לסגמנטציה. אם ההחזר על ההשקעה לא השתנה, כפתורים אלה לא יעשו דבר. אפשרויות החיתוך כוללות כיווני XY, פרוסות z או טווחי זמן מסוימים. כל לחצן מסומן במידות שייחתכו.
  8. שמירת הנתונים המיושרים
    1. סגור את החלון באמצעות כפתור סגירת החלון (למשל, ה-X בפינה השמאלית העליונה ב-Windows או הנקודה האדומה בפינה השמאלית העליונה ב-macOS או Linux).
    2. לחץ על כן, שמור נתונים מיושרים כדי לשמור את הנתונים המיושרים.
    3. לחץ על כן, שמור שוב נתונים מיושרים כדי לאשר.
  9. שמור נתונים שנחתכו אם לא דילגו על שלב 4.7 והחזר ההשקעה לא השתנה.
    1. בחר כן, שמור נתונים שנחתכו כדי לשמור את הנתונים שנחתכו.
    2. לחץ על כן, חתוך בבקשה כדי לאשר את שמירת היבול.
    3. לחץ על אישור כדי לאשר את נתיב ברירת המחדל של התיקיה.
      הערה: בחר תיקייה אחרת כדי לשמור את הנתונים שלא נחתכו.
    4. בחר כן, החלף כדי לאשר אם נעשה שימוש בנתיב ברירת המחדל בעבר.
    5. לחץ על אישור כדי לאשר לאחר השלמת התהליך.

5. מציאת המודל והפרמטרים הטובים ביותר לפילוח

הערה: חברת Cell-ACDC מציעה ממשק משתמש גרפי עם משוב בזמן-אמת כדי למצוא את פרמטרי הסגמנטציה הטובים ביותר (איור 6). באופן כללי, דגמים אלה מסופקים על ידי צדדים שלישיים, כל אחד עם תיעוד משלו. באחריות המשתמש לקבוע את מודל הפילוח הטוב ביותר ואת הפרמטרים האופטימליים שלו, ועל המשתמשים לבדוק את התיעוד של הדגם המתאים שהם מנסים לקבלת מידע נוסף.

  1. לחץ על הפעל ממשק משתמש גרפי... בחלון הראשי (איור 1A, הדמיה ותיקון מודול).
  2. טען את הנתונים לדוגמה.
    1. לחץ על סמל התיקייה בסרגל הכלים של החלון החדש כדי לפתוח את תפריט בחירת התיקייה.
    2. בחר את התיקיה המכילה את הנתונים ולאחר מכן לחץ על בחר תיקיה כדי לאשר את הבחירה.
  3. בחר ערוץ לתצוגה חזותית. השתמש בתפריט הנפתח כדי לבחור את הערוץ phase_contr לפילוח ולאחר מכן בחר אישור כדי לאשר.
  4. סיים לטעון את הנתונים.
    1. הקש Ok כדי לאשר את שם מסיכת הפילוח של ברירת המחדל.
    2. לחץ על אישור עבור מיקומים שנטענו כדי לאשר את מאפייני התמונה.
    3. בחר לא כדי למנוע טעינה של נתוני פלואורסצנטיות נוספים.
  5. בבורר המצבים (איור 6, "בורר מצבים"), בחר את המצב פילוח ומעקב.
  6. מצא את הגדרות העיבוד המקדים הטובות ביותר.
    1. נווט אל תמונה > עיבוד מקדים... בשורת התפריטים העליונה כדי לפתוח את חלון העיבוד המקדים המותאם אישית (איור 7A).
    2. בחר הסר פיקסלים חמים או שלב עיבוד מקדים רצוי אחר בתפריט הנפתח.
    3. השתמשו בסמל גלגל השיניים כדי לאתחל ולשנות הגדרות עבור שלב. השתמש בלחצן המידע כדי להציג מידע אודות השלב והפרמטרים הזמינים. השאר את ההגדרות ללא שינוי.
    4. השתמש בסמל הפלוס כדי להוסיף שלב אחד נוסף.
    5. בחר שנה את קנה המידה של עוצמות ואשר את ההגדרות על-ידי חזרה על שלבים 5.6.1 ו- 5.6.2.
    6. סמן את תיבת הסימון של התצוגה המקדימה כדי לראות את השפעות השלבים בזמן אמת.
    7. לחץ על החל על כל המסגרות (איור 7ב).
    8. לחץ על שמור נתונים מעובדים מראש כדי להתחיל בתהליך השמירה.
    9. לחץ על אישור כדי לאשר את שם ברירת המחדל.
    10. סגור את חלון המתכון לעיבוד מקדים .
  7. מצא את הגדרות הפילוח הטובות ביותר.
    1. בחר מקטע > מסגרת מוצגת של פלח שוק ברצועת הכלים העליונה ולאחר מכן בחר YeaZ_v2 (איור 8A).
    2. לחץ על אישור כדי להוריד YeaZ_v2 אם תתבקש לעשות זאת.
      הערה: ההורדה עשויה להימשך מספר דקות. ההתקדמות מוצגת בחלון המסוף. אל תסגור את ממשק המשתמש הגרפי במהלך ההורדה, גם אם אינך מגיב.
    3. השאר את פרמטרי ברירת המחדל ללא שינוי.
      הערה: רוב הפרמטרים כוללים לחצני מידע המספקים הדרכה מפורטת.
    4. אפשר עיבוד לאחר על ידי בדיקת פרמטרי פילוח לאחר עיבוד (איור 8B).
    5. קבל את הפרמטרים על-ידי לחיצה על אישור.
      הערה: הפילוח עשוי להימשך רגע, בהתאם למורכבות הדגם, גודל התמונה ומפרט המחשב. במיוחד, גרסה 4 של Cellpose יכולה להיות איטית מאוד.
    6. אם תישאל לגבי הפעלת פילוח אוטומטי, בחר לא.
    7. ודא שהפילוח פועל כהלכה.
    8. חזור על שלב 5.7.1 כדי לפתוח מחדש את פרמטרי הפילוח.
    9. אם תוצאות הפילוח הן כצפוי, לחץ על שמור את כל הפרמטרים בקובץ המתכון. אחרת, שנה את פרמטרי הפילוח וחזור על שלבים 5.7.4 עד 5.7.8.
    10. השתמש בקלט הטקסט כדי לתת למתכון הפילוח את מבחן השם.
    11. לחץ על אישור כדי לקבל את השם.
    12. לחץ על אישור כדי לסיים את שמירת זרימת העבודה.
    13. סגור את מסך בחירת הפרמטרים.
  8. סגירת חלון ממשק המשתמש הגרפי
    1. סגור את חלון ממשק המשתמש הגרפי.
    2. לחץ על לא כדי לא לשמור לפני הסגירה.

