イメージングフローサイトメトリーと人工知能を用いた小核アッセイの自動化
January 27th, 2023
小核(MN)アッセイは、DNA損傷を定量化するための確立されたテストです。ただし、手動顕微鏡や特徴ベースの画像分析などの従来の手法を使用してアッセイをスコアリングすることは、面倒で困難です。この論文では、イメージングフローサイトメトリーデータを使用してMNアッセイをスコアリングするための人工知能モデルを開発する方法論について説明します。
イメージングフローサイトメトリーを使用して小核アッセイを実行すると、スループットの低さ、スコアのばらつき、イベントの目視による確認の欠如など、従来の方法の多くの制限を克服できます。この手法の主な利点は、すべての重要なイベントをイメージングフローサイトメトリーを使用して取得し、人工知能を使用して分析できることです。この方法は、化学物質やその他の化合物の大規模なスクリーニングに使用され、現在利用可能なよりも高いスループットで毒性を試験できる可能性があります。
新しいAIモデルを構築する場合、小核を持つ細胞の十分な画像を取得することが主な課題であるため、画像タグ付けアルゴリズムを使用することが重要です。まず、人工知能またはAIソフトウェアを起動します。[実験の種類] で、[トレーニング] の横にあるラジオ ボタンをクリックして、畳み込みニューラル ネットワークまたは CNN モデルを構築するためのトレーニング実験を開始し、[次へ] をクリックします。
[クラス名] で、[追加] をクリックします。ポップアップウィンドウで、単核クラスと入力し、[OK]をクリックして単核クラスをクラス名のリストに追加します。このプロセスを繰り返して、MNで単核、二核、MNで二核、多核、不規則な形態などの他のクラス名を追加します。
[ファイルの選択]で、[ファイルの追加]をクリックし、AIソフトウェアに追加する目的のファイルを参照して、グラウンドトゥルースデータを構築します。次に、[ベースポピュレーションの選択] 画面で、ポピュレーション階層から非アポトーシスポピュレーションを見つけます。次に、非アポトーシス集団を右クリックし、[一致するすべての集団を選択]を選択して、[次へ]をクリックします。
小核を持つ単核細胞のタグ付き真理値集団を割り当てるには、左側のモデルクラスで単核細胞とMNクラスをクリックし、右側で適切なタグ付けされた真理値母集団をクリックします。すべての適切な真理値母集団が割り当てられたら、次へをクリックします。[チャネルの選択] 画面で、実験に適したチャネルが選択されていることを確認します。
ここでは、チャネル1として明視野またはBFを選択し、チャネル7としてDNAの群れを選択し、[次へ]をクリックします。最後に、[確認] 画面で [実験の作成] をクリックします。[タグ付け]をクリックして、タグ付けツールのインターフェイスを起動します。
次に、ズームツールをクリックして、見やすくするために画像をトリミングします。そして、スライダーバーをクリックして画像サイズを調整し、ギャラリーに表示する画像の数を決定します。[表示設定]オプションをクリックし、すべての主要なイベントを識別するのに最適なコントラスト画像を提供するmin-maxを選択します。
次に、[ギャラリーディスプレイのセットアップ]をクリックして、DNA画像の色を黄色または白に変更し、小さなオブジェクトの視覚化を改善します。[クラスター] をクリックしてアルゴリズムを実行し、類似した形態を持つ画像をグループ化します。クラスタリングが完了したら、個々のクラスタをクリックして、適切なモデルクラスへの画像の割り当てを開始します。
各モデル クラスに少なくとも 25 個のオブジェクトが割り当てられると、予測アルゴリズムが使用可能になります。[予測] をクリックします。予測アルゴリズムの実行が完了したら、予測クラスから適切なモデル クラスにオブジェクトを追加します。
各モデル クラスに最低 100 個のオブジェクトが割り当てられたら、画面上部の [トレーニング] タブをクリックし、[トレーニング] ボタンをクリックします。モデルのトレーニングが完了したら、[結果の表示] をクリックしてモデルの精度を評価します。モデルのトレーニングが完了したら、メニュー ボタンをクリックして新しい実験を定義します。
[実験の種類] で、[分類] の横にあるラジオ ボタンをクリックして分類実験を開始し、[次へ] をクリックします。分類に使用するモデルをクリックし、[次へ] をクリックします。[ファイルの選択]画面で、[ファイルの追加]をクリックします。
CNN モデルで分類するファイルを参照し、[次へ] をクリックします。次に、[ベースポピュレーションの選択]画面で、ロードされたファイルの1つで[非アポトーシスポピュレーション]の横にあるチェックボックスをクリックします。非アポトーシス集団を右クリックし、[一致するすべての集団を選択]をクリックして、ロードされたすべてのファイルからこの母集団を選択し、[次へ]をクリックします。
チャンネルの選択画面で、明視野にチャンネル1が選択され、DNA染色にチャンネル7が選択されていることを確認し、次へをクリックします。最後に、確認画面で [実験の作成] をクリックします。AIソフトウェアは、選択したデータファイルから選択したモデルとすべての画像をロードします。
ロード後、[完了]をクリックします。次に、[分類]をクリックして分類画面を起動します。また、チェックボックスを使用して、ランダムフォレストまたはRF、およびCNNの使用を選択します。
次に、[分類]ボタンをクリックします。これにより、RF モデルと CNN モデルを使用して追加データを分類し、指定したモデル クラスに属するすべてのオブジェクトを識別するプロセスが開始されます。分類が完了したら、[結果の表示] をクリックします。
[DAFの更新]ボタンをクリックして[分類結果を含むDAFの更新]ウィンドウを表示し、[OK]をクリックしてDAFファイルを更新します。レポートを生成するには、結果画面で [レポートの生成] をクリックします。入力 DAF ごとに個別のレポートが必要な場合は、[入力 DAF ごとにレポートを作成] の横にあるチェックボックスをオンにします。
