초파리 뇌에서 원뇌 전부 내측 클러스터 도파민성 뉴런 수의 그룹 차이를 반자동 감지하는 방법

요약

이 프로토콜은 대형 초파리 원대뇌 전방 내측 클러스터에서 도파민성 뉴런 수를 반자동화 방식으로 정량화하는 방법을 제시합니다. 실험군과 대조군 간의 차이를 감지하고 비교하기 위해 특별히 설계된 이 접근법은 수동 집계에 대한 의존도를 줄이고 집단 단위 분석에 실용적인 도구를 제공합니다.

초록

Drosophila melanogaster 는 주로 도파민성 신경 세포 퇴행 및 관련 운동 결손 분석을 통해 파킨슨병(PD)을 포함한 신경퇴행성 질환을 연구하는 강력한 모델 생물 역할을 합니다. 역사적으로 파리 뇌에서 DA 뉴런 손실의 정량화는 원뇌 후측 내측(PPM) 클러스터와 원뇌 후측(PPL) 클러스터 등 더 작고 쉽게 셀 수 있는 군집으로 제한되어 왔습니다. 반면, 100개가 넘는 뉴런으로 구성된 훨씬 더 큰 원뇌 전측 내측(PAM) 클러스터는 수동 계산에 큰 어려움을 주어 정량적 연구에서 과소대표되고 있습니다. 현재까지 보고된 조사는 여전히 공초점 Z-스택을 통한 노동 집약적인 수동 계수에 의존하고 있으며, 이는 시간이 많이 걸리고 변동성이 잦다. 이 방법론적 격차를 해소하기 위해 우리는 오픈소스 도구인 Labkit을 사용해 반자동 이미지 분석 파이프라인을 개발했습니다. 이 프로토콜은 동일한 실험 배치 내 PAM 클러스터 내 티로신 하이드록실라아제(TH) 양성 뉴런의 효율적인 그룹 상대 정량화를 가능하게 합니다. 이 방법은 표준 면역형광 염색과 공초점 영상으로 시작하여, 세분화 및 분석을 위한 상세한 단계별 안내가 이어집니다. 이 접근법은 PAM 클러스터 정량화의 병목 현상을 해결하고, 신경퇴행 모델에서 DA 뉴런 취약성의 집단 간 차이를 감지하는 실용적인 워크플로우를 제공합니다. PAM 클러스터에 대한 PD 연구의 상대적 희소성은 생물학적 관련성 부족 때문이 아니라 역사적 기술적 장벽을 반영합니다. 이 장벽을 극복함으로써 우리 방법은 파킨슨병에서 PAM 뉴런의 취약성과 비운동 증상과의 잠재적 연관성을 체계적으로 조사할 수 있는 문을 열어줍니다.

서론

식초파리(Drosophila melanogaster)는 신경퇴행성 질환, 특히 파킨슨병(PD)¹의 유전적·분자적 기초를 연구하는 데 인기 있는 모델 생물입니다. 보존된 신경 신호 경로, 정교한 유전 도구 키트, 짧은 수명 덕분에 연령 의존적 신경 취약성 연구와 고처리량 유전 및 약리학적 스크리닝 수행에 매우 적합하다 ^2,3. 이 연구의 핵심은 PD⁴의 병리학적 특징인 선택적 퇴행성 신경세포(DA) 뉴런의 분석입니다. 초파리 뇌에서 DA 뉴런은 유전적으로 식별 가능한 개별 클러스터 ^5,6로 조직되어 있습니다. 특정 군집 내에서 DA 뉴런의 점진적 손실은 TH 면역염색으로 시각화되고 현미경으로 정량화되며, 실험 모델에서 질병 진행 및 신경보호 개입을 평가하는 주요 기능적 지표 역할을 합니다 ^7,8. 따라서 DA 신경세포 손실의 신뢰성 있는 정량화는 초파리 유전학의 힘을 의미 있는 PD 연구 결과로 전환하는 데 필수적입니다.

전통적으로 DA 신경 손실에 대한 정량적 분석은 원뇌 후측 내측(PPM) 클러스터와 원뇌 후측(PPL) 클러스터를 포함한 작은 클러스터의 티로신 하이드록실라제(TH) 면역염색에 초점을 맞추어왔으며, 각 클러스터에는 눈⁷에서 쉽게 셀 수 있는 10개 미만의 세포가 포함되어 있습니다. 공초점 Z-스택을 통한 수동 열거는 번거롭긴 하지만, 초파리^{9, 10, 11}을 이용한 많은 PD 연구에서 이러한 클러스터에 대한 확립된 방법이었습니다. 반면, 파리 뇌에서 가장 큰 DA 신경세포군인 원뇌 전측 내측(PAM) 클러스터의 수동 수거는 오랜 방법론적 병목 현상을 제시하며, 대부분의 PD 연구(^9,10,11)에서 포함되지 못하게 만듭니다. 학습, 기억, 동기 부여 회로에서 PAM 뉴런이 중요한 역할을 함에도 불구하고, 이러한 한계로 인해 신경퇴행 12,13,14,15의 정량적 분석에서 상대적으로 저대표되는 결과를 낳았습니다. 특히 최근 연구들조차도 이 비효율적인 수동 집계 방식을 계속 사용하고 있어^{, 현장 내에서} 표준화되고 자동화된 솔루션에 대한 지속적이고 충족되지 않은 필요성이 있음을 부각시킨다.

이 중요한 격차를 해소하기 위해, 우리는 실험 내에서 PAM 클러스터 내 TH-양성(TH⁺) 뉴런의 효율적인 그룹 상대 정량화를 가능하게 하는 반자동 영상 분석 파이프라인을 개발했습니다. 이 프로토콜은 Fiji/ImageJ 플랫폼 내의 오픈소스 머신러닝 기반 플러그인 Labkit과 3D 이미지 처리 소프트웨어^16,17을 활용합니다. 핵심 워크플로우는 사용자가 대표적인 이미지 하위 집합에 주석을 달아 픽셀 분류 모델을 학습시키고, 이를 실험용 TH-염색 데이터셋에 배치 처리한 뒤, ^TH+ 영역에 대한 핵 스팟 생성 및 분류를 진행합니다. 이 접근법은 자동화와 전문가의 감독을 균형 있게 결합하여, 완전 수작업의 부담과 변동성을 줄이면서도 연구자들이 알고리즘을 안내하고 결과를 검토할 수 있도록 지원합니다.

이 글의 목적은 실험 내 그룹-상대 비교를 위한 효율적인 PAM 클러스터 DA 뉴런 상대 정량화를 위한 단계별 프로토콜을 제공하는 것입니다. 뇌 해리, 면역형광 염색, 공초점 영상부터 반자동 방법을 이용한 상세한 영상 분석 파이프라인까지 전체 워크플로우를 시연합니다. 이 핵심 정량적 단계를 표준화함으로써, 본 프로토콜은 연구 커뮤니티가 대규모 PAM 클러스터를 일관되게 분석에 통합할 수 있도록 지원하는 것을 목표로 합니다. 이 반자동화 방법은 PAM 클러스터를 위해 특별히 설계되었으며, 다른 도파민성 클러스터나 시엽의 TH 양성 뉴런에는 적용되지 않습니다. 이 방법은 PAM 클러스터 DA 뉴런 취약성에 대한 배치 수준 연구와 시냅스 가소성, 신경퇴행, 초파리 모델을 이용한 치료 스크리닝에 대한 추가 연구를 촉진할 수 있습니다.

