Morphology-based distinction between healthy and pathological cells using Fourier Transforms and Self-organizing Maps (푸리에 변환과 자기 조직화 맵을 활용한 건강한 세포와 병리학적 세포 간의 형태학 기반 구분)

여기에서는 3차원 모양을 기반으로 건강한 세포와 병리학적 세포를 식별할 수 있는 워크플로를 제공합니다. 3D 표면을 기반으로 2D 투영 윤곽선을 사용하여 조사된 세포 집단의 객관적인 클러스터링을 제공하는 Self-Organizing Map을 훈련하는 프로세스를 설명합니다.

이 방법은 암 연구 및 암 치료와 같은 기초 연구 및 임상 응용뿐만 아니라 면역학 분야에서도 주요 질문에 답하는 데 도움이 될 수 있습니다. 이 방법의 가장 큰 장점은 정적 방법이며 쉽게 수행할 수 있다는 것입니다. 이 기술은 모양과 운동 특성에 따라 병든 세포 유형을 자동으로 식별할 수 있습니다.

이 기술의 의미는 암이나 염증성 질환의 진단 및 치료로 확장됩니다. 이 방법은 면역 세포와 암세포 간의 작용에 대한 통찰력을 제공할 수 있지만 3차원 현미경 데이터가 필요한 모든 분야에도 적용할 수 있습니다. 이 방법을 처음 접하는 개인은 3차원 현미경 데이터를 설명하고 검증하는 데 문제가 있어 어려움을 겪을 수 있습니다.

여기에서 사용하는 소프트웨어 도구가 많은 과학자들에게 익숙하지 않기 때문에 이 방법의 시각적 시연이 중요하다고 생각했습니다. 시작하려면 함께 제공되는 텍스트 프로토콜에 설명된 대로 고해상도, 디컨볼루션된 3차원 현미경 데이터 세트를 얻습니다. 3D 이미지 데이터를 재구성 소프트웨어에 로드하고 각 개체에 대한 3D 표면 생성을 시작합니다.

이렇게 하려면 3D 뷰 옵션을 선택하고 표면을 클릭한 다음 다음 버튼을 클릭하여 표면 생성 마법사를 진행합니다. 이제 표면 복원을 위한 이미지 채널을 선택합니다. 표면의 세부 사항을 숨기지 않고 다공성 표면을 피하는 스무딩 값을 선택합니다.

Smooth Option Checkbox를 클릭하고 스무딩 반경을 제공하여 스무딩 기능을 적용합니다. 현미경 데이터의 3차원 이미지 구성을 생성할 때 세포 특성이나 모양을 잃지 않기 위해 평활화 계수와 적절한 임계값 방법에 주의를 기울이는 것이 특히 중요합니다. 다음으로, 임계값 방법을 선택하여 표면을 찾습니다.

절대 강도 임계값은 여기에 표시된 것과 같은 개체가 배경과 잘 분리되어 있고 대략 균일한 밝기 수준을 가질 때 사용합니다. 개체의 강도는 다양하지만 로컬 배경 및 개체를 둘러싼 다른 개체와 여전히 분리할 수 있는 경우 로컬 대비 임계값을 적용합니다. Local Threshold Search Area를 재구성된 객체의 예상 지름 값에 따라 설정합니다.

다음으로, 옵션 목록에서 선택하여 관심 있는 형태학적 매개변수에 따라 재구성된 표면을 필터링합니다. 여기에는 부피, 구형도, 곡면 대 부피 비율 등이 포함됩니다. 생성된 표면을 다음 단계에서 사용할 3D 애니메이션 소프트웨어와 호환되는 VRML과 같은 형식으로 저장하고 내보냅니다.

블렌더를 시작하고 창 오른쪽에 있는 출력 탭으로 이동합니다. 드롭다운 메뉴에서 TIFF 포맷을 선택하고 컬러 뎁스를 8비트 RGBA로 설정합니다. 그런 다음 스크립팅 모드로 전환하고 제공된 스크립트 파일인 Titled:GUI_Autorotate로 이동합니다.

py는 이 작업을 위해 GitHub 리포지토리에서 다운로드할 수 있습니다. 기본 창으로 돌아가서 스크립트 실행을 클릭하고 입력하라는 메시지가 표시되면 wrl 파일의 폴더를 선택합니다. 그런 다음 기본 메뉴로 이동합니다.

여기서 회전을 6 이상의 값으로 설정합니다. Rotate 버튼을 클릭하여 스크립트를 실행합니다. 일반적으로 6개의 다른 각도의 회전은 서로 다른 세포 집단을 구별하기에 충분하지만, 모양이나 특성에 대한 정보를 잃지 않기 위해 6개 미만의 회전을 사용하지 않는 것이 좋습니다.

