이미징 유세포 분석 및 인공 지능을 사용한 소핵 분석의 자동화

이미징 유세포 분석을 사용하여 소핵 분석을 수행하면 낮은 처리량, 점수 변동성 및 이벤트의 시각적 확인 부족을 포함하여 기존 방법의 많은 한계를 극복할 수 있습니다. 이 기술의 가장 큰 장점은 이미징 유세포 분석을 사용하여 모든 주요 이벤트를 획득하고 인공 지능을 사용하여 분석할 수 있다는 것입니다. 이 방법은 현재 사용 가능한 것보다 더 높은 처리량으로 독성을 테스트하기 위해 화학 물질 및 기타 화합물의 대규모 스크리닝에 사용될 가능성이 있습니다.

새로운 AI 모델을 구축할 때 주요 과제는 소핵이 있는 세포의 충분한 이미지를 얻는 것이므로 이미지 태깅 알고리즘을 사용하는 것이 중요합니다. 시작하려면 인공 지능 또는 AI 소프트웨어를 시작하십시오. 실험 유형에서 컨벌루션 신경망 또는 CNN 모델을 빌드하기 위한 학습 실험을 시작하려면 학습 옆에 있는 라디오 버튼을 클릭하고 다음을 클릭합니다.

Class Names(클래스 이름)에서 Add(추가)를 클릭합니다. 팝업 창에서 Mononucleated를 입력하고 확인을 클릭하여 클래스 이름 목록에 단핵화된 클래스를 추가합니다. 이 프로세스를 반복하여 MN으로 단핵화, MN으로 축소, MN으로 축소, 다핵화 및 불규칙한 형태와 같은 다른 클래스 이름을 추가합니다.

파일 선택에서 파일 추가를 클릭하고 AI 소프트웨어에 추가할 원하는 파일을 찾아 실측 데이터를 구축합니다. 그런 다음 Select Base Population 화면에서 인구 계층에서 Non-apoptotic population을 찾습니다. 그런 다음 Non-apoptotic 모집단을 마우스 오른쪽 버튼으로 클릭하고 Select All Matching Populations를 선택한 후 Next를 클릭합니다.

소핵이 있는 단핵구 세포의 태그가 지정된 진리 집단을 할당하려면 왼쪽의 모델 클래스에서 MN으로 단핵된 클래스를 클릭한 다음 오른쪽에서 태그가 지정된 적절한 진리 집단을 클릭합니다. 적절한 진리 모집단이 모두 할당되면 다음을 클릭합니다. 채널 선택 화면에서 실험에 적합한 채널이 선택되었는지 확인합니다.

여기에서 Bright Field 또는 BF를 채널 1로 선택하고 DNA 무리를 채널 7로 선택한 후 Next(다음)를 클릭합니다. 마지막으로 확인 화면에서 실험 만들기를 클릭합니다. Tagging (태깅)을 클릭하여 태깅 도구 인터페이스를 시작합니다.

그런 다음 확대/축소 도구를 클릭하여 더 쉽게 볼 수 있도록 이미지를 자릅니다. 그리고 슬라이더 막대를 클릭하여 이미지 크기를 조정하고 갤러리에 표시할 이미지 수를 결정합니다. 디스플레이 설정 옵션을 클릭하고 모든 주요 이벤트를 식별하기 위한 최상의 대비 이미지를 제공하는 최소-최대를 선택합니다.

그런 다음 갤러리 디스플레이 설정을 클릭하여 DNA 이미지의 색상을 노란색 또는 흰색으로 변경하면 작은 물체의 시각화가 향상됩니다. Cluster(클러스터)를 클릭하여 유사한 형태의 이미지를 함께 그룹화하는 알고리즘을 실행합니다. 클러스터링이 완료되면 개별 클러스터를 클릭하고 적절한 모델 클래스에 이미지 할당을 시작합니다.

각 모델 클래스에 최소 25개의 개체가 할당되면 예측 알고리즘을 사용할 수 있게 됩니다. 예측을 클릭합니다. 예측 알고리즘 실행이 완료되면 예측된 클래스의 개체를 적절한 모델 클래스에 추가합니다.

각 모델 클래스에 최소 100개의 개체가 할당되면 화면 맨 위에 있는 학습 탭을 클릭한 다음 학습 단추를 클릭합니다. 모델 학습이 완료되면 결과 보기를 클릭하여 모델 정확도를 평가합니다. 모델 학습이 완료되면 메뉴 단추를 클릭하여 새 실험을 정의합니다.