프로토콜

1. 샘플 준비 및 공초점 영상

1. 파리 사육 및 채집
   1. 원하는 유전자형의 부모 파리를 교차하여 실험용 자손을 생성합니다. 붕괴 시에는 신선한 사료 병당 20–30마리의 파리를 채취하세요. 사용자의 실험 설계에 따라 원하는 실험 연령에 도달할 때까지 파리를 유지하세요.
2. 해부 준비
   1. 30mm 페트리 접시의 뚜껑을 절반 높이로 실가르드 실리콘 엘라스토머로 채워 해부 접시를 준비하세요. 접시에 인산염 완충 식염수(PBS) 1개를 채우세요. 0.6mL 마이크로 원심분리관에 1x PBS와 4% 파라포름알데히드(PFA)가 포함된 고정제 450 μL 분량을 한 뒤 얼음 위에 올려놓습니다.
   2. 마취 10–20은 5–10초 동안 CO₂를 펄스로 투여한 후 즉시 얼음 위에 놓인 60mm 페트리 접시로 옮겨 움직이지 못하게 합니다.
      주의: PFA는 독성이 있으며 발암 가능성이 의심됩니다. 손잡이는 장갑, 실험복, 안전 고글과 함께 연기 후드에 넣어. 기관 유해 물질 지침에 따라 폐기물 처리.
3. 파리 뇌 해리 및 고정
   1. 겸자로 날개 뿌리를 잡아 배 쪽을 위로 올려 PBS가 채워진 해부 접시에 담가세요. 플라이를 실가드 패드에 고정시키기 위해 가세한 해부 핀으로 가슴을 뚫으세요.
   2. 몸을 수평으로 정렬하세요(예: 머리 왼쪽, 복부 오른쪽). 한쪽 겸자로 주둥이 밑부분을 잡고, 다른 쪽으로 전체 주둥이를 제거하여 복합 눈 사이에 구멍을 만듭니다.
   3. 노출된 눈 가장자리를 두 개의 겸자로 잡고 아주 천천히 대칭적으로 벌려 뇌를 노출시키면서도 복측 신경 코드와의 연결을 유지하세요.
   4. 기관낭과 뇌를 둘러싼 지방체를 제거하세요. 뇌를 풀어주고 접시 위에 앞쪽을 향하게 하기 위해 복측 신경줄을 끊는 것입니다.
      참고: 안정된 뇌에서 복측 절반이 등쪽 절반보다 더 높게 위치해 있다면(그림 1B, C), 겸자를 사용해 부드럽게 솟아오른 부분을 눌러라.
   5. P10 피펫 팁에 0.1% Triton X-100을 미리 습격하여 해부된 뇌가 팁 내벽에 달라붙지 않도록 하세요. 이 미리 적신 팁을 사용해 해부된 각 뇌를 고정액이 들어있는 튜브로 옮긴 후 다음 해부로 진행합니다. 모든 뇌를 이식한 후에는 튜브를 5번 뒤집어 얼음 위에 수평으로 올려 30분간 보관하세요. 관을 실온(RT)에서 1시간 동안 교반하며 배양하세요.
   6. 뇌가 바닥에 가라앉도록 1분간 기다려 주세요. 뇌를 10분간 1x(1x) PBS와 0.1% Triton X-100(PBST)이 포함된 세척액과 함께 교반하여 세척합니다. 뇌를 0.1% 아지드 나트륨이 포함된 PBS에 4°C에서 보관하거나 면역염색을 진행하세요.
4. 면역염색
   1. 뇌를 1x PBS, 0.1% Triton X-100, 5% 일반 염소 혈청, 0.1% 아지드 나트륨, 그리고 토끼 항-TH 항체(1:500 희석)를 포함한 1차 항체 염색액 300 μL에 4°C에서 교반하여 2일간 염색합니다. 뇌를 3회, 10분씩 PBST로 세척하세요.
   2. 뇌를 2차 항체 용액에 1x PBS, 0.1% Triton X-100, 5% 일반 염소 혈청, 0.1% 아지드륨, 그리고 항토끼제인 Alexa Fluor 635를 4°C에서 2일간 염색합니다. PBST로 한 번 뇌를 씻어보세요.
   3. 뇌를 4',6-디아미디노-2-페닐린돌(DAPI)(1:1,000 희석)을 보충한 PBST에 2시간 동안 RT 시에 인큐브한 후, 2시간 동안 PBST에서 세척합니다. 뇌는 4°C에서 하룻밤 보관하거나 장착 작업을 진행하세요.
5. 장착
   1. 1mL 주사기에 미세 바늘이 장착된 주사기에 0.5 mL의 마운턴트를 주입하세요. 투명 접착 테이프 두 줄을 유리 슬라이드에 붙이고 3mm 간격을 남겨 마운팅 챔버를 만듭니다(그림 1A,D).
      주의: 날카로운 바늘은 천공 위험이 있습니다. 항상 조심스럽게 다루고, 필요하다면 한 손으로 쿱 쿱 기법으로 주입을 주고, 사용한 바늘은 즉시 승인된 날카로운 용기에 버리세요.
   2. 절단된 P200 팁을 사용해 뇌를 깨끗한 페트리 접시로 옮깁니다. 뇌 주변의 과도한 액체를 제거하고 10 μL 마운트 알코올을 뇌에 분사합니다. 뇌를 부드럽게 마운턴트와 섞어.
   3. 슬라이드 틈을 따라 마운트 3방울을 떨어뜨리고 틈에 고르게 펴 뿌리세요. P10 피펫으로 뇌를 간극 중심선을 따라 옮기고 위치시킵니다(그림 1A).
   4. 뇌를 간극의 중심선을 따라 고르게 배치하고, 앞쪽은 위를 향하게 합니다. 천천히 커버슬립으로 틈을 메우세요. 엄지손가락으로 커버슬립 가장자리 근처를 3초 정도 눌러 단단한 접촉을 보장합니다.
   5. 슬라이드를 수평으로 슬라이드 폴더에 넣어 어두운 환경에서 RT에서 하룻밤 경화시키고, 장기 보관을 위해 4°C에서 경화시킵니다.
6. 공초점 영상
   1. 공초점 현미경 시스템을 켜고 레이저 안정화 15분을 기다려. 10배 대물렌즈로 밝은 시야에서 뇌를 찾고, 100배 오일 침지 대물렌즈로 전환한 뒤 라이브 뷰에서 PAM 클러스터로 이동하세요.
   2. 단계 XY를 조정하여 영상 센터에 PAM 클러스터 하나를 위치시킵니다. 경계와 방향을 확인하려면 Z를 미리 살펴보세요. 디지털 줌과 방향을 조정하여 PAM 클러스터가 대각선을 따라 이미지 프레임에 맞게 맞출 때까지 조정합니다.
   3. 스택의 위와 아래 위치를 설정하세요. Z-스텝 크기를 0.34 μm, 이미지 해상도를 512 x 512로 설정하세요. 핀 구멍을 자동 모드로 설정하세요. 디스플레이 조회 테이블(LUT)을 포화 표시기로 설정하세요.
   4. TH 채널의 레이저 출력과 검출기 이득을 조절하여 PAM 뉴런 내 산란되고 이산적인 지점이 최소한으로 포화될 때까지 조절합니다. DAPI 채널 설정을 조정하여 포화 없이 밝고 명확한 핵 신호를 얻으세요.
      참고: 최적의 줌 비율은 다양합니다. 조직 수축의 차이는 실험 배치 간이나 같은 배치 내 개별 뇌 간에도 발생할 수 있습니다.
   5. 입력 폴더(예: D:\Confocal\images)에 12비트 또는 16비트 형태의 RAW로 이미지를 획득하고 저장하세요. 라이브 뷰로 돌아가 줌을 재설정한 뒤, 낮은 배율로 바꾸지 않고 틈을 따라 다음 뇌를 찾으세요.
      참고: 이 단계에서 기본 데이터 파일을 처리된 .tif 형식으로 저장, 내보내기, 변환하지 마십시오. 원본 원시 메타데이터를 보존하는 것은 이후 이미지 처리에 필수적입니다.