6. פילוח ומעקב (עיבוד אצווה)

  1. לחץ על הפעל מודול סגמנטציה... בחלון הראשי (איור 1A, מודול "פלח ומסלול").
    1. בחר את הנתונים לדוגמה. השתמש/י בבורר התיקיות של Cell-ACDC כדי לבחור את התיקיה המכילה את הנתונים ולאחר מכן לחץ/י על ״בחר תיקיה ״ כדי לאשר את הבחירה.
  2. בחר את הפרמטרים לעיבוד אצווה.
    1. בחר את הערוץ phase_contr_preprocessed כערוץ לפילוח. לחץ על אישור כדי לאשר את הבחירה.
      הערה: דגמים מסוימים משתמשים בערוץ נוסף כקלט. ניתן לבחור ערוץ זה מאוחר יותר בעת הגדרת פרמטרי פילוח אחרים.
    2. אשר את מאפייני התמונה על-ידי לחיצה על אישור.
  3. הגדר את הגדרות מודל הפילוח.
    1. בחר YeaZ_v2 כמודל שיש להשתמש בו לסגמנטציה, ולאחר מכן אשר את הבחירה על ידי לחיצה על אישור.
    2. לחץ על הלחצן טען מתכון שמור... כדי לטעון את המתכון הקודם שנשמר.
    3. בחר segmentation_recipe_test.ini מהרשימה ולאחר מכן אשר את הבחירה על-ידי לחיצה על אישור.
    4. סגור את הודעת הטעינה המוצלחת על-ידי לחיצה על אישור.
    5. אשר את הפרמטרים על-ידי בחירה באישור.
  4. אשר הגדרות פילוח אחרות.
    1. הקש אישור כדי לקבל את שם ברירת המחדל עבור קובץ הפילוח.
    2. בחר לא כדי לאשר שיש לפלח את התמונה כולה.
    3. בחר Ok כדי להגדיר את מסגרת העצירה כמסגרת הסופית של קיטועי הזמן.
  5. הגדר את הגדרות המעקב. בחר YeaZ כשיטת המעקב שבה יש להשתמש, ולאחר מכן אשר את הבחירה על ידי לחיצה על אישור.
  6. הפעל את שגרת הפילוח והמעקב.
    1. לחץ על הפעל כעת כדי להפעיל את צינור הפילוח והמעקב.
      הערה: פעולה זו עשויה להימשך מספר שעות בהתבסס על גודל התמונה, מורכבות הדגם ומפרטי המחשב. בריצות בדיקה, הפילוח של נתוני הבדיקה עם YeaZ_v2 ארך כ-2 דקות במכשיר ללא GPU.
    2. לחץ על אישור כדי להשלים את הפילוח.

7. תיקון שגיאות פילוח ומעקב

הערה: באופן כללי, תאים חסרים במסגרת הנוכחית בהשוואה לקודמת מסומנים על ידי קו מתאר צהוב ומזהה. תאים שזוהו לאחרונה מופיעים עם מזהה אדום וקו מתאר עבה. תאים שהתקבלו כאבודים מוצגים עם קו מתאר ירוק ותעודת זהות.

  1. לחץ על הפעל ממשק משתמש גרפי... בחלון הראשי (איור 1A, מודול "הדמיה ותקן").
  2. טען את הנתונים לדוגמה.
    1. לחץ על סמל התיקיה בסרגל הכלים של החלון החדש.
    2. בחר את התיקיה המכילה את הנתונים ולאחר מכן לחץ על בחר תיקיה כדי לאשר את הבחירה.
  3. בחר ערוץ לתצוגה חזותית. השתמש בתפריט הנפתח כדי לבחור את הערוץ phase_contr_preprocessed ולאחר מכן בחר אישור כדי לאשר.
  4. בחר שם מסיכת פילוח. בחר טען נבחר כדי לטעון את קובץ הפילוח שנוצר בשלב הקודם.
  5. סיים את תהליך טעינת הנתונים.
    1. אשר את מאפייני התמונה על-ידי לחיצה על אישור עבור מיקומים שנטענו.
    2. בחר לא כדי למנוע טעינה של נתוני פלואורסצנטיות נוספים.
  6. השתמש בבורר המצבים (איור 6, "בורר מצבים") כדי לבחור במצב פילוח ומעקב .
    הערה: השתמש בתיבות הסימון בתחתית ממשק המשתמש הגרפי כדי לשנות את הביאורים המוצגים. התמונות השמאלית והימנית יכולות להציג ביאורים שונים.
  7. בחרו עוקב בזמן אמת. בשורת התפריטים (איור 6, "שורת תפריטים"), נווט אל מעקב > בחר אלגוריתם מעקב בזמן אמת ובחר את הגשש הרצוי בזמן-אמת. השתמש בשלבים של Cell-ACDC או Cell-ACDC 2 עבור שמרים ניצנים או חלוקה סימטרית של Cell-ACDC עבור אורגניזמים אחרים.
  8. תקן את הפילוח והמעקב.
    1. השתמש במקשי החצים שמאלה וימינה כדי לנווט בין מסגרות.
    2. נווט למסגרת 10.
    3. לחץ על המקש S כדי להפעיל את הכלי הידני להפרדת ניצנים.
    4. השתמש בלחיצה ימנית כדי לפצל באופן אוטומטי את מסיכת הפילוח של תא 1.
    5. נווט למסגרת 14.
    6. לחץ על מקש B כדי להפעיל את המברשת.
    7. צייר את מסכת הסגמנטציה החסרה עבור הניצן באמצעות לחצן העכבר השמאלי.
    8. עברו על המסגרות הבאות תוך תיקון שגיאות פילוח ומעקב אחר שגיאות. השתמש בכלים הזמינים (איור 6, "ערוך סרגל כלים"). תקן לפחות עד מסגרת 42.
      הערה: לרוב הכלים יש תיאור כלי המסביר את הפונקציונליות שלהם. רחף מעל כלי כדי להציג את תיאור הכלי.

8. הערות מחזור התא

הערה: עבור לשלב זה רק לאחר סיום תיקוני הפילוח והמעקב עבור כל המסגרות המעניינות. השתמש במצב ההערות הנכון בהתאם לסוג חלוקת התא (סימטרי, למשל, תאי יונקים, או אסימטרי, למשל, שמרים ניצנים). לנתוני המדגם, עיין ב"תאים המתחלקים באופן אסימטרי", שלב 8.1. שלב 8.2 מתאר את זרימת העבודה הכללית עבור תאים מתחלקים סימטריים.