それ以外の場合は、[OK]をクリックしてレポートを取得します。AI支援クラスターアルゴリズムは、未分類のオブジェクトとグラウンドトゥルースモデルクラスに割り当てられたオブジェクトの両方の形態に従って、セグメント内の類似したオブジェクトをグループ化します。単核細胞を含むクラスターはオブジェクト マップの片側にあり、多核細胞は反対側にあります。
二核細胞クラスターは、単核細胞クラスターと多核細胞クラスターの間にあります。最後に、不規則な形態を持つクラスターは、オブジェクトマップのさまざまな領域に分類されます。予測アルゴリズムは、画像内の微妙な形態を識別する上で、クラスターアルゴリズムよりも堅牢です。
例えば、MNを含む単核細胞とMNを含まない単核細胞。モデルのパフォーマンスは、クラス分布ヒストグラム、精度統計、対話型混同行列などのツールを使用して評価できます。クラス分布ヒストグラムでは、真理値と予測母集団の間のパーセンテージ値に近いほど、モデルの精度が高くなります。精度統計では、これらのメトリックが 100% に近いほど、モデルはモデル クラス内のイベントをより正確に識別できます。
最後に、対話型の混同行列は、モデルがイベントを誤って分類する場所を示します。遺伝毒性は、サイトカラシンB法と非サイトカラシンB法の両方を使用して、マンニトール、エトポシド、マイトマイシンCについて、顕微鏡による小核の割合(明確なバーで示され、AIは点線のバーで示され、3時間の曝露と24時間の回復後)で測定されました。トレーニング実験を作成するときは、読み込んだデータにポジティブ コントロール サンプルとネガティブ コントロール サンプルの画像が含まれていることを確認します。
小核はまれであり、正確なAIモデルを構築するには十分な画像が必要です。この手順により、放射線生物線量測定などのあらゆる研究分野でイメージングフロー小核データを分析するためのAIモデルを作成できます。小核を特定するための迅速かつ堅牢なAIベースの方法は、癌発生のリスクを予測する可能性のある小核の定量化など、他のアプリケーションに拡張される可能性があります。
View the full transcript and gain access to thousands of scientific videos
概要
マイクロ核アッセイはDNA損傷を評価するための重要なテストですが、従来は労働集約的なスコアリング方法によって制限されていました。この研究では、イメージフローサイトメトリーと人工知能を利用した新しいアプローチを提示し、アッセイの効率性と正確性を向上させます。
研究の主要な構成要素
科学の分野
- 神経科学
- バイオテクノロジー
- 遺伝学
背景
- マイクロ核アッセイはDNA損傷の定量化に広く使用されています。
- 従来のスコアリング方法は時間のかかり、主観的であることが多いです。
- イメージフローサイトメトリーは、高スループットの分析を可能にすることで解決策を提供します。
- 人工知能はスコアリングの正確性と一貫性を向上させることができます。
研究目的
- マイクロ核アッセイのスコアリング用のAIモデルを開発すること。
- イメージフローサイトメトリーを用いてデータ取得を強化すること。
- 毒性試験のための化学物質の大規模スクリーニングを容易にすること。
使用した方法
- イメージフローサイトメトリーで重要な細胞イベントを捉える。
- イメージデータの分析に人工知能を利用する。
- AIモデルの訓練データを強化するためのイメージタギングアルゴリズム。
- スコアリングのための畳み込みニューラルネットワーク（CNN）モデルの開発。
主要な結果
- AIモデルは従来の方法と比較してスコアリングの一貫性が向上しました。
- イメージフローサイトメトリーを使用し、高スループット機能を達成しました。
- 細胞イメージでマイクロ核の成功した識別。
- この方法は大規模な毒性スクリーニングに有望です。
結論
- イメージフローサイトメトリーとAIを組み合わせることでマイクロ核アッセイが強化されます。
- このアプローチは従来のスコアリング方法の制限に対処します。
- この研究は、より効率的な毒性試験方法への道を開きます。
よくある質問
Executive Industry Relevance
Automating the micronucleus assay with imaging flow cytometry and AI addresses longstanding challenges in genetic toxicity testing, including throughput, reproducibility, and subjective scoring. This workflow enables high-confidence, quantitative assessment of genotoxicity, supporting robust decision-making at critical discovery and preclinical inflection points. The integration of AI-driven image analysis positions the assay for scalable, enterprise-wide deployment in compound screening pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables rigorous interrogation of genotoxicity hypotheses for candidate compounds.
- Supports functional validation of toxicity pathways through quantitative micronucleus detection.