2. 이미지 처리 및 정량화

1. 이미지 파일 변환과 TH 채널 분할
   1. 입력 폴더에 있는 원본 이미지를 관련 파일 변환기(재료표)를 사용해 3D 이미지 분석 소프트웨어와 호환되는 형식으로 변환합니다. 변환된 파일을 변환된 폴더 (예: D:\Confocal\converted)에 넣으세요.
   2. 피지를 열고 파일 | 새 | 스크립트. 스크립트 편집기에서 파일 | 매크로 파일 ImageFolder_Split_ChannelAndSaveMacro_UltimateDepth.ijm (보충 파일 1)을 열면 불러옵니다. 에디터 창 하단 근처에서 '실행' 을 클릭하세요(버튼이 숨겨져 있으면 작은 삼각형 아이콘을 클릭하면 표시됩니다).
   3. 설정 대화상자에서 ' 탐색(Browse )'을 클릭하고 변환된 폴더를 선택하세요. 명명 규칙에서 옵션 3을 선택하세요. 내보내기 채널 항목에서 TH에 해당하는 채널 인덱스를 선택하세요. 확인 버튼을 눌러 TH 채널을 일괄 분할하세요; 내보낸 TH 스택은 ChannelSplitOut으로 끝나는 폴더에 자동으로 저장됩니다.
2. Labkit 분류기 학습
   1. 훈련 데이터셋 준비
      1. TH 스택 폴더에서 샘플의 신호 세기와 배경 변이의 다양한 신호 세기를 캡처한 20개의 대표적인 스택을 선택하세요. 선택한 파일을 선택 폴더(예: D:\Confocal\selection)로 복사하세요.
      2. 피지 매크로 ImageFolder_UniCropZStack_ToThinestLayers.ijm (보조 파일 2)을 실행하세요. 안내가 나오면 학습 이미지가 있는 폴더를 선택하세요. 매크로는 각 스택을 동일한 수의 Z-슬라이스로 자르고, 스택들을 타임랩스 TIFF 파일에 연결하여 학습을 수행합니다.
   2. 픽셀 분류기의 인터랙티브 트레이닝
      1. 피지 플러그인을 통한 Labkit 실행 | Labkit | Labkit(재료표)으로 현재 이미지를 엽니다. 툴바에서 3D 박스 버튼을 클릭하면 Z-슬라이스(오른쪽에 슬라이더)와 샘플(하단에 슬라이더)을 탐색할 수 있는 슬라이스 뷰 모드로 전환됩니다.
      2. S 키를 눌러 밝기 및 대비 패널을 열고 최대 슬라이더를 조정해 ^TH+ 뉴런을 최적의 시각화할 수 있습니다. 적절한 브러시 크기(예: 5픽셀)를 설정하세요. 도구를 펼치려면 설정을 클릭하세요. 기본 디스플레이 모드(퓨즈, 소스, 가장 가까운 모드)를 유지하세요.
      3. 드 로우를 클릭하세요. 라벨링 패널에서 배경 을 선택하고 몇 개의 비세포 영역을 표시하세요; 전 경 을 강조하고 몇몇 ^TH+ 뉴런 내부를 그리세요.
      4. Ctrl + Shift + 스크롤로 필드를 확대하고 축소할 수 있습니다. 수직 슬라이더를 사용해 다른 Z-슬라이스로, 하단 슬라이더를 사용해 다른 학습 샘플로 이동할 수 있습니다. 견고한 분류기 훈련을 위해 여러 번 반복 도면을 하세요.
      5. 픽셀 분류를 클릭하세요. 훈련 시작 삼각형을 클릭하면 훈련과 게으른 예측이 시작되며, 이후 샘플, 슬라이스, 위치를 탐색할 때 실시간 분할 피드백을 제공합니다(우클릭 및 드래그).
      6. 예측이 부정확한 경우 수정 주석을 추가하려면 Draw 를 클릭하고, 소스 패널에서 예측과 라벨의 가시성을 옵션으로 전환하고 재학습할 수 있습니다. 분류기가 ^TH+ 뉴런과 배경 뉴런을 신뢰성 있게 구분할 때까지 반복한 후, 분할 | Labkit을 닫기 전에 분류기를 저장하세요.
3. 배치 Labkit 세분화
   1. 피지의 TH stack 폴더 에서 임의의 이미지를 열어보세요. Labkit을 실행하고 모두 제거를 클릭한 후, 세 그멘테이션 | 이미지를 세분화하기 위해 분류기를 엽니다. 품질을 시각적으로 점검하여 분류기의 일반화 가능성을 검증한 후 창을 닫으세요.
   2. 다른 여러 무작위 이미지에도 2.3.1을 반복하세요. 마지막 검사를 제외한 모든 검사 후에는 창을 닫으세요.
   3. Labkit 출력 폴더(예: D:\Confocal\LabkitOut)를 만드세요. Others> 배치 세그먼트 이미지를 통해 배치 처리를 시작하세요. Input Directory를 TH 스택 폴더에 설정하고 Output Directory를 Labkit output 폴더에 설정한 후 확인을 클릭하면 배치 처리가 시작됩니다.
   4. 동일한 TH 항체와 유사한 공초점 설정을 사용하는 향후 실험에서는 2.2를 건너뛰고 이전 분류기를 재사용하세요.
      참고: 테스트 목적으로 사전 학습된 분류기도 제공합니다(보충 파일 3).
4. DAPI 스팟 생성과 TH⁺ 뉴런 정량화
   1. 스크립트 폴더(예: D:\scripts)에 XT_Jove_Labkit_TH.m(보조 파일 4)을 배치하세요. 3D 소프트웨어를 열고 파일 | 환경설정에서 '사용자 지정 도구'를 선택하세요. XTension 폴더 패널에서 추가... 스크립트 폴더를 선택하고 확인을 클릭하세요.
   2. 변환된 각 파일에 대해 스크립트는 다음 순서 연산을 자동으로 실행합니다.
      참고: 이 설명 섹션은 사용자를 위한 행동을 포함하지 않지만, 다음 단계로 진행하는 데 필수적입니다.
      1. DAPI 채널은 배경 감산 과 가우시안 필터 를 통해 처리되어 최적화된 DAPI 스팟 식별을 용이하게 합니다.
      2. Labkit 세분화 마스크는 노이즈 제거와 구멍 채우기를 통해 정제되어 데이터셋에 마스크 채널로 부착됩니다. 마스크 채널에서 정제된 TH 표면 객체가 구성됩니다. TH 표면 객체는 마스크 채널을 덮어쓰기 위해 정제된 마스크를 생성합니다.
      3. 거리 변환 채널은 TH 표면에서 생성되며, 표면 내부의 복셀은 0으로 설정하고 표면 외부의 복셀은 가장 가까운 TH 표면까지의 유클리드 거리를 나타내는 부동소수점 값으로 할당됩니다.
      4. 거리 변환 채널 내 각 DAPI 스팟의 강도 프로파일을 ^TH+ 뉴런 식별의 지표로 사용하세요. ^TH+ 영역 내나 근처에 위치한 DAPI 스팟은 거리 값이 낮습니다. 이 기준은 불완전한 Labkit 예측 전경 영역 바로 바깥쪽이지만 바로 옆에 위치한 실제 DA 뉴런 핵과 같은 거짓 음성을 구하는 데 도움을 줍니다.
   3. DAPI 스팟 생성을 위한 품질 수동 최적화
      1. 변환된 폴더에서 무작위 샘플을 3D 소프트웨어로 열어보세요. 편집으로 탐색하기 | 이미지 속성과 좌표 패널의 복셀 크기 Z가 0.340 μm인지 확인하세요. 그렇지 않으면 수동으로 0.340 μm으로 변경하세요.
      2. 이미지 처리 | 임계값 | 배경 감산. 대화상자에서 DAPI 채널만 체크하고, 필터 폭을 3으로 설정한 후 확인을 클릭하세요. 이 단계를 한 번 더 반복한 후 필터 폭 1로 세 번째 반복을 수행합니다.
      3. 이미지 처리 | 스무딩(Smoothing) | 가우시안 필터. DAPI 채널만 체크하고, 필터 폭을 0.2로 설정한 후 확인 버튼을 누르세요.
      4. Surpass Scene에서 '새로운 Spots 추가'를 클릭하면 Spots 생성 마법사가 실행됩니다. DAPI 채널을 선택하고 추정 XY 직경 1.2 μm를 입력하세요. 마법사를 따라 "품질 위" 필터를 추가하고 임계값을 미세 조정하여 각 핵에 대해 정확한 단일 지점을 견고하게 얻을 수 있습니다.
      5. 2.4.3.1–2.4.3.4 단계를 여러 무작위 선택 샘플에 걸쳐 반복하고, 샘플 전반에 걸쳐 신뢰성 있게 작동하는 임계값을 최종 확정합니다.
   4. 텍스트 편집기에서 스크립트 XT_Jove_Labkit_TH.m(보조 파일 4)을 열어 다음 사용자 정의 매개변수를 수정하세요.
      1. 변환된 폴더의 경로로 ims_Folder 설정; LabkitOut_Folder Labkit 출력 폴더의 경로로 설정하세요. 변환된 폴더 내 모든 파일의 DAPI 채널 인덱스로 Ch_DAPI 설정하세요(예: DAPI가 첫 번째 채널이면 1, 두 번째 채널이면 2).
      2. Set reVoxelSizeX, reVoxelSizeY, reVoxelSizeZ. 이미지 속성 에서 복셀 크기가 맞다면(2.4.3.1 참고), 답변은 빈 괄호 []로 남겨두세요. 그렇지 않다면, 변환 된 폴더 내 모든 파일에 적용되는 적절한 값(예: 0.130, 0.130, 0.340)을 수동으로 입력하세요.
   5. 스팟 생성 조건을 최종 확정하세요.
      1. SpotsParameterAss 셀 배열에서 각 행이 하나의 버전을 지정하는 여러 버전의 매개변수를 맞춤 설정할 수 있습니다. 여기에는 각 행의 왼쪽 부분에 DAPI 스팟 검출용 추정 XY 직경(μm)을 정의하고, 각 행 오른쪽에 기준 필터로 구성된 필터 문자열을 정의하는 것이 포함됩니다. 이 필터는 2.4.3.4단계의 품질 임계값과 2.4.2.2단계의 정제된 마스크 채널 또는 2.4.2.3단계의 거리 변환 채널에 대한 강도 임계값을 포함합니다.
      2. "Intensity Center Ch=aSizeC+1"을 0.5 이상으로 설정하면, 2.4.2.2의 정제된 TH 마스크 채널 내에 기하학적 중심이 속하는 지점만 남기도록 하세요(복셀 값 > 0.5). 이것이 TH⁺ DAPI 스팟 필터링에 가장 직접적이고 엄격한 기준입니다.
      3. " Intensity Mean Ch=aSizeC+2"를 [threshold] 아래에 설정하여, 2.4.2.3단계의 거리 변환 채널에서 평균 강도가 지정된 임계값 이하인 스팟을 유지하도록 설정하세요. 낮은 임계값은 TH 표면 안쪽 또는 매우 가까운 지점을 선택합니다; 더 높은 임계값은 점점 더 멀어지는 지점들을 포함합니다. 이로 인해 ^TH+ 할당에 대한 허용 가능한 근접성에 대한 경험적 보정이 가능합니다.
      4. 사전 설정된 예시:
         SpotsParameterAss = {
         1.2, [''품질' 94.5 이상, "강도 중심 Ch=aSizeC+1" 0.5' 이상];
         1.2, [''품질' 94.5 이상, "강도 평균 Ch=aSizeC+2" 0.0001' 이하'];
         1.2, ['"품질" 94.5 이상, "강도 평균 Ch=aSizeC+2" 0.001' 이하];
         1.2, [''"품질" 94.5 이상, "강도 평균 Ch=aSizeC+2" 0.01' 이하];
         ... 스크립트에서는 더 많은 필터 조합이 제공됩니다.
         };
      5. 향후 동일한 TH 항체와 공초점 설정을 사용하는 실험에서는 이전 매개변수 조합을 재사용하세요. 실제 수치와 상당히 차이가 나는 부적절한 조합을 삭제하여 불필요한 계산 부담을 줄이세요.
   6. 배치 스팟 생성
      1. 위의 모든 수정 사항을 스크립트에 저장하세요. XT_Jove_Labkit_TH.m. 새 3D 소프트웨어 창을 엽니다. 클릭 메뉴 이미지 처리 | 스크립트를 일괄 실행해야 PAM_TH_processing.
      2. 처음에는 몇 분간 각 필터 조합마다 스크립트가 매개변수를 반영하는 Spots 객체를 생성하고, 변환된 폴더 의 파일들은 처리되어 "processed"가 붙은 새 출력 폴더에 복사본으로 저장됩니다. 그 다음에는 컴퓨터를 무인 상태로 두세요.
      3. 완료 시 스프레드시트가 생성됩니다. 첫 번째 열에는 파일 이름이 있고, 이후 열에는 각 필터 조합에 대응하는 DAPI 스팟 수가 나오며, 열 헤더에는 추정된 XY 직경 과 사용된 필터 문자열 이 표시됩니다.
   7. 후처리 검증
      1. 2.4.6 단계가 완료된 후, "processed" 파일 몇 개를 수동으로 열어 원본 TH 채널과 겹쳐진 다양한 Spots 객체를 살펴보세요. 시각적 검사를 바탕으로, 진정한 ^TH+ 뉴런 수를 가장 충실하게 표현할 수 있는 한두 개의 최적의 필터를 선택하세요. 해당 열을 스프레드시트에서 내보내 통계 분석 및 도표 준비에 활용합니다.
      2. 선호하는 필터 조합의 스팟 카운트 오류를 수정하려면 Surpass 씬에서 해당 Spots 객체를 선택하고 편집 탭을 클릭하세요. Shift 를 누르고 화면을 클릭해 잘못된 부분을 수동으로 제거하거나 놓친 부분을 추가할 수 있습니다. Store as/Export as/Save AS로 저장해서 같은 파일 이름으로 "processed" 폴더에 있는 해당 파일을 덮어쓰세요.
         참고: Spots 객체는 삭제, 추가, 이름 변경, 드래그/재배치하지 마세요—선호하는 지점만 편집하세요. 스크립트에 수정이 필요하지 않습니다; 스크립트를 다시 실행하면 수동 수정 내용을 반영한 최신 스프레드시트가 즉시 생성됩니다. 일관성을 위해 편집하지 않거나, 실험 내 모든 샘플에 대해 선호하는 Spots 객체를 편집하세요.