  1. תאים המתחלקים בצורה אסימטרית
    הערה: עבור אורגניזמים כמו שמרים ניצנים, ניתן להקצות ניצנים לאמהות. שני האובייקטים צריכים להיות נוכחים באותה מסגרת. כברירת מחדל, מוצג שלב מחזור התא הצפוי על סמך ההערות לשמרים ניצנים. שלב מחזור התא של ניצנים מוצג באדום, בעוד זה של כל שאר האובייקטים מוצג בלבן. אמהות מחוברות לניצנים שלהן בקו צהוב מקווקו.
    1. הפעל ניתוח מחזור תא באמצעות בורר האופנים (איור 6, "בורר מצבים").
    2. בחר כן, עבור למסגרת 1 כאשר תתבקש לעשות זאת.
    3. השתמש במקשי החצים שמאלה וימינה כדי לנווט בין מסגרות.
    4. נווט למסגרת 41. לחץ על אישור כדי לקבל את האתחול של הטבלה ביאור מחזור תאים כאשר תתבקש לעשות זאת.
    5. לחץ לחיצה ימנית על תא 1 או על הניצן שלו כדי להפריד את החיבור ולהוסיף הערות לאירוע חלוקת התא.
    6. המשך עד לצפייה בכל המסגרות הרלוונטיות. תיקון טעויות בהקצאות ניצני האם האוטומטיות באמצעות הכלים הזמינים (איור 6, "עריכת סרגל הכלים").
    7. כלים זמינים
      הערה: ניתן להפעיל כלים אלה, למעט הכלי Break/Rebind Mother-Bud Association , באמצעות קיצור דרך הניתן להתאמה אישית, או על-ידי לחיצה על הלחצנים המתאימים בסרגל הכלים.
      1. הקצאת ניצן לאם (A): הפעל את הכלי Assign Bud to Mother . לחץ והחזק את לחצן העכבר הימני על הניצן. גרור לתא האם המתאים ושחרר את לחצן העכבר.
        הערה: השתמש בכלי זה כאשר ההקצאה האוטומטית של ניצנים לאמהות שגויה.
      2. הוספת ביאורים להיסטוריה לא ידועה (U): הפעל את הכלי ביאורים להיסטוריה לא ידועה . השתמש בלחצן העכבר הימני כדי ללחוץ על התא שאמור להיות מבואר כבעל היסטוריה לא ידועה.
        הערה: השתמש בכלי זה כדי להוסיף ביאורים ידניים לתאים עם היסטוריה לא ידועה, ולסייע בתיקון אי בהירות שושלת כאשר הסקה אוטומטית אינה מספיקה.
      3. אתחול מחדש של ביאור מחזור התא
        הערה: השתמש באפשרות זו כדי להפעיל מחדש את אלגוריתם הביאור של מחזור התא מהמסגרת הנוכחית ואילך. זה מבטיח עקביות עם תיקונים או עדכונים אחרונים שבוצעו בנתוני פילוח/מעקב.
      4. שבירה/כריכה מחדש של שיוך אם-ניצן: ודא שלא נבחר כלי אחר. לחץ לחיצה ימנית על זוג אם-ניצן קיים כדי לנתק את השיוך, או לחץ לחיצה ימנית שוב כדי ליצור מחדש את החיבור.
  2. תאים מתחלקים סימטריים
    הערה: תכונה זו נמצאת בבדיקות בטא ותשוחרר רשמית בקרוב. ניתן להקצות שני תאי בת או יותר לתא אם יחיד. תאי אם פוטנציאליים הם אלה הקיימים במסגרת הקודמת אך נעדרים במסגרת הנוכחית, בעוד שתאי בת פוטנציאליים הם תאים חדשים המופיעים במסגרת הנוכחית.
    1. הפעל חילוק נורמלי: עץ שושלת באמצעות בורר המצבים (איור 6, "בורר מצבים").
    2. בחר כן, עבור למסגרת 1 כאשר תתבקש לעשות זאת.
    3. השתמש במקשי החצים שמאלה וימינה כדי לנווט בין מסגרות.
    4. תקן טעויות בהקצאות האוטומטיות של אם-בת באמצעות הכלים הזמינים (איור 6, "ערוך סרגל כלים").
    5. הפצת שינויים כאשר תתבקש לעשות זאת על-ידי לחיצה על הפצה.
    6. כלים זמינים
      הערה: ניתן להפעיל כלים אלה באמצעות קיצור הדרך או הלחצנים המתאימים בסרגל הכלים.
      1. חפש את האם עבור מזהה תא חדש (F): הפעל את הכלי חפש אם עבור מזהה תא חדש . לחץ לחיצה ימנית על התא החדש כדי לעבור בין תאי אם מועמדים. Shift + לחיצה ימנית כדי לעבור אחורה בין המועמדים.
        הערה: השתמש בכלי זה כדי להקצות או לשנות את האם של תא בת.
      2. Set Unknown Mother (U): הפעל את הכלי Set Unknown Mother . לחץ לחיצה ימנית על התא שאמו אינה ידועה.
        הערה: השתמש בכלי זה כדי להגדיר באופן ידני אם של תא כלא ידועה.

9. שמירת נתונים

  1. נווט אל קובץ > שמור ברצועת הכלים העליונה.
  2. לחץ על הגדר מדידות... כדי לבחור את המידות הרצויות.
  3. סמן את תיבת הסימון לצד מדדי mCitrine, או כל מדידה אחרת הרצויה.
  4. לחץ על אישור כדי לאשר.
  5. לחץ על כן כדי לשמור את המדידות
  6. לחצו על 'אשר' כדי לאשר את המסגרת שבה יש לשמור את המידות.
  7. לחץ על לא כאשר תתבקש לגבי שרשור נתונים.

10. צור את מבנה הנתונים

הערה: סעיף זה דן בהכנת נתוני המיקרוסקופיה לפילוח ומעקב. ניתן לדלג על כך כאשר נעשה שימוש בנתוני הדגמה, אשר יורדים ב"הורדת נתונים לדוגמה". מבנה הנתונים שייווצר מתואר באיור 9.

  1. הנח את קבצי המיקרוסקופיה בתיקייה ריקה.
    הערה: תבניות מיקרוסקופיה כגון .czi (Zeiss), .lif (Leica) ו-.nd2 (Nikon), כמו גם קובצי .tif ו-.png בודדים, נתמכים.
  2. לחץ על המודול 0. צור מבנה נתונים... בחלון הראשי (איור 1A, מודול "יצירת מבנה נתונים").
  3. בחר BioIO או מאקרו פיג'י.
    1. אם נעשה שימוש ב-Windows , לחץ על השתמש ב-BioIO, בעוד שעבור משתמשי MacOS ו-Linux , בחר השתמש במאקרו פיג'י.
      הערה: בהמשך, ההנחה היא שנעשה שימוש ב-Windows.
    2. אם תתבקש להתקין את BioIO, לחץ על אישור כדי להתקין.
    3. בחר את סידור קובץ המיקרוסקופיה. בחר באפשרות התואמת את סידור קבצי המיקרוסקופיה באמצעות התפריט הנפתח, ולאחר מכן לחץ על אישור כדי לאשר.
  4. בחר תיקיות מקור ויעד ואסטרטגיית טעינת נתונים
    1. לחץ על סיום כדי לאשר שהקבצים נמצאים בתיקייה ריקה אחרת.
    2. השתמש בבורר התיקיות של Cell-ACDC כדי לבחור את התיקיה המכילה את הקבצים.
    3. לחץ על בחר תיקיה כדי לבחור תיקיה.
    4. לחץ שוב על בחר תיקיה כדי לבחור את אותה תיקיה כמו תיקיית היעד.
      הערה: קובץ המיקרוסקופיה הגולמי אינו נמחק.
    5. בחר כן, טען את כל הפוזיציה בבת אחת.
  5. אם תתבקש להתקין חבילת משנה של BioIO, לחץ על אישור כדי להתקין.
  6. הגדר את המטא נתונים עבור קובץ הקלט.
    1. תקן את המטה-נתונים.
      הערה: בדוק שוב את "סדר המידות" על ידי לחיצה על סמל העין הקטן ליד שדות שם הערוץ . מטא-נתונים אחרים שלא ניתן היה לטעון מהקובץ הגולמי מסומנים.
    2. לחץ על אישור כדי לאשר את המטה-נתונים.
    3. לחץ על כן כדי לאשר את סדר המידות.
  7. המתן לסיום התהליך.
  8. לחץ על כן כדי לסגור את החלון בסיום התהליך.
    הערה: יצירת מבנה הנתונים עשויה להימשך שעות, בהתאם לגודל הנתונים.

11. כלי עזר לעיבוד נתונים

הערה: מספר אפשרויות לעיבוד תמונות לפני המעבר לניתוח זמינות בחלון הראשי. כדי לגשת לכלים אלה, עבור לתפריט הנפתח כלי עזר בשורת התפריטים של החלון הראשי (איור 1B, "כלי עזר"), רחף מעל עיבוד מקדים של תמונה ולאחר מכן בחר באפשרות שבה יש להשתמש. שתי דוגמאות הן:

  1. שילוב ערוצים: השתמש באפשרות זו כדי למזג שני ערוצי תמונה או יותר.
    הערה: למשלample, ניתן לחשב ממוצע של שני ערוצי פלואורסצנטיות.
  2. שינוי גודל תמונות: השתמש באפשרות זו כדי להקטין את הגודל של ערכות נתונים גדולות מאוד של תמונות.
    הערה: זה יכול להאיץ משמעותית את זמן העיבוד, ובמקרים רבים, יש לו השפעה מועטה או ללא השפעה על איכות הפילוח.