- Facilitates predictive confidence in early-stage portfolio triage by reducing scoring subjectivity.
Screening & Assay Development
- Delivers standardized, reproducible scoring of cellular events for assay development workflows.
- Prepares validated image-based systems for high-throughput compound screening.
- Enables scalable, automated evaluation of large chemical libraries for genotoxic risk.
Translational & Preclinical Research
- Aligns genotoxicity assessment with regulatory and translational biomarker requirements.
- Ensures continuity of quantitative endpoints from discovery through preclinical validation.
- Reduces mechanistic ambiguity in risk-adjusted advancement decisions.
Pipeline & Workflow Integration
This AI-enabled micronucleus assay integrates seamlessly from early discovery through lead identification and preclinical safety assessment.
- Discovery Biology: Provides robust hypothesis testing and pathway de-risking for genotoxicity liabilities.
- Screening: Offers reproducible, quantitative outputs for compound prioritization and hit triage.
- Analytics: Supplies detailed accuracy statistics, confusion matrices, and class distribution histograms for data-driven decision support.
- Translational Research: Maintains biomarker alignment and quantitative continuity across R&D stages.
- Enterprise Reuse: Establishes a scalable, automated platform for ongoing genotoxicity evaluation across programs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in genotoxicity assessment.
- Operational Value: Standardizes and automates scoring, improving reproducibility and throughput.
- Strategic Value: Enables more informed go/no-go decisions and capital-efficient portfolio management.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of safer candidates.
Implementation Considerations
- Requires expertise in imaging flow cytometry and AI model training.
- Demands robust instrumentation and computational infrastructure for image acquisition and analysis.
- Necessitates cross-team standardization of image tagging and model class definitions.
- Must ensure sufficient representation of rare events, such as micronuclei, in training datasets.
- Dependent on quality control of input imagery and validation against manual scoring benchmarks.
Biopharma FAQs
Chapters in this video
0:05
Introduction
0:49
Creating an Experiment in the Artificial Intelligence (AI) Software
2:41
Populating the Ground Truth Data Using A‐Assisted Tagging Tools and Training the Model
4:11
Classifying Data Using the Model and Generating Report
6:28
Results: Validation of the AI‐Assisted Cluster and Predict Algorithms
8:23
Conclusion