결과

소프트웨어에서 수집된 원시 데이터는 공개 저장소에 보관되었으며, 다음 DOI에서 접근할 수 있습니다: 10.5281/zenodo.19814348. 이 반자동 정량화 파이프라인의 사용을 입증하기 위해, 우리는 인간 α시누클레인(nSyb-QF2>QUAS-SNCA)의 범신경세포 발현을 이용한 잘 확립된 초파리 PD 모델에 적용하였습니다. 컨트롤 플라이는 nSyb-QF2 드라이버만 보유하고 있었습니다. 두 유전자형 모두 29°C에서 3주간 숙성시킨 후, 뇌를 해부하고 TH에 대해 면역 염색을 하고 PAM 군집을 촬영하였습니다. 그림 3E에서 보듯, 반자동 파이프라인은 α-시누클레인 발현 파리에서 대조군에 비해 PAM TH⁺ 뉴런 수가 유의미하게 감소한 것을 감지했으며(학생 t-검정, p < 0.0001), 이 방법이 동일한 실험 배치 내에서 유전자형 의존적 차이를 포착할 수 있음을 입증했습니다. 다음 섹션에서는 이 정량화를 가능하게 하는 마운팅 구성(그림 1), Labkit 훈련 인터페이스(그림 2), 그리고 이미지 처리 단계(그림 3)를 설명합니다.

