1차 섬모 평가에 대한 인공 지능 접근 방식
2021년 5월 1일
이미지를 분석하기 위해 인공 지능(Ai)을 사용하는 것은 일반적으로 사용되는 방법에 비해 강력하고 편향이 적으며 빠른 접근 으로 부상하고 있습니다. 여기서 우리는 Ai가 세포 세포, 1차 섬모를 인식하고 길이 및 염색 강도와 같은 특성을 엄격하고 재현 가능한 방식으로 분석하도록 훈련했습니다.
현재 의 섬모 분석 방법은 노동 집약적이며 오류와 편견에 취약합니다. 우리의 접근 방식은 잠재적인 오류를 완화하면서 시간과 노력을 간소화하고자 합니다. 이 기술이 제공하는 주요 장점은 엄격성과 재현성 및 정량적 이미지 분석이 증가한다는 것입니다.
접근의 이 모형은 섬모 분석과 관련있을 뿐 아니라, 그밖 세포기관 및 cytoskeletal 단백질을 취급하는 그 포함하여 많은 세포 생물학 질문에 광범위하게 적용될 수 있습니다. 먼저 교육 데이터 집합을 열고 메뉴에서 파일을 선택하고 내보내기 가져오기를 클릭하고 파일 시퀀스에서 ND 파일 만들기를 선택합니다. 학습 데이터 집합이 포함된 폴더를 선택하고 대화 상자 창 중앙에서 파일 목록이 열립니다.
드롭다운 메뉴에서 하나 이상의 옵션을 사용하여 파일 구성을 수동으로 정의합니다. 선택한 각 옵션 아래에 해당 숫자 값을 입력하고 옵션을 선택하지 않는 경우 를 선택하지 않습니다. 변환을 클릭하여 ND 문서를 엽니다.
이미지를 보정하려면 이미지의 왼쪽 아래 모서리에 있는 보정되지 않은 옵션을 마우스 오른쪽으로 클릭합니다. 보정 문서를 클릭한 다음 픽셀 크기를 클릭하고 값을 입력하고 확인을 클릭합니다. 뷰 분석 컨트롤을 선택하고, 이진 도구 모음을 열고, 열린 모든 프레임에서 개별 섬모 구조를 정확하게 추적하여 손 식별 을 위해 자동 감지 또는 그리기 개체를 선택합니다.
AI 교육을 위해 nis를 선택합니다. ai, 기차 세그먼트를 클릭합니다. ai는 기차 세그먼트를 엽니 다.
ai box 를 선택한 다음 학습에 사용할 소스 채널을 선택합니다. AI를 훈련하기 위해 적절한 그라운드진실 바이너리를 선택합니다. 이진 크기 및 분포에 따라 AI를 학습하기 위해 필요한 반복 수를 선택한 다음 대상 폴더를 선택하여 학습된 AI 파일을 저장하고 기차를 클릭하여 소프트웨어를 학습합니다. 이 프로세스는 몇 시간이 걸립니다.
샘플을 변환하여 전에 설명한 것과 같이 섬모의 실험적 공초점 이미지를 엽니다. ND2 파일에 대한 TIF 파일입니다. 팝업 창에서 첫 번째 드롭다운 메뉴에서 멀티 포인트를 선택하고 총 이미지 수에 해당하는 값을 입력합니다.
두 번째 드롭다운 상자에서 파장을 선택하고 값을 폴더의 총 채널 수로 변경합니다. 이 소프트웨어는 자동으로 팝업 창의 오른쪽 끝에있는 파장 선택 창의 잠금을 해제합니다. 파장 선택 창에서 색상 드롭다운 메뉴를 사용하여 각 채널의 색상을 선택합니다.
각 채널에 이름 열 아래에 다른 이름을 제공합니다. 모든 정보가 업데이트되면 변환을 클릭합니다. 앞에서 설명한 대로 이미지를 보정합니다.
실험 데이터 집합의 픽셀 크기가 학습 데이터 집합의 픽셀 크기와 일치하는지 확인합니다. 이전 단계에서 숙련된 AI를 사용하여 첫 번째 채널에서 섬모를 식별합니다. 니스를 엽니다.
메뉴에서 ai, 세그먼트를 선택합니다. ai는 소스 채널에서 AC3를 선택합니다. 그런 다음 소스 채널에서 MCHR1을 선택하여 두 번째 채널의 섬모를 식별합니다.