12. פתרון בעיות

  1. אם Cell-ACDC קורס, צור דוח באגים בדף GitHub של Cell-ACDC על ידי ניווט לכרטיסייה בעיות ולחיצה על הלחצן הירוק בעיה חדשה . עקוב אחר התבנית שסופקה כדי לכלול את כל הפרטים הרלוונטיים הדרושים לאבחון ולפתרון הבעיה. לחלופין, אל תהסס לבקש עזרה בפורום image.sc באמצעות התגית #cell-acdc או ליצור קשר עם אחד המחברים המתאימים. במקרים רבים, במיוחד לאחר התקנת חבילה, הפעלה מחדש של התוכנה עשויה לפתור את הבעיה.
  2. אם Cell-ACDC קופא או מפסיק להגיב, בדוק אם קיימים עדכוני התקדמות בקונסולה. זמני פילוח ארוכים, במיוחד בעת שימוש במודלים אינטנסיביים מבחינה חישובית, כגון Cellpose גרסה 4, או עיבוד מערכי נתונים גדולים, הם נורמליים. אם Cell-ACDC נשאר לא מגיב, עיין בשלב 12.1 להוראות נוספות.
  3. אם פילוח אוטומטי כולל רקע, בדוק אם שלב עיבוד מקדים החליק את הרקע יתר על המידה. מודלים רבים של פילוח מאומנים על תמונות גולמיות (לא מעובדות מראש) ועשויים לבצע ביצועים גרועים כאשר הרקע חסר מרקם מספיק.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

כימות נפח גרעיני בספרואידים של גידול בתלת מימד

מיקרוסקופיה תלת מימדית אוטומטית (z-stacks) מאפשרת למדענים לדמיין מערכות רב-תאיות מורכבות כגון אורגנואידים. כדי לכמת את תכונות האות המורפולוגיות והפלואורסצנטיות ברמת התא הבודד, לעתים קרובות נדרש פילוח תאים בתלת מימד. הדוגמה הבאה מדגימה כיצד Cell-ACDC יכול לפלח את הגרעינים באורגנואידים המכילים אלפי תאים מתעלת הצביעה הגרעינית ולכמת את נפחם (נתונים מ-Ref.9). הפילוח בוצע באמצעות מודל Cellpose מותאם אישית שהוכשר ופורסם ב-Ref.9. ניתן להשתמש במודל Cellpose המאומן ישירות ב-Cell-ACDC על ידי מתן נתיב קובץ המשקולות בממשק המשתמש הגרפי בעת בחירת פרמטרי המודל עבור Cellpose v2. הפילוח בוצע באמצעות המודול השני של Cell-ACDC כדי לעבד את כל התמונות (איור 1A, מודול "פלח ומסלול"). לאחר מכן, התוצאה הומחשה בממשק המשתמש הגרפי של המודול השלישי (איור 1A, מודול "הדמיה ותיקון"). מודול זה עבר אופטימיזציה כדי להמחיש אלפי אובייקטים בודדים עם אפשרויות הערות מרובות (למשל, קווי מתאר, מסכות פילוח שכבת-על או מזהי טקסט). לאחר חישוב המדידות ממסכות התלת מימד, כל המדידות הזמינות תועדו ישירות בממשק המשתמש. ניתן לגשת אליהם על-ידי מעבר לשורת התפריטים העליונה (איור 6, "שורת התפריטים"), בחירה בתפריט מדידות ולאחר מכן הגדרת מידות.... תיבת הדו-שיח המוקפצת מאפשרת למשתמשים לקבל מידע ספציפי למדידה מכפתורי המידע ולבחור אילו מדידות לשמור. עבור התוצאות המייצגות באיור 10, נעשה שימוש ב"cell_vol_fl_3D", שהוא הנפח של כל אובייקט המחושב על ידי הכפלת סך הווקסלים באובייקט בגודל הפיקסלים בריבוע ובעומק הווקסל. מאפיינים אלה מחולצים אוטומטית מקובץ המיקרוסקופיה הגולמי או מסופקים על ידי המשתמש. חישוב המדידות מממשק משתמש גרפי זה דורש טעינת התמונות הגולמיות. לפיכך, כדי לייעל את התהליך ולאפשר עיבוד אצווה, ניתן לחשב את המדידות גם מתפריט כלי עזר (איור 1B, "כלי עזר"), על ידי מעבר לתפריט המשנה מדידות ולאחר מכן חישוב מדידות עבור ניסוי אחד או יותר. לבסוף, התפלגות הנפח הגרעיני תוארה כתוצאה מייצגת (איור 10). ניתוח זה חושף חלק משמעותי של גרעינים קטנים, ככל הנראה עקב חפצי סגמנטציה. ניתן היה להסיר אותם בקלות על ידי סינון חפצים קטנים ממסכת הפילוח. יחד עם זאת, הגרעינים הגדולים מאוד יכולים לנבוע מגרעינים ממוזגים במהלך הסגמנטציה. תמיד מומלץ לשרטט את התפלגות הנפח של אובייקטים (למשל, תאים בודדים) כדי לזהות חפצים ולחלץ מידע ביולוגי נוסף על גודל התא.

כימות נתוני מיקרוסקופ זמן-lapse

עם מיקרוסקופ זמן-lapse, ניתן לצפות ישירות בדינמיקה התאית ברמת התא הבודד. מלבד פילוח תאים, חילוץ דינמיקה זמנית דורש ניתוח נוסף, כולל מעקב אחר תאים והערות אילן יוחסין של תאים. בשל התלות ההדדית של שלבי ניתוח אלה, שגיאות שהוצגו בשלב מוקדם בצנרת יכולות להתפשט לשלבים מאוחרים יותר. כתוצאה מכך, יש צורך בהדמיה מתמשכת ותיקון של שגיאות פילוח, מעקב והערות. להלן מדגים כי Cell-ACDC מתאים להתמודדות עם משימות אלה. נבחרו שני מערכי נתונים של שני אורגניזמים שונים במודל: 1) שמרים ניצנים (זן DCY001-1 מ-Ref.35, שבו שני חלבוני ההיסטון H2B, Htb1 ו-Htb2, מתויגים ב-mCitrine), ו-2) תאי גזע עובריים של עכבר (mESCs, נתונים מ-Ref.22).

שני מערכי הנתונים הללו מדגישים שני מצבי הערות הזמינים ב-Cell-ACDC: חלוקת תאים אסימטרית וסימטרית (כלומר, ציטוקינזיס סימטרית, או "נורמלית"). מכיוון שאופן החלוקה שונה, שני האורגניזמים דורשים מסגרת מעקב והערות שונה.

בחלוקה אסימטרית, תא האם יוצר ניצן שגדל ובסופו של דבר נפרד והופך לתא בת. לאחר החלוקה, תא האם שומר על מזהה התא המקורי שלו, ומספר הדור שלו גדל באחד, בעוד שתא הבת מקבל מזהה תא חדש ומספר הדור שלו מוגדר לאחד. שלב הנביטה תואם את שלבי ה-S/G2/M של מחזור התא ומסומן ככזה ב-Cell-ACDC. בחירות הערות אלו עוזרות לענות על שאלות ביולוגיות טיפוסיות הקשורות למחזור התא בשמרים ניצנים.