그림 1은 해부된 초파리 뇌의 증가하는 구성과 이것이 PAM 군집 영상에 미치는 영향을 보여줍니다. 해리 후 뇌는 절단된 복측 신경 코드 인접 조직이 휘거나 위로 기울어지는 현상을 가끔 보입니다. 뇌 복측 부분의 이러한 상승은 입체경 하에서의 시점을 변화시켜 등쪽 윤곽선의 전형적인 고랑 투사와 복측 랜드마크의 상대적 원근 차이를 초래합니다. (그림 1B, C). 이 변형은 뇌가 몸에서 분리된 순간에 자주 발생합니다. 이러한 변형은 장착 시 PAM 클러스터의 방향에 영향을 미쳐 필요한 Z-스택 깊이에 영향을 미칩니다(그림 1C,D). 최적의 장착 조건에서 단층 스카치 테이프 스페이서는 중심 뇌 영역에 적절한 압축을 만들어 등쪽에 위치한 PAM 클러스터가 커버슬립 바로 옆에서 수평 방향으로 배치되도록 만듭니다. 이 구성은 0.34 μm 간격으로 15–25개의 슬라이스로 이루어진 Z-스택을 생성합니다(그림 1D). 다른 조건에서는 PAM 클러스터가 기울어진 위치를 유지하여 더 깊은 Z-스택이 필요합니다(그림 1D). 마찬가지로, 이중 층 테이프 스페이서 사용은 충분한 압축을 제공하지 못해 PAM 클러스터가 원래 기울어진 구조로 남아 Z-스택 깊이가 증가합니다(그림 1D). 그림 1E는 최적 위치와 기울어진 조건 모두에서 TH 염색된 Z-스택의 대표적인 측면 투영 뷰를 보여줍니다.

그림 2 는 Labkit 사용자 인터페이스와 대표적인 교육 워크플로우를 보여줍니다. 단일 샘플에 몇 가지 희박한 낙서 주석만 있어도(그림 2A), 초기 픽셀 분류기는 이미 놀라울 정도로 합리적인 분할을 만들어냅니다(그림 2B). 하지만 이러한 최소한의 주석만으로는 전체 데이터셋에서 견고하고 일반화 가능한 성능을 달성하기에 충분하지 않다는 점을 강조하는 것이 중요합니다. ^TH+ 뉴런을 전체 데이터셋에서 신뢰성 있게 분할하는 분류기를 생성하려면 여러 Z-슬라이스, 샘플, 염색 변이에 걸친 훨씬 더 반복적인 라벨링이 필요합니다. 특히, 여러 훈련 이미지가 Z축을 따라 쌓이지 않고 시간(프레임) 차원을 따라 연결되어 있습니다. 이 설계는 각 개별 뇌 부피의 공간적 무결성을 보존하여 3D 필터 핵이 생물 표본 내부에서만 작동하도록 보장합니다. 샘플을 수직으로 쌓아 두꺼운 단일 Z-스택으로 만들면, 인접한 샘플 경계의 Z-슬라이스가 공간적으로 연속되어 서로 다른 뇌의 복셀이 인접 구조로 취급되어 불필요한 수동 수정 위험이 증가할 수 있습니다(그림 2C). 시간 축을 따라 연결하는 방식은 이러한 교차 샘플 오염을 방지하면서도 단일 Labkit 세션에서 효율적인 다중 샘플 훈련을 가능하게 합니다.

그림 3은 후처리 파이프라인과 최종 정량화를 보여줍니다. 원시 랩킷 분할 마스크(그림 3A)는 수많은 작은 위양성 스펙클과 내부 구멍을 포함하고 있습니다. 형태학적 잡음 제거와 구멍 채우기 연산을 적용한 후(그림 3B), 평활화된 TH 표면을 구성하여 정제된 이진 마스크를 생성합니다(그림 3C). 이 정제로 이루어진 개선은 초기 및 최종 마스크를 비교하는 오버레이로 시각화됩니다(그림 3D, 위쪽). 특히, 일부 TH가 풍부한 신경돌 영역은 최종 마스크에 가끔 남아 있습니다; 그러나 이 부위들은 거의 예외 없이 DAPI 염색된 핵이 없어 최종 뉴런 수에 거의 기여하지 않습니다. 고급 사용자는 제공된 배치 처리 스크립트의 형태학적 매개변수를 추가로 조정하여 잔류 아티팩트의 제거를 미세 조정할 수 있습니다. 그림 3D(아래)는 최대 강도 투영에서 TH 채널(녹색)에 겹쳐진 최종 DAPI 스팟(마젠타)을 보여줍니다. 그림 3D는 또한 우리 파이프라인에서 가끔 관찰되는 드문 위양성 유형을 보여줍니다: TH가 풍부한 신경돌기 영역 내에 위치한 DAPI 염색된 핵이 신경돌기 신호가 핵과 강하게 겹칠 때 TH⁺ 스팟으로 잘못 분류될 수 있습니다. 그러나 그림 3C에서 보듯, 신경돌 근처의 DAPI 양성 핵은 일반적으로 드문드문하다. 더불어, 이러한 신경돌기 영역 근처에 존재하는 소수의 DAPI 신호는 파이프라인에 의해 잘못 식별되지 않아 진음극(즉, TH⁺으로 간주되지 않음)으로 올바르게 분류되는 경우가 많습니다. 그림 3E는 이 방법의 실용성을 보여줍니다: 3주 된 nSyb-QF2>SNCA 파리는 여러 필터에서 nSyb-QF2 대조군에 비해 PAM TH⁺ 뉴런 수가 유의미하게 감소했습니다(Student's t 검정, p < 0.0001). 절대 스팟 수는 필터 조합에 따라 달라질 수 있고 이 방법이 완벽한 단일 스팟 정확도를 달성하지는 못하지만, 실험군과 대조군 간의 상대적 차이는 여전히 견고합니다. 여러 필터를 테스트할 경우, 그룹 비교의 통계적 결과는 동일한 실험 배치 내 필터 간에 대체로 보존됩니다. 따라서 출력은 PAM 뉴런의 오류 없는 절대 개수가 아니라 배치 내 비교 판독으로 해석되어야 합니다.

