מבוסס-מורפולוגיה ההבחנה בין בריא פתולוגיים תאים התמרת פורייה ניצול ומפות התארגנות עצמית
28 באוקטובר 2018
כאן, אנו מספקים זרימת עבודה המאפשר זיהוי תאים בריאים ופתולוגיים בהתבסס על צורתם תלת-ממדי. אנו מתארים תהליך השימוש מתאר הקרנה 2D מבוססת על משטחים 3D לאמן מפה העצמי אשר יספקו קיבוץ באשכולות אובייקטיבית של אוכלוסיות תאים ובדוקים.
שיטה זו יכולה לעזור לענות על שאלות מפתח במחקר בסיסי ויישומים קליניים, כגון חקר הסרטן וטיפול בסרטן, אך גם בתחום האימונולוגיה. היתרון העיקרי של שיטה זו הוא כי היא שיטה סטטית וקל להקל. טכניקה זו מסוגלת לזהות באופן אוטומטי סוגי תאים חיים על סמך מאפייני הצורה והתנועה שלהם.
ההשלכות של טכניקה זו להרחיב לקראת אבחון וטיפול בסרטן או מחלות דלקתיות. שיטה זו יכולה לספק תובנות על פעולות בין תאים חיסוניים לתאי סרטן, אך ניתן ליישם אותה גם בכל תחום שבו יש צורך בנתוני מיקרוסקופיה תלת מימדיים. ייתכן שאנשים חדשים בשיטה זו יתקשו בגלל בעיותיהם לתאר ולאמת את נתוני המיקרוסקופיה התלת מימדית.
חשבנו שהדגמה ויזואלית של שיטה זו היא קריטית מכיוון שכלי התוכנה שאנו משתמשים בהם כאן אינם מוכרים לרבים מהמדענים. כדי להתחיל, השג ערכת נתונים מיקרוסקופית תלת-ממדית ברזולוציה גבוהה, כפי שמתואר בפרוטוקול הטקסט הנלווה. טען את נתוני התמונה תלת-ממדית לתוכנה לשחזור, והתחל ליצור משטח תלת-ממדי לכל עצם.
כדי להשיג זאת, בחר באפשרות תצוגת תלת-מימד ולחץ על משטחים ולאחר מכן לחץ על לחצן הבא כדי להמשיך באשף יצירת פני השטח. כעת, בחרו בערוץ התמונה לשחזור פני השטח. בחרו ערך החלקה שאינו מסתיר את פרטי המשטח אך גם נמנע ממשטחים נקבוביים.
החל את פונקציית ההחלקה על-ידי לחיצה על תיבת הסימון אפשרות חלקה ומתן רדיוס החלקה. בעת יצירת מבני דימויים תלת מימדיים של נתוני מיקרוסקופיה, חשוב במיוחד לשים לב לגורם החלקה ולשיטת הסף הנכונה, על מנת לא לאבד מאפיינים או צורות תאיים. לאחר מכן, בחר בשיטת הסף כדי למצוא את המשטחים.
השתמש בסף עוצמה מוחלט כאשר האובייקטים, כמו אלה המוצגים כאן, מופרדים היטב מהרקע ויש להם רמת בהירות אחידה בקירוב. כאשר האובייקטים משתנים בעוצמתם אך עדיין ניתן להפרידם מהרקע המקומי ומהאובייקטים האחרים המקיפים אותם, החל סף ניגודיות מקומי. הגדר את אזור חיפוש הסף המקומי לפי הערך של הקוטר הצפוי של האובייקטים ששוחזרו.
לאחר מכן, בחר מתוך רשימת אפשרויות לסינון המשטחים המשוחזרים לפי פרמטרים מורפולוגיים מעניינים. זה כולל נפח, כדוריות, יחס פני שטח לנפח ועוד. שמור וייצא את המשטחים שנוצרו בתבנית כגון VRML, התואמת לתוכנה להנפשה תלת-מימדית שתשמש בשלב הבא.
הפעל את בלנדר ולעבור ל הכרטיסיה פלט בצד ימין של החלון. בחרו בתבנית TIFF מהתפריט הנפתח והגדירו את עומק הצבע ל- RGBA של 8 סיביות. לאחר מכן, עבור למצב Scripting ונווט אל קובץ ה- Script שסופק בשם:GUI_Autorotate.
py, אשר ניתן להורדה ממגור github לעבודה זו. בחזרה בחלון הראשי, לחץ על הפעל Script, ובחר את התיקיה של קבצי wrl כאשר תתבקש להזין. לאחר מכן, עבור לתפריט ברירת המחדל.
כאן, הגדר את הסיבובים לערך ב- six או מעל. הפעל את קובץ ה- Script על-ידי לחיצה על לחצן סובב. סיבוב של שש זוויות שונות הוא בדרך כלל מספיק כדי להבחין בין אוכלוסיות הסלולר השונות, עם זאת, אנחנו לא ממליצים להשתמש פחות משש סיבובים, על מנת לא לאבד שום מידע על צורות או מאפיינים.