במקרה של חלוקה "סימטרית" (למשל, תאי יונקים), תא האם מתחלק לשני תאי בת. תא האם, כלומר תעודת הזהות שלו, נעלם עם החלוקה, ושני תאי הבת מקבלים תעודות זהות חדשות. בנוסף, מספר הדור של תאי הבת גדל באחד ביחס לתא האם. Cell-ACDC גם עוקב אחר מזהה האב, מזהה השורש (תא האב המקורי בתחילת שושלת) ומזהה האחות.

עבור שני מצבי הביאור, פותחה מסגרת חדשנית לתיקון שגיאות ביאור, כאשר התיקון מופץ אוטומטית לכל נקודות הזמן הרלוונטיות בעבר ובעתיד. ההדמיה, ההערות והתיקון בוצעו בממשק המשתמש הגרפי של המודול השלישי (איור 1A, מודול "הדמיה ותקן" ואיור 6). כדי לפלח ולעקוב אחר התאים במערך הנתונים 1, המודל YeaZ_v226 הוחל על ערוץ ניגודיות הפאזה, ואילו עבור הערוץ הגרעיני (היסטון) נעשה שימוש במודל StarDist25 . לאחר מכן, באמצעות כלי השירות מעקב ושושלת > מעקב ו/או ספירת אובייקטים תת-תאיים (איור 1B, שורת התפריטים של כלי עזר ), Cell-ACDC הקצה לכל גרעין את מזהה התא של התא המתאים לו, והבטיח עקביות בין הטבלאות שנוצרו ממסכות התא והגרעין.

עבור מערך נתונים 2, נעשה שימוש במודל הפילוח של DeepSea22 . כל שלושת הדגמים כבר זמינים ב-Cell-ACDC, ומציגים את היתרון של שילוב מספר מודלים של פילוח בתוכנה.

לאחר תיקון שגיאות פילוח ומעקב, הוערו אילן היוחסין של התאים, חושבו תכונות מספריות ובוצע ניתוח במורד הזרם. עבור מערך נתונים 1, TaYFP_amount_autoBkgr העמודה ומספר הגרעינים המפולחים (איור 11A) הותוו כנגד הזמן. "TaYFP" הוא שמו של הערוץ הגרעיני. "amount_autoBkgr" הוא פרוקסי לכמות החלבון הסלולרית הכוללת המופקת מתמונות אפיפלואורסצנטיות36. הוא מחושב כהפרש בין עוצמת הקרינה הממוצעת בכל מסיכת תא לבין חציון הרקע, כפול שטח התא (בפיקסלים). כאן, חציון הרקע מחושב מכל הפיקסלים שאינם מפולחים כתאים. כצפוי, כמות ה-H2B מתחילה לעלות עם הופעת הניצנים (איור 11A-ii) ומגיעה לערך קבוע לפני החלוקה הגרעינית (איור 11A-iii). זוהי בקרת איכות חשובה בהומאוסטזיס של חלבון היסטון, שכן כמות חלבוני ההיסטון צפויה להיות תלויה במחזור התא. בנוסף, שרטוט מספר הגרעינים לאורך זמן מאשר שכמויות חלבון ההיסטון מגיעות למקסימום בערך סביב חלוקה גרעינית.

עבור מערך נתונים 2, שטח התא לאורך זמן עבור תא נבחר העובר חלוקת תאים תווים. כצפוי, שטח התא גדל עד שמגיע לערך מקסימלי (איור 11B-i). לאחר מכן, הוא יורד עד לחלוקת התא (איור 11B-ii) כאשר התא מתכווץ. לבסוף, המחזור מתחיל מחדש עבור שני תאי הבת. זהו ניתוח מומלץ נוסף מכיוון שבדיקת שינויים בגודל התא לאורך מחזור התא חיונית כדי לאשר שהתאים גדלים ומתחלקים כצפוי (או לא במקרה של מוטציות ספציפיות).

figure-results-1
איור 1: מודולי Cell-ACDC. (A) סקירה כללית של 4 המודולים העיקריים שניתן לשגר ממשגר Cell-ACDC הראשי. לאחר פילוח, מעקב והערות נתוני מיקרוסקופיה, ניתן לחשב תכונות מספריות מהמודול השלישי ("הדמיה ותקן"), או מ-(ב) תפריט כלי השירות בשורת התפריטים העליונה. "כלי העזר" הם השגרות שיכולות לפעול באופן אוטומטי במספר מערכי נתונים ללא קלט משתמש. מלבד חישוב המדידות, כלי עזר אחרים כוללים שרשור של טבלאות פלט מרובות לטבלה אחת, מעקב אחר אובייקטים תת-תאיים ועיבוד מקדים של תמונה. Cell-ACDC תומך בנתונים דו-ממדיים, תלת-ממדיים (z-stack או קיטועי זמן) ו-4D (ערימות z לאורך זמן), עם מספר בלתי מוגבל של ערוצים נוספים. לאחר מכן ניתן להשתמש בטבלת הפלט עם התכונות המספריות לניתוח במורד הזרם וגילוי ביולוגי (איור 10 ואיור 11). לשם כך זמינות מחברות Jupyter בדף GitHub של Cell-ACDC, הכוללות דוגמאות לעלילות שניתן להשיג מטבלת הפלט. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-2
איור 2: תרשים זרימה של החלטות Cell-ACDC. תרשים זרימה המתאר את המודול לשימוש בהתאם לסוג מערך הנתונים ודרישות הניתוח. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-3
איור 3: הורד נתונים לדוגמה. (א) פתח את מדריך קבלת הפנים. (ב) הורד נתונים לדוגמה הנדרשים לשכפול הפרוטוקול. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-4
איור 4: טעינת נתונים עבור הכנת נתונים. (א) טען נתונים לממשק המשתמש הגרפי של הכנת הנתונים. (ב) בחר ערוץ לטעינה. (ג) לערוך ולאשר מטא-נתונים של תמונה. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-5
איור 5: הפעל תהליך הכנת נתונים. (א) התחל את התהליך. (ב) מיקום החזר ROI (לחיתוך) והחזר ROI ברקע. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-6
איור 6: ממשק משתמש גרפי של מודול שלישי להמחשה ותיקון תוצאות. צילום מסך של ממשק המשתמש הגרפי של המודול השלישי ("הדמיה ותקן" באיור 1A) עם פריטים מודגשים. שימו לב שלרוב הכפתורים בסרגלי הכלים יש תיאור כלי (נגיש על ידי ריחוף עם סמן העכבר מעל הכפתור) שמסביר כיצד להשתמש בפונקציה הספציפית הזו. ניתן להשתמש בבורר המצבים כדי לעבור בין 5 מצבים: "צופה", "פילוח ומעקב", "ניתוח מחזור תא" (לתאים המתחלקים בצורה אסימטרית), "חלוקה נורמלית: עץ שושלת" (לתאים המתחלקים באופן סימטרי, למשל, תאי יונקים), ו"הערות מותאמות אישית". שימו לב שסרגל כלים או שורת תפריטים קיימים לעתים קרובות בממשקי המשתמש הגרפיים האחרים (למשל, מודול "עיבוד מקדים של נתונים", איור 1). סרגל הכלים עריכה מכיל את כל הפונקציות שניתן להשתמש בהן כדי לערוך ולתקן שגיאות פילוח ומעקב (למשל, מברשת, מחק, מזהה עריכה וכו'). התמונה שנטענה מוצגת בתצוגה של שני פאנלים, וזה מועיל כאשר יש צורך באפשרויות הערות שונות (למשל, מידע על מחזור התא בתמונה השמאלית ומזהים בתמונה הימנית). ניתן גם לכבות את התמונה הימנית (לחץ לחיצה ימנית על התמונה ובטל את הבחירה באפשרות הצג תמונת שיקוף). כל חלונית תמונה כוללת מחוון LUT בצד כדי להתאים במהירות את רמות העוצמה. על-ידי לחיצה באמצעות לחצן העכבר הימני על פקד LUT, המשתמש יכול לבחור מפות צבע שונות עבור תמונות העוצמה. בנוסף, בצד ימין, יש בורר LUT לצבע תוויות הפילוח לכיסוי על תמונות העוצמה (אפשרות ביאור הנקראת Segm. masks). בצד שמאל של אפשרויות הביאור עבור התמונה השמאלית, ישנם מתגים נוספים לשליטה בהגדרות מסוימות, כגון שמירה אוטומטית, גודל גופן וכו'. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