그림 1. 초파리 뇌 해리 및 장착 구성. (A) 뇌 장착 조립체의 회로도. 노란색 막대는 스카치 테이프 스페이서를 나타냅니다. 확대된 뇌 도식은 PAM 클러스터(보라색)의 대략적인 위치를 나타냅니다. (B) A의 점선면에 해당하는 측면 단면 도식으로, 해부 후 두 가지 일반적인 뇌 형태를 묘사합니다: 최적 위치(상부)와 기울어진 상태(아래). (C) 입체경으로 본 두 마리 해부된 파리 뇌: 최적 위치(왼쪽) 대 기울어진 (오른쪽). 노란 화살표는 등고선을 따라 전형적인 고랑을 나타냅니다. 파란색 점선은 복부 왼쪽과 오른쪽에 위치한 두 개의 해당 랜드마크를 연결합니다. 파란색 화살표는 이 복측 랜드마크들의 상대적 원근 변화를 강조합니다. 스케일 바 = 500 μm. (D) 뇌 형태와 테이프 스페이서 두께(단층 대 이중 층)가 PAM 클러스터의 수직 위치와 필요한 Z-스택 깊이에 미치는 영향을 보여주는 도식적 그림. (E) 최적 위치(상부)와 변형(하부) 장착 조건에서 본 TH 염색 공초점 Z-스택의 대표적인 측면 관점(Y 투영). 스케일 바 = 5 μm. 약어: PAM = 전뇌 전부 내측. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 2. Labkit 교육과 인터랙티브 세분화. (A) Labkit 그래픽 사용자 인터페이스. 주석(낙서)은 전경(빨간색)과 배경(파란색) 두 가지 클래스로 표시됩니다. (B) A에 표시된 낙서에 대한 훈련 직후 생성된 분할 결과. 빨간색은 전경색을 나타내며; 파란색은 배경색을 나타냅니다. 스케일 바 = 5 μm. (C) 인접한 Z-슬라이스 간의 크로스토크. 서로 다른 파리 뇌에서 추출한 형광 단백질 표지 미토콘드리아의 단일 슬라이스 이미지를 Z축을 따라 연속 배치하였다. 1과 3 단면은 동일한 이미지의 동일한 복사본이고, 2와 4 단면은 서로 다른 뇌에서 나온 것입니다. 노란 화살표, 예측이 슬라이스 2에서 슬라이스 1로 스루 스루됩니다. 초록 화살표, 예측이 4에서 3으로 스며들었습니다. 스케일 바 = 3 μm. 이 그림의 확대 버전을 보려면 여기를 클릭해 주세요.

그림 3. Labkit 분할 마스크와 TH⁺ 뉴런 정량화의 후처리. (A) Raw Labkit 이진 마스크(청록색, 상단)와 원본 TH 채널(하단)과 겹쳐 사용. 신경세포체에 작은 점들이 풍부하고 불완전하게 채워져 있는 것을 주목할 수 있습니다. (B) 형태학적 잡음 제거 및 구멍 채우기 후의 마스크(마젠타, 상단); TH 채널(하단)과 겹쳐 주세요. (C) B에 대해 부활하게 처리된 TH 곡면에서 정제된 이진 마스크(빨간색, 상단)와 재마스킹; TH 채널(하단)과 겹쳐 주세요. (D) 상단: 원시(청록색)와 정제된(빨간색) 마스크를 겹쳐 보정한 영역을 강조합니다. 아래: TH 채널(녹색)에 겹쳐진 최종 DAPI 스팟(마젠타)을 보여주는 최대 강도 투영 영상. 오른쪽 상단의 두 점이 반대편 PAM 클러스터에서 유래했다는 점에 유의하세요. 필터 4는 일러스트로 사용되었습니다. (E) 여러 필터 조합을 이용한 파킨슨병 모델에서의 정량적 검증. 3주 된 nSyb-QF2>SNCA(PD 모델)파리는 여러 필터에서 nSyb-QF2 대조군에 비해 PAM TH⁺ 뉴런 수가 유의미하게 감소한 것으로 나타났습니다(상단). 원시 데이터는 스프레드시트(하단)에 제공됩니다. 필터 1: 1.2, [''"품질" 94.5 이상, "강도 평균 Ch=aSizeC+2" 0.0001' 이하]; 필터 2: 1.2, ['"품질" 94.5 이상, "강도 평균 Ch=aSizeC+2" 0.001' 이하]; 필터 3: 1.2, [''품질' 94.5 이상, "강도 평균 Ch=aSizeC+2" 0.01' 이하]; 필터 4: 1.2, [''"품질" 94.5 이상, "강도 평균 Ch=aSizeC+2" 0.05' 이하]; 필터 5: 0.6, ['"품질" 94.5 이상, "강도 평균 Ch=aSizeC+2" 0.001' 이하]; 필터 6: 0.6, ['"품질" 94.5 이상, "강도 평균 Ch=aSizeC+2" 0.01' 이하]; 필터 7: 0.9, [''품질' 94.5 이상, "강도 평균 Ch=aSizeC+2" 0.01' 이하]; n = 57개의 뇌(대조군), n = 65개의 뇌(PD); 학생 t-검정, p < 0.0001 (****). 파리는 29°C에서 배양되었습니다. 스케일 바 = 5 μm (A–D). 데이터는 평균 표준± 기준으로 제시됩니다. 이 수치의 더 큰 버전을 보려면 여기를 클릭해 주세요.

보충 파일 1. 변환된 이미지 파일에서 TH 채널을 분리하고 출력 스택을 저장하는 Fiji 매크로입니다.이 파일을 다운로드하려면 여기를 클릭해 주세요.

보충 파일 2. 피지 매크로를 크롭하여 Z-스택을 공통 Z-슬라이스 깊이로 훈련시키고, Labkit 분류기 훈련을 위한 타임랩스 TIFF 파일에 연결합니다.이 파일을 다운로드하려면 여기를 클릭해 주세요.

보충 파일 3. PAM TH 세분화 워크플로우 테스트에 사용되는 사전 학습된 Labkit 분류기입니다.이 파일을 다운로드하려면 여기를 클릭해 주세요.

보충 파일 4. Labkit 마스크 배치 처리, DAPI 스팟 생성, 필터 조합 적용, TH⁺ 뉴런 수를 내보내기 위한 MATLAB 스크립트.이 파일을 다운로드하려면 여기를 클릭해 주세요.

토론

초파리 PAM 클러스터에서 DA 뉴런의 정량화는 역사적으로 매우 어려운 과제였습니다. 여기서는 이 오랜 문제를 해결하기 위해 머신러닝 기반 픽셀 분류와 이미지 분석 소프트웨어를 통합한 반자동화 워크플로우를 소개합니다. 이 방법은 같은 실험 내 그룹 내 PAM 클러스터 내 TH⁺ 뉴런의 변이를 배치 단위로 탐지할 수 있게 하여 파킨슨병 모델 내 비교 연구를 지원합니다¹⁸.

특정 실험에 최적의 필터를 선택할 때, 사용자는 원시 이미지의 시각적 검사와 가장 잘 맞는 필터를 선택하거나, 문헌에서 보고된 야생형 PAM 뉴런 수치의 범위 및/또는 평균을 참고할 수 있습니다^12,13. 그러나 주의가 필요합니다: PAM 클러스터 수를 보고한 연구는 단 두 건뿐이며, 이들 모두 PD와 관련이 없고, 보고된 값들은 상당한 불일치를 보입니다. 더불어 표준편차는 나이가 들수록 증가할 수 있어 교차 연구 비교를 더욱 복잡하게 만듭니다. 따라서 문헌 기반 참고문헌은 절대적인 기준이 아니라 대략적인 지침으로만 사용해야 합니다. 이 파이프라인이 오류 없는 절대 카운트를 제공하지 않는다는 점을 인정합니다(그림 3D). 그러나 비교가 동일한 실험 배치 내 그룹에 한정되어 있다면(즉, 단일 플롯에서 서로 다른 배치 간 데이터를 통합하지 않는 한), 이 방법은 배치 내 유전자형이나 처리 조건 간의 상대적 차이를 감지하는 데 사용할 수 있습니다.

우리의 경험상, AF488 결합된 2차 항체는 높은 배경 반응 때문에 피해야 하며, AF546은 Z축 방향의 신호 감쇠가 더 크기 때문에 피해야 합니다. 또한 철저한 DAPI 인큐베이션과 세척이 높은 신호 대 잡음비와 명확한 핵 신호 달성에 매우 중요하며, 이는 자동 분할 성능에 직접적인 영향을 미친다는 점도 발견했습니다. DAPI는 헤테로크로마틴을 선호하여 염색질을 선호하여 더 밝고 선명한 핵 반점을 생성하여 더 정확한 검출을 용이하게 하여 Hoechst보다 이 용도에 적합합니다.