실험 유형에서 분류 옆에 있는 라디오 버튼을 클릭하여 분류 실험을 시작하고 다음을 클릭합니다. 분류에 사용할 모델을 클릭한 후 Next(다음)를 클릭합니다. 파일 선택 화면에서 파일 추가를 클릭합니다.

CNN 모델로 분류할 파일을 찾은 후 다음을 클릭합니다. 그런 다음 Select Base Population 화면에서 로드된 파일 중 하나에서 Non-apoptotic population 옆에 있는 확인란을 클릭합니다. Non-apoptotic 모집단을 마우스 오른쪽 버튼으로 클릭하고, Select All Matching Populations를 클릭하여 로드된 모든 파일에서 이 채우기를 선택한 후 Next를 클릭합니다.

채널 선택 화면에서 명시 필드에 대해 채널 1이 선택되고 DNA 염색에 대해 채널 7이 선택되었는지 확인하고 다음을 클릭합니다. 마지막으로 확인 화면에서 Create Experiment(실험 만들기)를 클릭합니다. AI 소프트웨어는 선택한 데이터 파일에서 선택한 모델과 모든 이미지를 로드합니다.

로딩 후 Finish(마침)를 클릭합니다. 그런 다음 Classify를 클릭하여 분류 화면을 시작합니다. 그리고 확인란을 사용하여 Random Forest 또는 RF 및 CNN을 사용하도록 선택합니다.

그런 다음 분류 버튼을 클릭합니다. 이렇게 하면 RF 및 CNN 모델을 사용하여 추가 데이터를 분류하고 지정된 모델 클래스에 속하는 모든 객체를 식별하는 프로세스가 시작됩니다. 분류가 완료되면 결과 보기를 클릭합니다.

DAF 업데이트 버튼을 클릭하여 분류 결과가 있는 DAF 업데이트 창을 표시한 다음 확인을 클릭하여 DAF 파일을 업데이트합니다. 보고서를 생성하려면 결과 화면에서 보고서 생성을 클릭합니다. 각 입력 DAF에 대한 개별 보고서가 필요한 경우 각 입력 DAF에 대한 보고서 만들기 옆의 확인란을 선택합니다.

그렇지 않으면 확인을 클릭하여 보고서를 얻으십시오. AI 지원 클러스터 알고리즘은 분류되지 않은 개체와 실측 모델 클래스에 할당된 개체의 형태에 따라 세그먼트 내의 유사한 개체를 함께 그룹화합니다. 단핵구를 포함하는 군집은 물체 지도의 한쪽에 속하고, 다핵세포는 반대쪽에 있습니다.

Binucleated 세포 클러스터는 단일 및 다핵 세포 클러스터 사이에 속합니다. 마지막으로, 불규칙한 형태를 가진 클러스터는 객체 맵의 다른 영역에 속합니다. 예측 알고리즘은 이미지에서 미묘한 형태를 식별하는 데 클러스터 알고리즘보다 더 강력합니다.

예를 들어, MN이 있는 단핵구 세포와 MN이 없는 단핵세포가 있습니다. 모델의 성능은 클래스 분포 히스토그램, 정확도 통계 및 대화형 혼동 행렬을 포함한 도구를 사용하여 평가할 수 있습니다. 클래스 분포 히스토그램에서는 실제 모집단과 예측 모집단 사이의 백분율 값이 가까울수록 모형이 더 정확합니다. 정확도 통계에서 이러한 메트릭이 100%에 가까울수록 모델이 모델 클래스에서 이벤트를 식별하는 데 더 정확합니다.

마지막으로, 대화형 혼동 행렬은 모델이 이벤트를 잘못 분류하는 위치를 나타냅니다. 유전독성은 Cytochalasin B 및 Non-Cytochalasin B 방법을 모두 사용하여 Mannitol, Etoposide 및 Mitomycin C에 대해 3시간 노출 및 24시간 회복 후 점선 막대로 표시된 현미경 검사에 의한 소핵의 백분율로 측정되었으며, 투명한 막대로 표시되고 AI는 점선 막대로 표시되었습니다. 학습 실험을 만들 때 로드된 데이터에 양성 및 음성 대조군 샘플의 이미지가 포함되어 있는지 확인합니다.

소핵은 드물며 정확한 AI 모델을 구축하려면 충분한 이미지가 필요합니다. 이 절차를 통해 AI 모델을 생성하여 방사선 생물선량 측정과 같은 모든 연구 분야에서 이미징 흐름 소핵 데이터를 분석할 수 있습니다. 소핵을 식별하는 빠르고 강력한 AI 기반 방법은 암 발병 위험을 예측할 수 있는 소핵을 정량화하는 것과 같은 다른 응용 분야로 확장될 수 있습니다.