שמור את ההקרנות של המשטחים הבודדים באותה תיקיה ששימשה עבור הקלט. כברירת מחדל, התמונות נשמרות בתבנית TIFF של 8 סיביות, שהיא התבנית הנדרשת על-ידי תוסף FIJI, Shade. פתחו את פיג'י ובחרו 'הצללה' מתפריט 'תוספים'.
התחל בערכי ברירת המחדל וכוונן את הפרמטרים מאוחר יותר. לחץ על אישור כאשר תהיה מוכן להפעיל את התוכנית. לאחר מכן, בחר את תיקיית המקור המכילה את קבצי TIFF שנוצרו בסעיף הקודם ולחץ על בחר.
לאחר מכן, ספק תיקיית נתוני פלט. כאשר התמונה הראשונה מופיעה, צייר מלבן המקיף את התא והתחל בלחיצה על בסדר. כאשר התוסף פועל, אתה רואה את העיבוד מראש של התמונה בפריפריה למצוא את התאים המצוין על ידי קווים אדומים.
הקואורדינטות של הקצוות שנמצאו משמשות כעת לחישוב רכיבי הרביעייה הדיסקרטיים. כדי לאמן מפות המארגנות את עצמן בפעם הראשונה, התחל בטעינת MATLAB. טען את קובץ ה- Script של TrainSOM MATLAP ולאחר מכן בחר הפעל כדי להתחיל את האימון.
הקפד לנתיב את הקובץ כראוי במידת הצורך. כאשר הוא מתחיל לפעול, וחלון נוסף יצץ כדי להציג את ההתקדמות. המתן עד שהאימונים יושלמו לפני שתמשיך.
כברירת מחדל, קובץ ה- Script מוגדר לפעול 2,000 איטראציות, או, אפוסים. לאחר סיום ההכשרה, בחנו את עלילות הטופולוגיה של הרשת. הנה דוגמה של העלילה למרחקים שכנים, העלילה מדגם להיטים, ואת העלילה מישורי קלט.
ארגון עצמי של מפות הוא כלי חשוב לגילוי קשרי גומלין מוסתרים ב ערכת הנתונים שלך. הם מקבצים את הנתונים שלך באופן אובייקטיבי, ויש להם את היתרון שהם לא צריכים ערכת נתוני הדרכה, מכיוון שהם לומדים ללא השגחה. הרשת מאומנת כעת.
לחץ באמצעות לחצן העכבר הימני על הקובץ בסביבת העבודה שלך ושמור אותו לשימוש עתידי. טען במפות המארגנות את עצמן, בעת שימוש במפה שכבר אומנה, כדי לקבץ ערכת נתונים. לאחר מכן, יבא את קובץ ה- CSV שיש לבדוק עם המפות המאומנים שנטענו מראש.
כאן, נבחר את פלט CSV של תוסף צל. כאשר הנתונים נטענים, שנה את סוג הפלט למטריצה מספרית ולאחר מכן בחר יבא בחירה. לאחר סיום הסיווג, השתמש בחלון הפקודה כדי להעריך את ההתוויות השונות.
התמונה כאן היא מתוך ערכת נתונים מרובת פוטון רב-פוטון מנומקת של תאים מיקרוגליאליים. בתנאים פיזיולוגיים, המיקרוגליה הציגה צורה מורכבת למדי עם תהליכים מרובים, בעלי הסתעפות גבוהה. כאשר ממוקם בסביבה סרטנית, כגון מודל גידול קליפת המוח הזה, microglia השתנה לצורה פשוטה יותר, כמו ציר.
20 מרכיבי תיאור אלה בצורת פורייה שימשו כקלט לאמן את מפת הארגון העצמי. המפה המאומנת נבדקה לאחר מכן על מנת להעריך את יכולתה להבחין בין תאים בריאים לסרטניים. אוכלוסיית התאים הבריאים הוקרנה על אזור אחד המוצג כאן, ואילו ערכת הנתונים הסרטנית microglia הוצגה כאזור פעיל בצורת משקולת.
מפות יכולות גם להיות מאומנות על ידי מומחים רפואיים לזהות קבוצות תאים שונות. כאן זוהו, תאי מנוחה, תאי phagocytosing, תאים אינטראקטיביים ותאים ניידים, שוחזרו והשתמשו בהם כדי לאמן מפה של 12x12. מפה משולבת זו מציגה קבוצות של נוירונים מלאכותיים בעלי ערך גבוה, במיוחד באזורים השמאליים-תחתונים והאמצעיים של המפה.
החוסן של גישת המיפוי נבדק באמצעות מפת הארגון העצמי המאומנת עם 3 קבוצות משנה אקראיות מאותו סוג תא מנוחה שלא היה חלק מערכת נתוני האימון. התגובה של S.O..M לקלט זה מציגה תגובה דומה מאוד המציינת את סוג התא הנכון. לאחר פיתוח של טכניקה זו, עכשיו יש לנו ארגז כלים, שבו אנחנו יכולים פשוט לסווג שינויים בצורת תא.
שינויים אלה מתרחשים, במהלך סרטן, למשל, או תגובות אחרות של המערכת החיסונית, ואנחנו יכולים למדוד אותם עם מיקרוסקופיה, באמצעות בעלי חיים שלמים, רקמה excised, או אפילו איברים על שבב.