일반적인 고장 모드에 대한 문제 해결 논의

얼룩 관련 고장. 해부 기술은 데이터 품질의 주요 결정 요소입니다. PAM 클러스터는 표면에 위치하며, 두 개의 기관낭과 이 부위의 지방체를 제거하면 쉽게 손상됩니다. 겸자는 PAM 부위를 관통하거나 압박하지 않도록 주의해서 다루어야 합니다. 복측 변형은 종종 복측 신경 코드가 절단되는 순간에 발생하며, 유리 슬라이드에 올려놓을 때 뇌가 기울거나 말려 나아집니다; 이 변형은 PFA 인큐베이션 후 영구적으로 고정될 수 있습니다. 절단 시 겸자 각도를 실험해 최적의 기법을 찾는 것이 좋습니다. 해부 후 기울어짐이 관찰되면, 상승 부위에 가해지는 부드러운 압력이 변형을 되돌릴 수 있습니다(압축 부위가 관심 영역이 아니라면 허용됨).

세분화 실패. 부실한 세분화는 보통 학습 데이터가 충분히 다양하지 않아 발생합니다. Labkit 분류기는 배치 내 모든 염색 품질 범위를 대표하는 이미지 세트(최상, 평균, 최저 등)로 학습되어야 합니다. 반복 교정 중에는 자신 있는 거짓 양성과 거짓 음성에 우선순위를 달 수 있습니다. 모호하거나 불확실한 영역을 수정하는 것은 분류기를 오도하고 성능을 저하시킬 수 있으므로 피해야 합니다.

스팟 탐지 실패. 매개변수 최적화는 대표성 표본의 소수 부분에 대한 체계적인 탐색이 필요합니다. 서로 다른 추정 스팟 직경과 품질 필터 임계값, 또는 이 프로토콜에서 사용하는 '품질 위' 필터 이상의 필터 유형을 테스트하세요. 스팟 생성 마법사는 다양한 필터링 옵션(예: 강도)을 제공합니다. 사용자는 필터 임계값과 유형을 자신의 데이터셋에 맞게 조정하고, 배치 처리 전에 경험적 조정을 수행하도록 권장합니다.

왜 PAM 클러스터 뉴런의 수동 수가 여전히 매우 어려운가? PAM 클러스터는 전통적인 수작업 계수 방법이 부적절할 수 있는 독특한 해부학적 및 염색 특성을 보입니다. 첫째, 초파리 도파민성 뉴런의 세포질 내 TH 면역형광은 주로 크고 염색되지 않은 핵 공간을 둘러싼 얇은 세포질 고리를 표지합니다. 따라서 DAPI 염색된 핵과 ^TH+ 세포질 구획은 공간적 겹침이 최소화됩니다. 이러한 근본적인 공존 위치 부재는 직접적인 "TH 마스크 내 DAPI 스팟" 분류 전략을 불가능하게 합니다. 둘째, PAM 클러스터는 100개 이상의 뉴런이 3차원적이고 포도처럼 조밀하게 배열되어 있습니다. 공초점 Z-스택을 탐색할 때, 뉴런들은 점차 나타나고 사라지며—일부는 평면으로 들어오고, 일부는 나가며—높은 인지 부하와 상당한 관찰자 간 변동성을 초래합니다. 가장 최근 PAM DA 뉴런을 정량화한 연구는 ImageJ의 세포 계수기 플러그인을 이용한 수동 계수에 의존했습니다. PPM1/2나 PPL1과 같은 소규모 군집에는 적합하지만, 특히 수십 또는 수백 개의 샘플이 필요한 연구에서는 PAM 군집에 적용할 경우 매우 많은 노동이 필요합니다.

Labkit의 랜덤 포레스트 아키텍처가 TH 뉴런 분할에 특히 적합한 이유는 무엇인가요? Labkit은 TH 염색 PAM 클러스터 이미지의 특정 과제에 매우 잘 적응된 무작위 포레스트 기반 픽셀 분류기를 구현합니다. 이 알고리즘은 가우시안 블러, 가우시안 차이, 가우시안 구배 크기, 가우시안 라플라시안, 헤시안 고유값 등 다양한 변환 필터를 연쇄적으로 적용하여 각 픽셀에 대해 포괄적인 특징 벡터를 계산합니다. 각각 여러 시그마 스케일(1, 2, 4, 8)에서 평가됩니다. 이 다중 스케일 특징 추출은 핵 내부와 세포외 배경을 구분하는 질감과 가장자리 특성을 효과적으로 포착합니다. 중요한 점은, 랜덤 포레스트가 딥러닝 접근법보다 훨씬 적은 학습 데이터를 필요로 하기 때문에, 사용자는 20–40장의 대표 이미지에 대해 드문드문 낙서 주석만으로도 분류기를 반복적으로 정제할 수 있다는 것입니다. 각 반복은 앙상블에 새로운 결정 트리를 추가하며, 이 트리들이 집합적으로 각 픽셀을 분류하기 위해 투표합니다. 이 과정은 배치별 염색 및 영상 조건의 변동성을 본질적으로 수용하며, 초파리 유전자 교배와 노화 연구에 내재된 생물학적 변이성을 고려할 때 중요한 장점입니다. 이 접근법을 사용하면 α-시누클레인 발현 파킨슨병 모델에서 ^TH+ 뉴런 손실을 감지할 수 있으며, 유전적 강화제와 억제제가 PAM 클러스터 뉴런 수에 미치는 효과를 실험 배치 내에서 비교할 수 있습니다.

중요한 점은, 훈련 목적상 잘린 스택이 Z축을 따라 쌓이지 않고 시간 차원을 따라 연속되어 있다는 것입니다. 이 설계 선택은 최적의 분류기 훈련에 매우 중요합니다. Labkit의 3D 픽셀 분류는 연속된 Z-슬라이스 간의 복셀 정보를 고려하는데, 이는 PAM 뉴런 형태를 정의하는 얇고 세포질 TH 고리를 정확히 분해하는 데 필수적입니다. 개별 샘플을 수직으로 쌓아 하나의 초두꺼운 Z-스택으로 만들면, 인접한 샘플 경계의 Z-슬라이스가 스택 내에서 공간적으로 연속적으로 형성됩니다. 따라서 서로 다른 생물학적 샘플에 속하는 복셀은 동일한 3차원 부피 내에서 인접한 구조로 취급됩니다. 상호작용 학습 중, 이러한 경계 근처에 낙서가 동시에 두 개의 다른 샘플의 특징을 포착하여 분류기를 혼동할 수 있습니다(그림 2B, 화살표). 더불어, 한 샘플에서 발생한 거짓 양성 신호가 인접 샘플의 부피로 투사되어 잘못된 수정 낙서가 발생하고, 이는 이후 학습 반복을 거쳐 생물학적으로 의미 없는 규칙을 인코딩하는 의사결정 트리를 생성할 수 있습니다. 시료를 시간 축을 따라 연결하면 각 개별 볼륨의 공간적 무결성을 유지할 수 있어, 3D 필터 커널이 생물 표본 내부에서만 작동할 수 있게 하면서도 단일 Labkit 세션에서 효율적인 다중 샘플 훈련을 가능하게 합니다.