이 소프트웨어는 라벨이 붙은 섬모에 바이너리를 그립니다. 다음 이미지를 잘못 식별한 바이너리에 대해 확인합니다. 이진 도구 모음에서 개체 삭제를 선택하여 잘못 식별된 바이너리를 수동으로 삭제합니다.
섬모가 확인되고 세분화되면 일반 분석 세 도구를 사용하여 길이 및 강도와 같은 다른 섬모 매개 변수를 분석합니다. 메뉴에서 이미지를 선택하고 새 GA3 레시피를 클릭합니다. 중앙에 빈 공간이 있는 새 창이 열립니다.
GA3는 AI에 따라 적절하게 표시된 바이너리를 자동으로 감지하고 해당 노드를 포함합니다. GA3는 또한 이미지의 채널을 자동으로 감지하고 채널 아래에 탭을 표시합니다. AI는 프레임의 오브젝트처럼 모든 섬모를 분할하고 프레임 가장자리를 따라 불완전한 섬모를 감지합니다.
이를 제거하려면 바이너리 처리를 선택하고 개체를 제거한 다음 터치 테두리 노드를 빈 공간으로 드래그한 다음 노드를 적절한 바이너리에 연결합니다. 섬모 길이를 측정하려면 측정 오브젝트 크기를 선택한 다음 길이를 선택합니다. 매개 변수를 중앙에 드래그 앤 드롭하고 적절한 이진 노드에 연결합니다.
섬모 강도를 측정하려면 일부 개체 강도를 선택합니다. 매개 변수를 중앙에 드래그 앤 드롭하고 적절한 이진 노드 및 관심 채널에 연결합니다. 측정 메뉴에서 개체 비율계로 이동하여 Mander의 계수를 선택하여 개별 섬모 내에서 두 채널의 중복을 측정하여 GA3에서 지역화 경로를 설정합니다.
빈 공간에서 맨더의 계수 노드를 드래그앤드롭하고 적절한 바이너리 및 채널에 연결합니다. 데이터 관리 메뉴를 열어 측정값과 단일 테이블을 EnEn합니다. 기본 범주에서 ApEn 열을 선택한 다음 지금 실행을 클릭하여 섬모를 측정합니다.
모든 측정값은 단일 출력 테이블에 나타납니다. 대표적인 이미지는 훈련된 AI가 IMCD 세포, 1차 시상하계 배양 및 해마 배양의 이미지에서 체외에서 제대로 섬모를 확인했지만 사이토카인 브리지와 같은 다른 비섬모성 구조는 없음을 보여줍니다. 섬모의 길이는 IMCD 세포에서 0.5 내지 4.5 마이크로미터, 시상 하및 해마 배양에서 2 내지 12 마이크로미터 사이였다.
AI는 아크루아테 핵, 정맥핵 및 각막 암모의 한 부위의 이미지에서 생체내에서 AC3 라벨이 부착된 섬모의 길이를 측정했습니다. 분석에 따르면, 생체 내의 시상 하 부 섬모는 흰색과 갈색 막대에서 볼 수 있듯이 1에서 15 마이크로 미터까지 다양했습니다. 섬모와 각막 암모니스 지역은 회색 막대에서 볼 수 있듯이 1에서 10 마이크로미터까지 다양했습니다.
흥미롭게도, 섬모 MCHR1의 강도는 아크에이트 핵에서보다 심방 핵에서 더 강했다. AC3에 대한 MCHR1의 강도는 중복을 측정하기 위해 플롯되었다. 일부 섬모는 AC3 또는 MCHR1에 대 한 긍정적인 동안 섬모의 대부분은 두 마커에 대 한 긍정적인 했다.
AC3 내에서 MTHR1의 군산화를 정량화하기 위해 Mander의 중첩 계수를 측정하고 아크퀴아테 핵보다 심혈핵의 중첩이 크게 증가했습니다. 섬모의 길이를 따라 강도를 측정하기 위해, 섬모 극성은 기초 바디 마커로 Centrin2-GFP를 사용하여 정의되었습니다. 이것은 ARL13B-M 체리 양성 분모의 끝과 섬모의 기초를 구별 할 수 있었습니다.