figure-results-7
איור 7: הדמיה של עיבוד מקדים בממשק המשתמש הראשי. (A) דיאלוג פתוח לעיבוד מקדים. (B) דיאלוג עיבוד מקדים עם פרמטרים המשמשים באתחול פרוטוקול. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-8
איור 8: דמיין את פלט הפילוח בממשק המשתמש הראשי. (א) בחר מודל סגמנטציה. (ב) קביעת פרמטרים לסגמנטציה. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-9
איור 9: מבנה התיקיות הנדרש על ידי Cell-ACDC. כדי לעבוד עם Cell-ACDC, יש לסדר את הנתונים במבנה תיקיות ספציפי. בעוד ש- Cell-ACDC מספק מודול ליצירה אוטומטית של מבנה זה, חשוב להבין כיצד מבנה זה צריך להיראות. ראשית, כל הקבצים חייבים להיות בתוך תיקיה בשם תמונות. לאחר מכן, כולם צריכים להתחיל באותו שם, מה שמכונה "basename_". הערכה המינימלית של הקבצים הנדרשים היא קובץ TIFF חד-ערוצי, (2D, 3D-stack או 3D+time) וקובץ CSV המסתיים ב-"_metadata.csv". קובץ זה חייב להיות טבלה עם שתי עמודות, העמודה הראשונה נקראת תיאור והעמודה השנייה נקראת ערכים, והוא צריך להכיל לפחות ערכים עבור SizeT ו - SizeZ עבור מספר המסגרות ופרוסות z, בהתאמה. אם קובץ תמונה אינו כולל פרוסות z, יש לקבוע את SizeZ על 1. הדבר נכון גם לגבי תמונות ללא דולג זמן, שבהן SizeT חייב להיות 1. בהיותו קובץ CSV, ערך הוא שורה אחת של תיאור,ערך, המופרדת על ידי פסיק, למשל, SizeZ,1. לערוצים מרובים, יש להפיק קובץ TIFF אחד לכל ערוץ. לאחר מכן יש למקם את התיקיה תמונות בתוך תיקיה בשם "Position_1". מותר לבצע מספר תפקידים, ויש לקרוא להם במספר עוקב. בעת טעינת נתונים לכל אחד ממודולי Cell-ACDC, המשתמש יכול לבחור תיקיית מיקום ספציפית או את כל תיקיית הניסוי. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-10
איור 10: כימות תלת מימד של אורגנואידים של גידול. צילום מסך של אורגנואיד גידול מייצג (נתוניםמ-9) שנטען בממשק המשתמש הגרפי של המודול השלישי של Cell-ACDC (משמאל), דוגמה לפרוסות z עם קווי מתאר אדומים המדגישים את מסכות הפילוח (במרכז), והיסטוגרמה של התפלגות נפח התא המחושבת ממסכות הפילוח התלת-ממדיות (מימין). אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-results-11
איור 11: כימות נתוני מיקרוסקופיה של זמן-lapse. (A) צילום מסך של נתוני מיקרוסקופיה של תאי שמרים ניצנים שנטענו לתוך ממשק המשתמש הגרפי של המודול השלישי של Cell-ACDC (משמאל), וכימות כמות חלבון H2B של היסטון לאורך זמן במחזור תא מייצג (מימין). התמונות המוגדלות מציגות את התא לדוגמה ואת הניצן שלו (חיצים לבנים) בתחילת מחזור התא (i), בהופעת הניצן (ii) ובחלוקה הגרעינית (iii). הנתונים נלקחו מ-Chatzitheodoridou et al.35 (B) צילום מסך של נתוני מיקרוסקופיה של תאי גזע עובריים של עכברים שנטענו לתוך ממשק המשתמש הגרפי של המודול השלישי של Cell-ACDC (משמאל) ושטח התא (מיקרומטר2) המשורטטים כפונקציה של זמן של תא מייצג העובר חלוקת תא. התמונות המוגדלות מציגות את התא לדוגמה ואת בנותיו בשטח התא המקסימלי לפני החלוקה (i), החלוקה לשני תאי בת (ii), והמסגרת האחרונה שנותחה לאחר החלוקה (iii). הנתונים נלקחו מ-Zargari et al.22,33. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

ניתוח נתוני מיקרוסקופיה רב-ממדיים דורש לעתים קרובות שימוש במודלים מתקדמים מונעי בינה מלאכותית. עם זאת, כלים אלה מפותחים במהירות ויש להם מחסום כניסה משמעותי לאימוץ. בנוסף, ביולוגים זקוקים לעתים קרובות להדמיה של התוצאה לתיקון שגיאות יעיל. כאן, מודגמת כיצד מדענים יכולים להשתמש ב-Cell-ACDC כדי להתמודד עם אתגרים אלה.

שלב קריטי בפרוטוקול המוצג הוא בחירת מודל הפילוח האופטימלי. Cell-ACDC כולל ממשק משתמש גרפי המאפשר בחירה חזותית (איור 1A, מודול "הדמיה ותיקון"). כלים להכנת נתונים ועיבוד אצווה של מערכי נתונים מרובים מסופקים גם כן (איור 1A, יצירת מבנה נתונים, עיבוד מקדים של נתונים, מודולי מקטע ומסלול וכלי עזר). אנו מעודדים את המשתמשים לדווח על בעיות ולספק משוב בפורום image.sc (באמצעות התגית #cell-acdc) או על ידי פתיחת בעיה בדף GitHub של Cell-ACDC.

בעוד ש-Cell-ACDC כבר שימש על נתונים גדולים יחסית, כגון עם ספרואידים בתמונות עם אלפי גרעינים9, או נתוני זמן-lapse של שמרים ניצנים עם מאות תאים בכל מסגרת, התוכנית חייבת לטעון את כל הנתונים החד-ערוציים ל-RAM כדי לתפקד כהלכה. מומלץ להגדיל את גודל קובץ התמונה בזיכרון הזמין פי שלושה בקירוב, כדי להבטיח ביצועים יציבים. נכון לעכשיו, לא ניתן לעבד מערכי נתונים העולים על זיכרון המערכת הזמין, אך מתוכננת תמיכה בטעינה מחוץ לליבה (עצלה) באמצעות שילוב של OME-Zarr37.

נכון לעכשיו, אחת המגבלות העיקריות של Cell-ACDC היא התמיכה החלקית במערכי נתונים 3D+time, מכיוון שרוב הכלים פותחו עבור נתוני z-stack תלת מימדיים או 2D+time. לפיכך, גרסאות עתידיות של Cell-ACDC ירחיבו את יכולותיה עם תמיכה מלאה בנתוני תלת-ממד+זמן. בנוסף, אנו עובדים על הרחבת מסגרת הערות אילן היוחסין של התא לתאים המתחלקים "באופן סימטרי" (למשל, תאי יונקים), שהם אותם תאים שבהם תא האם מתחלק לשני תאי בת (בניגוד לשמרים ניצנים, שבהם תא האם, פעם אחת בכל מחזור תא, מוליד תא בת יחיד באמצעות ניצנים). לבסוף, נכון לעכשיו, Cell-ACDC מוגבל לנתונים שהנתונים החד-ערוציים שלהם מתאימים לחלוטין ל-RAM. לכן, אנו מתכננים ליישם טעינה עצלה כאמור לעיל.