개별 표면의 투영을 입력에 사용된 것과 동일한 폴더에 저장합니다. 기본적으로 이미지는 FIJI 플러그인 Shade에 필요한 형식인 8비트 TIFF 형식으로 저장됩니다. Fiji를 열고 Plugins 메뉴에서 Shade를 선택합니다.

기본값으로 시작하고 나중에 매개 변수를 미세 조정합니다. 프로그램을 실행할 준비가 되면 확인을 클릭합니다. 그런 다음 이전 섹션에서 만든 TIFF 파일이 포함된 소스 폴더를 선택하고 선택을 클릭합니다.

그런 다음 출력 데이터 폴더를 제공합니다. 첫 번째 이미지가 나타나면 셀을 둘러싼 사각형을 그리고 확인을 클릭하여 시작합니다. 플러그인이 실행되면 빨간색 선으로 표시된 셀의 주변부 찾기에서 이미지의 사전 처리가 표시됩니다.

found-edges의 좌표는 이제 이산 푸리에 성분을 계산하는 데 사용됩니다. 자기 조직화 맵을 처음으로 훈련시키려면 먼저 MATLAB을 불러오십시오. TrainSOM MATLAP 스크립트를 로드한 다음 실행을 선택하여 학습을 시작합니다.

필요한 경우 파일의 경로를 올바르게 지정해야 합니다. 실행이 시작되면 진행 상황을 표시하기 위해 추가 창이 나타납니다. 계속하기 전에 교육이 완료될 때까지 기다립니다.

기본적으로 스크립트는 2, 000 반복 또는 서사시를 실행하도록 설정됩니다. 훈련이 끝나면 신경망의 위상 플롯을 검토합니다. 다음은 neighbor-distances 플롯, sample-hits 플롯 및 input-planes 플롯의 예입니다.

자체 조직화 맵은 데이터 세트에서 숨겨진 관계를 발견하는 중요한 도구입니다. 그들은 데이터를 객관적으로 클러스터링하며, 감독되지 않고 학습하기 때문에 학습 데이터 세트가 필요하지 않다는 이점이 있습니다. 이제 네트워크가 훈련되었습니다.

작업 영역에서 파일을 마우스 오른쪽 버튼으로 클릭하고 나중에 사용할 수 있도록 저장합니다. self-organizing maps를 불러오면, 이미 훈련된 map을 사용할 때, data set를 클러스터링하기 위해 load. 그런 다음 미리 로드된 학습된 맵으로 테스트할 CSV 파일을 가져옵니다.

여기에서 Shade Plugin의 CSV 출력을 선택합니다. 데이터가 로드되면 출력 유형을 숫자 행렬로 변경한 다음, 선택 항목 가져오기를 선택합니다. 분류가 완료되면 명령 창을 사용하여 다양한 플롯을 평가합니다.

여기에 표시된 이미지는 미세아교세포의 디컨볼루션된 생체 내 다광자 현미경 데이터 세트에서 가져온 것입니다. 생리학적 조건 하에서, 미세아교세포는 여러 개의 고도로 분지된 과정을 가진 다소 복잡한 모양을 나타냈습니다. 이 피질 종양 모델과 같은 암이 있는 환경에 놓였을 때, 미세아교세포는 더 단순하고 더 방추 같은 모양으로 변했습니다.

이러한 포리에 모양의 설명 구성 요소 중 20개는 자기 조직화 맵을 훈련하기 위한 입력으로 사용되었습니다. 그런 다음 건강한 세포와 암이 있는 세포를 구별하는 능력을 평가하기 위해 훈련된 지도를 테스트했습니다. 건강한 세포 집단은 여기에 표시된 단일 영역에 투영된 반면, 암성 미세아교세포 데이터 세트는 덤벨 모양의 활성 영역으로 표시되었습니다.

지도는 또한 뚜렷한 세포 그룹을 식별하기 위해 의료 전문가에 의해 훈련될 수 있습니다. 여기에서 휴지 세포, 식세포 세포, 상호 작용 세포 및 이동 세포를 식별, 재구성하고 12x12 맵을 훈련하는 데 사용했습니다. 이 결합된 지도는 특히 지도의 왼쪽 하단과 중간 영역에 적중률이 높은 인공 뉴런 그룹을 보여줍니다.

매핑 접근 방식의 견고성은 훈련 데이터 세트의 일부가 아닌 동일한 휴지 세포 유형의 3개의 무작위 하위 집합이 있는 학습된 자기 조직화 맵을 사용하여 테스트되었습니다. 이 입력에 대한 S.O.M의 응답은 올바른 셀 유형을 나타내는 매우 유사한 반응을 나타냅니다. 이 기술을 개발한 후 이제 세포 모양 변화를 간단히 분류할 수 있는 툴킷이 생겼습니다.

이러한 변화는 예를 들어 암이나 다른 면역 체계 반응 중에 발생하며, 우리는 전체 동물, 절제된 조직 또는 칩에 있는 장기를 사용하여 현미경으로 이를 측정할 수 있습니다.