סקירה
מאמר זה מציג תהליך עבודה לזיהוי תאים בריאים ופתולוגיים על בסיס צורתם התלת-ממדית. השיטה משתמשת בקווי מתאר של הקרנה דו-ממדית ממשטחים תלת-ממדיים כדי לאמן מפה מארגנת עצמית לקבץ אובייקטיבי של אוכלוסיות תאים.
רכיבי מחקר עיקריים
תחום המדע
- נוירולוגיה
- ביולוגיה תאית
- אימונולוגיה
רקע
- שיטה זו מסייעת במחקר וטיפול בסרטן.
- היא סטטית וקלה להקלה.
- היא מזהה סוגי תאים חולים על בסיס צורה ותנועה.
- יש לה יישומים בתחומים שונים הדורשים נתוני מיקרוסקופיה תלת-ממדית.
מטרת המחקר
- לספק שיטה לזיהוי אוטומטי של סוגי תאים.
- לשפר את האבחון והטיפול בסרטן ומחלות דלקתיות.
- להדגים את התהליך באופן ויזואלי לשם הבנה טובה יותר.
שיטות ששימשו
- רכישת נתוני מיקרוסקופיה תלת-ממדית ברזולוציה גבוהה.
- שחזור משטחים באמצעות תוכנה מיוחדת.
- אימון מפות מארגנות עצמית עם MATLAB.
- עיבוד תמונה עם Fiji ופלאגין Shade.
תוצאות עיקריות
- קיבוץ מוצלח של אוכלוסיות תאים על בסיס פרמטרים מורפולוגיים.
- ויזואליזציה של מאפיינים תאיים דרך הקרנות תלת-ממדיות.
- הוכחת יעילות בהבחנה בין תאים בריאים לחולים.
- מתן תהליך עבודה ניתן לשחזור לחוקרים.
מסקנות
- השיטה מציעה גישה אמינה לזיהוי תאים.
- יש לה השלכות משמעותיות על אבחון וטיפול בסרטן.
- יישומים עתידיים עשויים להימתח לתחומים אחרים במחקר ביו-רפואי.
שאלות נפוצות
Executive Industry Relevance
Distinguishing healthy from pathological cells based on morphology is critical for early discovery and translational research in oncology and immunology. This workflow leverages static 3D microscopy data, Fourier-based shape descriptors, and self-organizing maps to enable objective, quantitative cell classification. The approach supports predictive confidence and mechanistic de-risking at key inflection points in the discovery pipeline.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables objective interrogation of cell state transitions in disease-relevant systems.
- Supports mechanistic de-risking by quantifying morphological phenotypes linked to pathology.
- Facilitates functional target validation through unsupervised clustering of cell populations.
- Improves predictive confidence for downstream biological hypotheses.
Screening & Assay Development
- Prepares validated morphological datasets for downstream phenotypic screening workflows.
- Standardizes quantitative shape descriptors for reproducible assay development.
- Enables scalable, automated classification of cell types based on static imaging data.
- Supports reliable evaluation of compound effects on cell morphology.
Translational & Preclinical Research
- Aligns morphological biomarkers with disease progression in preclinical models.
- Provides continuity from discovery through preclinical validation using consistent shape-based metrics.
- Enables risk-adjusted advancement decisions based on quantitative cell state classification.
- Supports translational research by linking in vitro and ex vivo findings.
Pipeline & Workflow Integration
This method integrates from early discovery through preclinical research, enabling hypothesis testing, pathway clarification, and biological de-risking using static 3D cell morphology.
- Discovery Biology: Quantifies morphological changes to test disease-relevant hypotheses and clarify cellular pathways.
- Screening: Provides reproducible, quantitative shape descriptors for assay readiness and compound evaluation.
- Analytics: Delivers objective clustering and statistical outputs for comparing healthy and pathological states.
- Translational Research: Bridges discovery and preclinical validation with consistent morphological metrics.
- Enterprise Reuse: Offers a reusable toolkit for cell classification across diverse tissue types and disease models.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in cell state classification.
- Operational Value: Standardizes and automates morphological analysis for reproducibility and scalability.
- Strategic Value: Improves go/no-go decisions and capital efficiency by enabling early, quantitative de-risking.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of discovery programs.
Implementation Considerations
- Requires expertise in 3D microscopy, image processing, and unsupervised machine learning.
- Needs access to high-resolution imaging platforms and computational infrastructure for data analysis.
- Demands cross-team standardization of imaging and analysis parameters for reproducibility.
- Adaptable to various tissue types and disease models with appropriate validation.
- Dependent on quality of input data and parameter optimization for robust classification.
Biopharma FAQs
Chapters in this video
0:04
Title
1:11
Reconstruct the 3D Image
3:13
Transform the 3D Reconstructed Surfaces into 2D Projections
4:28
Find the Periphery and Calculate the Fourier Components using Fiji
5:13
Self-Organizing Maps
6:53
Results: Robustness of SOM Mapping Approach
8:32
Conclusion