מאז השקתו, Cell-ACDC שופר ללא הרף, למשל, על ידי הוספת מודלים חדשים של פילוח ומעקב, מסגרות הערות חדשות (למשל, עבור תאי יונקים, הנמצאים כעת בבדיקות בטא), ושיפורים שונים בביצועים. הודות להתפתחויות אלה, מדענים יכלו להשתמש ב-Cell-ACDC כדי להאיץ את המחקר ולאפשר גילוי מדעי 6,9,16,35,38,39,40,41,42,43,44,45,46,47,48 ,49. מה שמייחד את מסגרת התוכנה הזו בהשוואה לשיטות הקיימות 14,27,50,51 הוא היכולת שלה למנף ולהשלים מודלים קיימים, ובכך להפיק תועלת מהפיתוחים של הקהילה. המשך הפיתוח של Cell-ACDC נשמר באופן פעיל כדי לבסס אותו כמסגרת ייחוס לניתוח נתוני מיקרוסקופיה רב-ממדית.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

המחברים מצהירים שאין להם ניגוד אינטרסים.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

אנו מודים למריו ויטאקולונה ולרודולף רודיגר על שיתוף נתוני הספרואידים באיור 10, ולעמיתים במכון לאפיגנטיקה פונקציונלית, פסקל פלטר-בראון וקרסטן מאר, על דיונים חשובים. תודה מיוחדת למספר המשתמשים שסיפקו משוב שלא יסולא בפז, בדקו תכונות חדשות ודיווחו בסבלנות על בעיות. עבודה זו מומנה על ידי קרן המחקר הגרמנית (Deutsche Forschungsgemeinschaft) באמצעות פרויקט 416098229, עמותת הלמהולץ ובית הספר המשותף למחקר מינכן למדעי הנתונים.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
מותקג'וליאן פיטש10.7554/eLife.79812תוכנת סגמנטציה ומעקב, אופציונלית, ניתנת להתקנה אוטומטית באמצעות Cell-ACDC
עוקב בייסיאניקריסטינה אוליקנה10.3389/fcomp.2021.734559תוכנת מעקב, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
Cell-ACDCפרנצ'סקו פדובאני10.1186/s12915-022-01372-6תוכנה
גרעיני שורת הנבט במיקום התאיםכריסטינה פי&נטילדה; איירו Ló pez / אנה ריטה רודריגס נבס / איבנה figure-materials-1avka10.17912/מיקרופאב. ביולוגיה.001062תוכנת סגמנטציה, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
Cellpose גרסה 2קרסן סטרינגר10.1038/s41592-020-01018-xתוכנת סגמנטציה, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
Cellpose גרסה 3קרסן סטרינגר10.1038/s41592-025-02595-5תוכנת סגמנטציה, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
גרסה 4 של Cellpose (Cellpose-SAM)מריוס  פצ'יטאריו10.1101/2025.04.28.651001תוכנת סגמנטציה, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
מחשב--ראו מפרטים מומלצים למטה
מחשב - מעבדכלשהו-מינימום מומלץ 4 ליבות, 2.5GHz 
מחשב - GPUNvidia (מועדף) -(אופציונלי) מומלץ מינימום VRAM של 8GB
מחשב - שטח הכונן הקשיחכלשהו-4GB + 3 x גודל קובץ מיקרוסקופיה
מחשב - מערכת הפעלהמיקרוסופט, אפל, אחרים-Windows, MacOS ולינוקס נתמכים
מחשב - זיכרון RAMכלשהו-3 x גודל קובץ במיקום יחיד, מינימום 16GB
דיפסיאבלפזל  זרגרי10.1016/j.crmeth.2023.100500תוכנת סגמנטציה ומעקב, אופציונלית, ניתנת להתקנה אוטומטית באמצעות Cell-ACDC
DeLTA ז'אן-בטיסט לוגאן / אוון מ. או' קונור10.1101/720615 / 10.1371/journal.pcbi.1009797תוכנת סגמנטציה ומעקב, אופציונלית, ניתנת להתקנה אוטומטית באמצעות Cell-ACDC
InstanSegתיבו גולדסבורו10.48550/arXiv.2408.15954תוכנת סגמנטציה, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
מיניפורג'קונדה-פורג'-קישור להורדת המתקין מאתר Miniforge: https://conda-forge.org/download/
אומניפוזהקווין קאטלר10.1038/s41592-022-01639-4תוכנת סגמנטציה, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
pomBseenמאקוטו אוהירה10.1371/journal.pone.0291391תוכנת סגמנטציה, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
SAM (מודל Segment Anything)אלכסנדר קירילוב10.48550/arXiv.2304.02643תוכנת סגמנטציה, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
סטארדיסטאווה שמידט / מרטין וייגרט10.1007/978-3-030-00934-2_30 / 10.1109/WACV45572.2020.9093435 / 10.1109/ISBIC56247.2022.9854534תוכנת סגמנטציה, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
טפירקרל דורש10.48550/arXiv.2306.08637תוכנת מעקב, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
טרקסטרהבנימין גאלוסרhttps://doi.org/10.48550/arXiv.2405.1570תוכנת מעקב, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
טרקפידניאל אלן10.5281/zenodo.1213240תוכנת מעקב, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
YeastMateדיוויד בנק10.1093/bioinformatics/btac107תוכנת סגמנטציה, אופציונלית, ניתנת להתקנה אוטומטית עם Cell-ACDC
YeaZניקולה דיטלר10.1038/s41467-020-19557-4תוכנת סגמנטציה ומעקב, אופציונלית, ניתנת להתקנה אוטומטית באמצעות Cell-ACDC