Cilia의 길이를 따라 ARL13B 강도의 변화는 ARL13B 강도가 왼쪽에 보이는 아크추아테 핵의 실륨 의 끝보다 기지에서 더 높은 곳뿐만 아니라 PVN, 오른쪽에 볼 수 있듯이 관찰되었다. 이 접근 방식을 사용하여 데이터를 분석할 때 실험 데이터 집합의 품질과 해상도가 AI를 학습하는 데 사용되는 데이터와 일치하는지 확인하는 것이 중요합니다. 이 방법의 주요 유틸리티는 AI에 의해 섬모를 감지 한 후, 사용자는 소프트웨어 내에 통합 된 분석 워크플로우를 사용자 정의하여 분석되는 속성에 대해 크리에이티브 할 수 있습니다.
개요
본 논문은 in vivo 및 in vitro 샘플 모두에서 섬모를 자동 식별하고 정량 분석하기 위한 인공지능(AI) 기반 워크플로우를 제시합니다. 이 접근 방식은 섬모 측정 과정을 효율화하여 수작업과 편향을 줄이며, 다양한 세포 유형과 조직에 걸쳐 섬모 길이, 형광 강도 및 공국소화(co-localization)에 대한 고처리량의 재현 가능한 분석을 가능하게 합니다.
주요 연구 구성 요소
과학 분야
- 세포 생물학
- 이미징 분석
- 신경과학
배경
- 섬모는 포유류 세포에서 신호 전달 중심 역할을 하는 미세소관 기반의 소기관입니다.
- 섬모의 길이는 엄격하게 조절되며 세포 유형과 조직에 따라 달라지며, 이는 신호 전달 능력에 영향을 미칩니다.
- 전통적인 섬모 측정 방법은 시간이 많이 소요되고 오류가 발생하기 쉬우며 편향될 가능성이 있습니다.
- AI는 세포 생물학에서 편향되지 않은 확장 가능한 이미지 분석 가능성을 제공합니다.
연구 목적
- 섬모의 자동 식별 및 측정을 위한 AI 기반 방법을 개발하고 입증한다.
- 대규모 데이터셋에서 섬모 특성에 대한 신속하고 재현 가능하며 편향되지 않은 분석을 가능하게 한다.
- 다양한 샘플, 뇌 영역 및 실험 조건 간의 섬모 특성 비교를 용이하게 한다.
사용된 방법
- 수동으로 주석을 단 섬모 이미지로 학습 데이터 세트 준비.
- 이미지 보정 및 섬모 구조를 인식하기 위한 AI 모듈 학습.
- 학습된 AI를 적용하여 실험용 공초점 이미지 내 섬모 분할.
- 통합 분석 도구를 사용한 섬모 길이, 형광 강도 및 마커 공국소화의 자동 측정.
주요 결과
- AI가 in vitro(IMCD 세포, 시상하부 및 해마 배양) 및 in vivo(궁상핵, 시상하부 파라벤트리큘러 핵, Cornu ammonis 영역)에서 섬모를 정확하게 식별하였습니다.
- 세포 유형 및 뇌 영역 전반에 걸쳐 섬모 길이 분포를 정량화하였습니다(예: IMCD 세포에서 0.5–4.5 μm, 시상하부/해마 배양에서 2–12 μm, in vivo 시상하부 섬모에서 1–15 μm).
- 형광 강도 분석을 통해 섬모 마커 발현의 지역적 차이를 확인하였습니다(예: 시상하부 파라벤트리큘러 핵에서 더 높은 MCHR1 강도).
- Mander's 계수를 이용한 공동 국소화 분석 결과, 섬모 마커들이 지역적 변이에 따라 유의미하게 중첩됨을 보여주었습니다.
- 섬모 길이에 따른 강도 프로파일링을 통해 극성을 확인하였으며, ARL13B 강도가 팁(tip)보다 기저부(base)에서 더 높게 나타났습니다.
결론
- AI 기반 워크플로우를 통해 여러 샘플과 조건에 걸쳐 신속하고 편향 없는 재현 가능한 섬모 분석이 가능합니다.
- 이 접근 방식은 정량적 이미지 분석의 엄격함과 신뢰도를 높여줍니다.
- 본 방법은 다양한 생물학적 맥락에서 다른 세포 소기관 및 세포 구조를 분석하는 데에도 적용 가능합니다.
