건강 하 고 병 적인 사이 구별 형태학에 기초를 둔 세포 이용한 푸리에 변환 및 자기 조직 지도
2018년 10월 28일
여기, 우리는 그들의 3 차원 모양에 따라 건강 하 고 병 적인 세포의 식별을 허용 하는 워크플로 제공 합니다. 우리는 객관적인 조사 세포 인구의 클러스터링 하는 것을 제공할 것입니다 Self-Organizing 지도 훈련 3D 표면에 따라 2D 투영 윤곽선을 사용 하는 프로세스를 설명 합니다.
이 방법은 암 연구 및 암 치료와 같은 기본 연구 및 임상 응용 분야뿐만 아니라 면역학 분야에서도 주요 질문에 답하는 데 도움이 될 수 있습니다. 이 방법의 주요 장점은 정적 방법이며 용이하게하기 쉽다는 것입니다. 이 기술은 그들의 모양 및 운동 특성에 근거를 둔 병들기 세포 모형을 자동으로 확인할 수 있습니다.
이 기술의 의미는 암 또는 염증성 질환의 진단과 치료로 확장됩니다. 이 방법은 면역 세포와 암세포 사이 행동에 통찰력을 제공할 수 있습니다 그러나 또한 3 차원 현미경 데이터가 필요한 어떤 필드에 적용될 수 있습니다. 이 방법에 새로운 개인 때문에 3 차원 현미경 데이터를 설명 하 고 유효성 검사 하는 그들의 문제 투쟁 것 일 수 있습니다.
우리는 우리가 여기에서 사용하는 소프트웨어 도구가 많은 과학자들에게 익숙하지 않기 때문에이 방법의 시각적 데모가 중요하다고 생각했습니다. 먼저, 함께 제공되는 텍스트 프로토콜에 설명된 바와 같이 고해상도, 절충형 3차원 현미경 데이터 세트를 가져옵니다. 3D 이미지 데이터를 재구성 소프트웨어에 로드하고 각 개체에 대해 3D 표면을 만들기 시작합니다.
이렇게 하려면 3D 보기 옵션을 선택하고 Surfaces를 클릭한 다음 단추를 클릭하여 표면 생성 마법사를 진행합니다. 이제 표면 재구성을 위한 이미지 채널을 선택합니다. 표면의 세부 정보를 숨기지 않고 다공성 표면을 방지하는 스무딩 값을 선택합니다.
부드러운 옵션 확인란을 클릭하고 스무딩 반지름을 제공하여 스무딩 기능을 적용합니다. 현미경 데이터의 3차원 이미지 구조를 만들 때, 셀룰러 특성이나 모양을 잃지 않도록 스무딩 인자와 적절한 임계값 방법에주의를 기울이는 것이 특히 중요합니다. 다음으로 임계값 을 선택하여 서피스를 찾습니다.
여기에 표시된 오브젝트와 같이 오브젝트가 배경과 잘 분리되고 밝기 수준이 약 균일한 경우 절대 강도 임계값을 사용합니다. 오브젝트의 강도가 다르지만 로컬 배경과 주변의 다른 개체에서 분리할 수 있는 경우 로컬 대비 임계값을 적용합니다. 재구성된 개체의 예상 지름 값에 따라 로컬 임계값 검색 영역을 설정합니다.
다음으로 관심의 형태학적 매개 변수에 따라 재구성된 서피스를 필터링하는 옵션 목록에서 선택합니다. 여기에는 볼륨, 구형, 표면 대 볼륨 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 형식을 선택하고 색상 깊이를 8비트 RGBA로 설정합니다. 다음으로 스크립팅 모드로 전환하고 제공된 스크립트 파일인 제목:GUI_Autorotate 로 이동합니다.
이 작업에 대한 github 리포지토리에서 다운로드 할 수 있습니다. 주 창으로 돌아가면 스크립트 실행을 클릭하고 입력하라는 메시지가 표시될 때 wrl 파일폴더를 선택합니다. 그런 다음 기본 메뉴로 이동합니다.
여기서 회전을 6위 이상의 값으로 설정합니다. 회전 버튼을 클릭하여 스크립트를 실행합니다. 6개의 다른 각도의 회전은 일반적으로 다른 세포 집단을 구별하기에 충분하지만, 모양이나 특성에 대한 정보를 잃지 않기 위해 6회 미만의 회전을 사용하지 않는 것이 좋습니다.
입력에 사용된 동일한 폴더에 개별 서피스의 투영을 저장합니다. 기본적으로 이미지는 8비트 TIFF 형식으로 저장되며, 이는 피지 플러그인인 쉐이드(Shade)에서 요구하는 형식입니다. 피지를 열고 플러그인 메뉴에서 그늘을 선택합니다.
기본 값으로 시작하고 나중에 매개 변수를 미세 조정합니다. 프로그램을 실행할 준비가 되면 확인을 클릭합니다. 그런 다음 이전 섹션에서 만든 TIFF 파일이 포함된 원본 폴더를 선택하고 선택 선택을 클릭합니다.
그런 다음 출력 데이터 폴더를 제공합니다. 첫 번째 이미지가 나타나면 셀 을 둘러싼 사각형을 그리고 Okay를 클릭하여 시작합니다. 플러그인이 실행되면 빨간색 선으로 표시된 셀의 주변 발견에서 이미지의 사전 처리를 볼 수 있습니다.
이제 발견된 모서리의 좌표가 이산 포이어 구성 요소를 계산하는 데 사용됩니다. 처음으로 자체 구성지도를 훈련하려면 MATLAB을 로드하여 시작합니다. TrainSOM MATLAP 스크립트를 로드한 다음 실행을 선택하여 교육을 시작합니다.