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Cuny, A. P., Schlottmann, F. P., Ewald, J. C., Pelet, S., Schmoller, K. M. Live cell microscopy: from image to insight. Biophys Rev. 3, 021302(2022).
  2. Hugelier, S., Colosi, P. L., Lakadamyali, M. Quantitative single-molecule localization microscopy. Annu Rev Biophys. 52, 139-160 (2023).
  3. Tavakoli, M. R., et al. Light-microscopy-based connectomic reconstruction of mammalian brain tissue. Nature. 642, 398-410 (2025).
  4. Seal, S., et al. Cell painting: a decade of discovery and innovation in cellular imaging. Nat Methods. 22, 254-268 (2025).
  5. Robertson, M. J., Meyerowitz, J. G., Skiniotis, G. Drug discovery in the era of cryo-electron microscopy. Trends Biochem Sci. 47, 124-135 (2022).
  6. Al-Refaie, N., et al. Fasting shapes chromatin architecture through an mTOR/RNA Pol I axis. Nat Cell Biol. 26, 1903-1917 (2024).
  7. Ueda, H. R., et al. Tissue clearing and its applications in neuroscience. Nat Rev Neurosci. 21, 61-79 (2020).
  8. Ko, J., Hyung, S., Cheong, S., Chung, Y., Li Jeon, N. Revealing the clinical potential of high-resolution organoids. Adv Drug Deliv Rev. 207, 115202(2024).
  9. Vitacolonna, M., et al. A multiparametric analysis including single-cell and subcellular feature assessment reveals differential behavior of spheroid cultures on distinct ultra-low attachment plate types. Front Bioeng Biotechnol. 12, 1422235(2024).
  10. Qian, N., Weinstein, J. A. Spatial transcriptomic imaging of an intact organism using volumetric DNA microscopy. Nat Biotechnol. , (2025).
  11. Wallace, C. T., St. Croix, C. M., Watkins, S. C. Data management and archiving in a large microscopy-and-imaging, multi-user facility: microscopy and data management. Mol Reprod Dev. 82, 630-634 (2015).
  12. Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nat Methods. 9, 676-682 (2012).
  13. Bankhead, P., et al. QuPath: open source software for digital pathology image analysis. Sci Rep. 7, 16878(2017).
  14. Sofroniew, N., et al. napari: a multi-dimensional image viewer for Python. Zenodo. , (2025).
  15. Padovani, F., Mairhörmann, B., Falter-Braun, P., Lengefeld, J., Schmoller, K. M. Segmentation, tracking and cell cycle analysis of live-cell imaging data with Cell-ACDC. BMC Biol. 20, 174(2022).
  16. Piñeiro López, C., Rodrigues Neves, A. R., Čavka, I., Gros, O. J., Köhler, S. Segmentation of C. elegans germline nuclei. microPubl Biol. , (2023).
  17. Ohira, M., Rhind, N. pomBseen: an automated pipeline for analysis of fission yeast images. PLoS One. 18, e0291391(2023).
  18. Goldsborough, T., et al. InstanSeg: an embedding-based instance segmentation algorithm optimized for accurate, efficient and portable cell segmentation. arXiv. , (2024).
  19. Pietsch, J. M., et al. Determining growth rates from bright-field images of budding cells through identifying overlaps. Elife. 12, e79812(2023).
  20. Bunk, D., et al. YeastMate: neural network-assisted segmentation of mating and budding events in Saccharomyces cerevisiae. Bioinformatics. 38, 2667-2669 (2022).
  21. Cutler, K. J., et al. Omnipose: a high-precision morphology-independent solution for bacterial cell segmentation. Nat Methods. 19, 1438-1448 (2022).
  22. Zargari, A., et al. DeepSea is an efficient deep-learning model for single-cell segmentation and tracking in time-lapse microscopy. Cell Rep Methods. 3, 100500(2023).
  23. Lugagne, J. B., Lin, H., Dunlop, M. J. DeLTA: automated cell segmentation, tracking, and lineage reconstruction using deep learning. PLoS Comput Biol. 16, e1007673(2020).
  24. Kirillov, A., et al. Segment anything. arXiv. , (2023).
  25. Weigert, M., Schmidt, U. Nuclei instance segmentation and classification in histopathology images with StarDist. IEEE Int Symp Biomed Imaging Challenges (ISBIC). , (2022).
  26. Dietler, N., et al. A convolutional neural network segments yeast microscopy images with high accuracy. Nat Commun. 11, 5723(2020).
  27. Stringer, C., Pachitariu, M. Cellpose3: one-click image restoration for improved cellular segmentation. Nat Methods. 22, 592-599 (2025).
  28. Pachitariu, M., Stringer, C. Cellpose 2.0: how to train your own model. Nat Methods. 19, 1634-1641 (2022).
  29. Gallusser, B., Weigert, M. Trackastra: transformer-based cell tracking for live-cell microscopy. arXiv. , (2024).
  30. Allan, D. B., Caswell, T., Keim, N. C., van der Wel, C. M., Verweij, R. W. soft-matter/trackpy: v0.6.4. Zenodo. , (2024).
  31. Ulicna, K., Vallardi, G., Charras, G., Lowe, A. R. Automated deep lineage tree analysis using a Bayesian single cell tracking approach. Front Comput Sci. 3, 734559(2021).
  32. Doersch, C., et al. TAPIR: tracking any point with per-frame initialization and temporal refinement. arXiv. , (2023).
  33. Zargari, A., et al. DeepSea is an efficient deep-learning model for single-cell segmentation and tracking in time-lapse microscopy. Cell Rep Methods. 3, 100500(2023).
  34. O'Connor, O. M., Alnahhas, R. N., Lugagne, J. B., Dunlop, M. J. DeLTA 2.0: a deep learning pipeline for quantifying single-cell spatial and temporal dynamics. PLoS Comput Biol. 18, e1009797(2022).
  35. Chatzitheodoridou, D., Bureik, D., Padovani, F., Nadimpalli, K. V., Schmoller, K. M. Decoupled transcript and protein concentrations ensure histone homeostasis in different nutrients. EMBO J. 43, 5141-5168 (2024).
  36. Schmoller, K. M., Turner, J. J., Kõivomägi, M., Skotheim, J. M. Dilution of the cell cycle inhibitor Whi5 controls budding-yeast cell size. Nature. 526, 268-272 (2015).
  37. Moore, J., et al. OME-Zarr: a cloud-optimized bioimaging file format with international community support. Histochem Cell Biol. 160, 223-251 (2023).
  38. Seshadri, A., Badrinarayanan, A. Exonuclease action of replicative polymerase gamma drives damage-induced mitochondrial DNA clearance. EMBO Rep. 26, 1385-1405 (2025).
  39. Dengler, L., et al. When mitochondria fall apart: unbalanced mitochondrial segregation triggers loss of mtDNA in the absence of mitochondrial fusion. bioRxiv. , (2025).
  40. Xiao, J., Turner, J. J., Kõivomägi, M., Skotheim, J. M. Whi5 hypo- and hyper-phosphorylation dynamics control cell-cycle entry and progression. Curr Biol. 34, 2434-2447.e5 (2024).
  41. Roussou, R., et al. Real-time assessment of mitochondrial DNA heteroplasmy dynamics at the single-cell level. EMBO J. 43, 5340-5359 (2024).
  42. Padovani, F., et al. SpotMAX: a generalist framework for multi-dimensional automatic spot detection and quantification. bioRxiv. , (2024).
  43. Lanz, M. C., et al. Genome dilution by cell growth drives starvation-like proteome remodeling in mammalian and yeast cells. Nat Struct Mol Biol. 31, 1859-1871 (2024).
  44. Kukhtevich, I., et al. The origin of septin ring size control in budding yeast. bioRxiv. , (2024).
  45. Chadha, Y., Kukhtevich, I. V., Padovani, F., Schneider, R., Schmoller, K. M. Single-cell imaging reveals a key role of Bck2 in budding yeast cell size adaptation to nutrient challenges. bioRxiv. , (2024).
  46. Seel, A., et al. Regulation with cell size ensures mitochondrial DNA homeostasis during cell growth. Nat Struct Mol Biol. 30, 1549-1560 (2023).
  47. Schuh, L., et al. Altered expression response upon repeated gene repression in single yeast cells. PLoS Comput Biol. 18, e1010640(2022).
  48. Kukhtevich, I. V., et al. Quantitative RNA imaging in single live cells reveals age-dependent asymmetric inheritance. Cell Rep. 41 (7), 111656(2022).
  49. Freitag, M., et al. Single-molecule experiments reveal the elbow as an essential folding guide in SMC coiled-coil arms. Biophys J. 121, 4702-4713 (2022).
  50. Sugawara, K., Çevrim, Ç, Averof, M. Tracking cell lineages in 3D by incremental deep learning. Elife. 11, e69380(2022).
  51. Ershov, D., et al. TrackMate 7: integrating state-of-the-art segmentation algorithms into tracking pipelines. Nat Methods. 19, 829-832 (2022).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Multidimensional MicroscopyCell ACDCBioimage AnalysisCell SegmentationCell TrackingCell Cycle AnalysisTumor OrganoidsBudding YeastNuclear SegmentationTime Lapse Microscopy

Related Articles