자주 묻는 질문
산업적 관련성 요약
AI 기반 자동 섬모 분석은 다양한 샘플에서 섬모 특성의 고처리량 및 무편향 측정을 가능하게 함으로써 정량적 세포 생물학의 결정적인 병목 현상을 해결합니다. 이러한 기능은 이미지 기반의 표현형 판독값을 표준화하여 초기 발견 및 타겟 검증의 예측 신뢰도를 높여줍니다. 이 접근 방식은 포트폴리오 선별과 중개 연구의 연속성에 필수적인 엄격하고 재현 가능한 데이터 생성을 지원합니다.
바이오 제약 R&D의 전략적 활용
초기 발견 및 타겟 검증
- 세포 유형별로 섬모 길이와 마커 강도를 정량화하여 강력한 표현형 스크리닝을 가능하게 합니다.
- 편향되지 않고 재현 가능한 이미지 분석 결과물을 통해 기전적 리스크 감소를 지원합니다.
- 서로 다른 실험 조건에서의 섬모 역동성을 비교함으로써 기능적 타겟 검증을 용이하게 합니다.
- 경로 조사 및 가설 검증을 위한 예측 신뢰도를 향상시킵니다.
스크리닝 및 분석법 개발
- 후속 고함량 스크리닝(high-content screening)을 위해 검증된 이미지 분석 워크플로우를 준비합니다.
- 분석 재현성을 위해 길이, 강도 및 공동 국소화(co-localization)와 같은 정량적 출력값을 표준화합니다.
- 대규모 데이터 세트와 다수의 처리군에 대해 확장 가능하고 자동화된 분석을 가능하게 합니다.
- 작업자의 편향과 오류를 최소화하여 신뢰할 수 있는 화합물 평가를 지원합니다.
중개 및 전임상 연구
- 샘플 간 및 지역 간 비교를 가능하게 하여 표현형 측정값을 질병 관련 시스템과 일치시킵니다.
- 표준화된 이미지 기반 엔드포인트를 통해 발견 단계부터 전임상 검증까지 연속성을 유지합니다.
- 정량적이고 재현 가능한 데이터에 기반하여 위험 조정된 진행 기준을 제공합니다.
- 엄격한 이미지 분석을 통해 중개 바이오마커 개발을 강화합니다.
파이프라인 및 워크플로 통합
이 AI 기반 이미지 분석 방법은 초기 발견부터 리드 물질 확인 및 전임상 연구에 이르기까지 통합적으로 적용되어, 가설 검증과 정량적 표현형 분석을 지원합니다.
- 발견 생물학: 가설 기반의 경로 분석을 위한 비편향적이고 정량적인 판독 결과를 제공합니다.
- 스크리닝: 고처리량 애플리케이션을 위해 분석 준비가 완료된 재현 가능한 이미지 분석 워크플로우를 제공합니다.
- 분석: 견고한 데이터 비교를 위해 섬모 길이, 강도 및 공동 국소화의 표준화된 측정값을 출력합니다.
- 중개 연구: 바이오마커 연구를 위해 샘플 간 및 지역 간 표현형 정렬을 가능하게 합니다.
- 기업적 재사용: 다양한 소기관과 세포 유형에 걸쳐 이미지 기반 분석을 수행할 수 있는 확장 가능하고 적응 가능한 플랫폼을 구축합니다.
운영 및 기업적 영향
- 과학적 가치: 표현형 분석에서 예측 신뢰도를 높이고 기전적 모호성을 줄입니다.
- 운영적 가치: 표준화되고 재현 가능하며 확장 가능한 이미지 분석 워크플로우를 제공합니다.
- 전략적 가치: 후기 단계의 생물학적 리스크를 줄임으로써 go/no-go 결정의 품질과 자본 효율성을 개선합니다.
- 포트폴리오 영향: 정량적이고 객관적인 데이터를 통해 리스크 조정 우선순위 설정 및 개발 추진을 지원합니다.
실행 시 고려 사항
- AI 학습, 이미지 보정 및 공초점 현미경 분석에 관한 전문 지식이 필요합니다.
- 고성능 이미징 장비 및 분석 소프트웨어 인프라의 활용 가능 여부에 따라 달라집니다.
- 이미지 획득 및 분석 파라미터에 대한 팀 간 표준화가 필요합니다.
- 적절한 학습 데이터 세트가 있다면 다양한 세포 유형 및 조직에 적용 가능합니다.
- 학습 데이터 세트와 실험 데이터 세트 간의 이미지 해상도 및 품질의 일관성이 필수적입니다.