방법론적 고려사항과 한계

몇 가지 중요한 주의사항이 논의할 가치가 있습니다. 첫째, 이 프로토콜은 PAM 클러스터에 최적화되어 있으며, 다른 DA 클러스터(예: PPM1/2/3, PPL1)나 시엽의 TH⁺ 뉴런에는 일반화되지 않을 수 있습니다. PAM 영역은 상대적으로 희박한 DAPI 밀도를 누리며, 핵들이 3차원 공간에서 잘 분리되어 있어 견고하고 명확한 DAPI 스팟 검출이 가능합니다. 반면, 이 워크플로우는 PPL1이나 PPM1/2와 같은 다른 DA 클러스터로 쉽게 이전할 수 없습니다. 이 영역에서 신경라이트는 DAPI 염색된 비-DA 세포의 핵과 병치되거나 겹치는 경향이 더 큽니다. 이러한 작은 클러스터에서 DA 뉴런의 기초 수가 매우 적으며(클러스터당 10개 미만), 몇 번의 오분류만으로도 비례적으로 큰 오차가 발생할 수 있어 이러한 응용 분야에서 이 방법이 신뢰성을 떨어뜨립니다. 둘째, TH 면역염색은 신경세포 내 신경돌과 축삭 돌출부도 표지합니다. 훈련 중 교정 주석이 있음에도 불구하고, 이 섬유 경로들은 때때로 강한 TH 신호를 생성하여 분류기에서 전경으로 잘못 분류될 수 있습니다. 그러나 PAM 클러스터의 이 영역들은 거의 예외 없이 DAPI 염색된 핵이 없습니다; 따라서 PAM 클러스터의 신경라이트가 풍부한 영역에 있는 위양성 복셀은 최종 뉴런 수에 미치는 영향이 최소한입니다. 셋째, Labkit의 픽셀 분류는 유한 이웃 내의 로컬 텍스처 특징에 대해 작동합니다(기본 필터 커널은 약 16× 16픽셀 창에 반응합니다). 이 설계는 계산 효율성을 보장하고 실시간 상호작용 분할을 가능하게 하지만, 분류기가 전역 해부학적 맥락을 활용할 수 없음을 의미합니다. 따라서 희귀한 인공물이나 학습 세트에서 크게 벗어난 염색 이상은 개별 사례별 관리가 필요할 수 있습니다. 마지막으로, 여기서 설명한 배치 처리 파이프라인은 Labkit 세분화와 DAPI 스팟 검출 및 거리 변환을 통합하여 다중 출력 채널과 필터 조합을 생성합니다. 사용자는 이 프로토콜에서 제시된 기본 임계값을 무비판적으로 채택하기보다는, 자신의 특정 실험 조건에 맞는 최적의 필터 매개변수를 체계적으로 검증해야 합니다.

향후 응용

여기서 제시한 PD 모델 외에도, 이 반자동화 파이프라인은 학습 및 기억, 동기 부여, 수면 조절, 연령 관련 신경퇴행 연구를 포함한 PAM 클러스터 DA 뉴런 정량화가 포함된 모든 초파리 모델에 직접 적용할 수 있습니다. 구체적으로, 이 방법의 배치 처리 능력은 다음과 같은 용도로 적합할 수 있습니다: (1) 중고처리량 약물 스크리닝: 여러 신경보호 화합물을 용량에 걸쳐 시험하는 것이 수작업 계산 노력에 비례적으로 증가하지 않고도 더 실현 가능해집니다. (2) 유전적 변형 선별: 수백 개의 유전적 교차(예: RNAi 라인, 과발현선 등)에서 PAM 뉴런 수를 정량하여 α-시누클레인 독성의 증강제 또는 억제자를 식별합니다. (3) 종단 노화 연구: 수작업 계산 부담을 줄이면서 여러 시점에 걸친 PAM 뉴런 손실 추적. 더불어, Labkit 기반 분할 워크플로우는 TH 염색에만 국한되지 않습니다; 적절한 재훈련을 통해 초 파리 뇌의 다른 신경 집단을 정량화할 수 있으며, 이는 PAM 클러스터와 두 가지 핵심 특징을 공유하는 데 있습니다: DAPI 염색된 핵의 밀도가 상대적으로 낮고 신경돌 염색에 의한 간섭이 최소화된다는 점입니다. Labkit과 여기서 사용되는 3D 소프트웨어를 넘어, 이 파이프라인의 전체 논리—머신러닝 기반 픽셀 분류 후 스팟 탐지 및 거리 변환—는 다른 지원되는 3D 이미지 분석 플랫폼에서도 구현할 수 있어, 더 넓은 연구 커뮤니티에서 접근성과 유연성을 높일 수 있습니다.

요약하자면, PAM 클러스터 TH⁺ 뉴런 수에서 그룹 차이를 감지하는 반자동 워크플로우를 제시합니다. Labkit 기반 픽셀 분류와 스팟 검출 및 거리 변환을 결합함으로써, 이 방법은 동일한 배치 내 실험군과 대조군 간 TH⁺ 뉴런 수를 비교할 수 있게 하며, 표본 크기가 증가함에 따라 수동 집계 부담을 줄여줍니다. 수십에서 수백 샘플로 확장하면 계산 시간이 비례적으로 늘어나지만, 추가적인 수동 작업은 주로 파일 정리와 품질 스팟 체크에 한정됩니다. PAM 클러스터는 지금까지 PD 연구에서 거의 주목받지 못했지만, 이는 생물학적 무관성보다는 기술적 한계 때문입니다. 실용적인 정량화 도구를 제공함으로써, 우리 프로토콜은 앞으로 PD 모델에서 PAM 뉴런이 퇴행하는지 여부와 방식을 조사하고, 후각 결손과 동기 저하 같은 비운동 증상에 대한 잠재적 기여를 탐구하는 데 기여할 것입니다. 이 프로토콜은 초 파리 모델 시스템에서 도파민성 신경퇴행, 시냅스 가소성, 신경보호 약물 스크리닝에 대한 배치 수준의 비교 연구를 촉진할 것으로 기대합니다.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
3D 이미지 처리 소프트웨어 - 비트플레인 이마리스 8.0+	옥스퍼드 인스트루먼츠	http://www.bitplane.com/	본 연구에 사용된 3D 이미지 분석 소프트웨어
4'6-디아미디노-2-페닐린돌 (DAPI)	써모피셔 사이언티브	62248
D. melanogaster: nSyb-QF2	블루밍턴 초파리 가축 센터	51960
D. melanogaster: nSyb-QF2>QUAS-SNCA	블루밍턴 초파리 가축 센터	600605
도실, 실가르드 184	탓 리 엔지니어링 Pte Ltd	https://www.tatlee.com.sg/
듀몽 핀셋 스타이플 3C 듀목셀, 0.04/0.08 mm	전자현미경 과학	72680-D(0203-3C-PO)
FV3000 공초점	올림포스	https://www.olympus-global.com/
염소 항토끼 IgG (H+L) 교차흡착 2차 항체, Alexa Fluor 647	써모피셔 사이언티브	A-21244
ImageJ/피지 (1.53q)	피지/이미지J	https://imagej.net/software/fiji/
랩킷	피지/이미지J	https://imagej.net/plugins/labkit/
미누티앵 핀, 스테인리스 스틸, 직경 0.15mm	아우스터리츠	https://mothandbeetle.com/products/austerlitz-stainless-steel-minutens.html
일반 염소 혈청, 용농 고체	시그마-올드리치	566380
수치 컴퓨팅 소프트웨어 - Python	파이썬	3.8+
수치 컴퓨팅 소프트웨어 - Matlab	수학	R2016a+	이 연구에 사용된 수치 컴퓨팅 소프트웨어
옥틸페놀 에톡시레이트 (Triton X-100)	바이오 라디	1610407
PBS 내 파라포름알데히드 용액 4%	산타크루즈 바이오테크놀로지	SC-281692
폴리스티렌 세포 배양 접시	네스트 사이언티브	706001
ProLong 골드 안티페이드 마운트	써모피셔 사이언티브	P36934
토끼 항티로신 하이드록실라아제(TH)	펠 프리즈	P40101-0
아자이드나트륨	시그마-올드리치	S2002
입체경	올림포스	SZ51
스테리켄 아인말칸; 렌 27 그라우 0.40 x 12 mm	스테리칸	D-34209
주사기, 1 mL	테루모	DVR-5175
투명 접착 테이프	3M 스카치 600, 정리	600