필요한 경우 파일을 올바르게 경로로 이동해야 합니다. 실행이 시작되고 진행률을 표시하기 위해 추가 창이 나타납니다. 진행하기 전에 교육이 완료될 때까지 기다립니다.
기본적으로 스크립트는 2, 000 반복 또는 서사시를 실행하도록 설정됩니다. 교육이 완료되면 네트워크의 토폴로지 플롯을 검사합니다. 다음은 이웃 거리 플롯, 샘플 히트 플롯 및 입력 평면 플롯의 예입니다.
자체 구성 맵은 데이터 집합에서 숨겨진 관계를 발견하는 중요한 도구입니다. 데이터를 객관적으로 클러스터화하고 감독없이 학습하기 때문에 교육 데이터 집합이 필요하지 않다는 장점이 있습니다. 이제 네트워크가 학습되었습니다.
작업 영역의 파일을 마우스 오른쪽 단추로 클릭하고 나중에 사용할 수 있습니다. 데이터 집합을 클러스터하기 위해 이미 학습된 맵을 사용할 때 자체 구성 맵에 로드합니다. 그런 다음 미리 로드된 학습된 맵으로 테스트할 CSV 파일을 가져옵니다.
여기에서 쉐이드 플러그인의 CSV 출력을 선택합니다. 데이터가 로드되면 출력 유형을 숫자 행렬로 변경한 다음 가져오기 선택을 선택합니다. 분류가 완료되면 명령 창을 사용하여 다양한 플롯을 평가합니다.
여기에 이미지 쇼는 마이크로 글리아 세포의 데본 아웃 레틱 다중 광자 miscroscopy 데이터 세트에서입니다. 생리학적 조건하에서, microglia는 다중, 고도로 분기된 프로세스를 가진 다소 복잡한 모양을 제시했습니다. 이 피질 종양 모형과 같은 암 환경에 놓일 때, microglia는 더 간단하고 더 스핀들 같이 모양으로 변경되었습니다.
이러한 forier 자형 설명 구성 요소 중 20개가 자체 구성 맵을 학습하기 위한 입력으로 사용되었습니다. 훈련된 지도는 건강한 세포와 암세포를 구별하는 그것의 능력을 평가하기 위하여 그 때 시험되었습니다. 건강한 세포 인구는 여기에 표시된 단일 영역에 투영된 반면, 암마이크로글리아 데이터 세트는 아령 모양의 활성 영역으로 제시되었다.
지도는 또한 뚜렷한 세포 단을 확인하기 위하여 의학 전문가에 의해 훈련될 수 있습니다. 여기서, 휴식 세포, phagocytosing 세포, 상호 작용하는 세포 및 이동 세포는 12x12 지도를 훈련하기 위하여 확인되고, 재구성되고, 이용되었습니다. 이 결합된 맵은 특히 맵의 왼쪽 아래와 중간 영역에서 높은 히트 값 인공 뉴런 그룹을 보여줍니다.
매핑 접근법의 견고성은 학습 데이터 세트의 일부가 아닌 동일한 휴식 셀 유형의 3개의 무작위 하위 집합을 가진 훈련된 자체 조직 맵을 사용하여 테스트되었습니다. 이 입력에 대한 S.O.M 응답은 올바른 셀 유형을 나타내는 매우 유사한 반응을 나타낸다. 이 기술을 개발 한 후, 이제 우리는 단순히 셀 모양의 변화를 분류 할 수있는 도구 키트를 가지고있다.
이러한 변화는 암, 예를 들어, 또는 그밖 면역 계통 반응 도중 생기고, 우리는 전체 동물을 사용하여, 현미경 검사법, 절제된 조직, 또는 칩에 기관을 사용하여 그(것)들을 측정할 수 있습니다.
개요
이 기사는 3D 형태에 기반하여 건강한 세포와 병리학적 세포를 식별하는 워크플로를 제시합니다. 이 방법은 3D 표면에서 2D 투영 윤곽선을 사용하여 세포 집단의 객관적인 클러스터링을 위한 자기 조직화 맵을 훈련합니다.
주요 연구 구성 요소
과학 분야
- 신경과학
- 세포 생물학
- 면역학
배경
- 이 방법은 암 연구 및 치료에 도움이 됩니다.
- 정적이며 용이하게 진행할 수 있습니다.
- 형태와 움직임에 기반하여 질병 세포 유형을 식별합니다.
- 3D 현미경 데이터를 필요로 하는 다양한 분야에 적용 가능합니다.
연구 목적
- 세포 유형의 자동 식별 방법을 제공합니다.
- 암 및 염증성 질환의 진단 및 치료를 개선합니다.
- 더 나은 이해를 위해 과정을 시각적으로 시연합니다.
사용된 방법
- 고해상도 3D 현미경 데이터 획득.
- 특수 소프트웨어를 사용한 표면 재구성.
- MATLAB을 사용한 자기 조직화 맵 훈련.
- Fiji 및 Shade 플러그인을 사용한 이미지 처리.
주요 결과
- 형태학적 매개변수에 기반한 세포 집단의 성공적인 클러스터링.
- 3D 투영을 통한 세포 특성의 시각화.
- 건강한 세포와 질병 세포를 구분하는 효과를 입증했습니다.
- 연구자들에게 재현 가능한 워크플로를 제공했습니다.
결론
- 이 방법은 세포 식별을 위한 신뢰할 수 있는 접근 방식을 제공합니다.
- 암 진단 및 치료에 중요한 의미를 가집니다.
- 미래 응용 분야는 생물의학 연구의 다른 분야로 확장될 수 있습니다.
자주 묻는 질문
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.
