Myeloperoxidase anti neutrofiele cytoplasmatische antilichaam geassocieerd vasculitis (MPO-AAV) is een auto-immuunziekte die resulteert in nierfalen van pathologische glomerulaire letsel met aanzienlijke celdood en het vrijkomen van deoxyribonucleic zuur (DNA)1,2. DNA kan het immuunsysteem activeren door op te treden als een gevaarssignaal. Onder normale gezonde omstandigheden biedt de nucleaire locatie van DNA bescherming tegen blootstelling aan het immuunsysteem. Zelf-DNA dat extracellulair vrijkomt tijdens pathogene processen of auto-immuniteit wordt door het immuunsysteem gezien als een krachtige proinflammatoire schade geassocieerd moleculaire zelf-eiwit (DAMP)3. Extra cellulair DNA (ecDNA) wordt vrijgegeven uit stervende cellen door middel van verschillende mechanismen die worden beheerst door verschillende biochemische trajecten, zoals apoptose, necroptosis neutrofiele extracellulaire valvorming (NETs), necrose of pyroptose4,5,6,7,8.
We beschrijven hierin methoden om ecDNA vrij te geven uit stervende cellen in secties van formaline vaste paraffine embedded (FFPE) nieren van experimentele anti-MPO GN en nierbiopten van patiënten met MPO-AAV9,10. Er bestaan meerdere methoden voor de detectie van circulerend dubbelstrengs DNA (dsDNA) en DNA-complexen uit zowel serum als urine en van in vitro tests11,12. Deze methoden, hoewel nauwkeurig bij het bepalen van de hoeveelheid ecDNA, bepalen niet waar de ecDNA anatomisch wordt vrijgegeven. Er zijn methoden die specifieke meting van ecDNA beschrijven, zoals tunel voor apoptose en meting van celpuin13,14. Er is geen methode die beschrijft het meten ecDNA culmineerde uit alle vormen van celdood in FFPE nieren waar de pathologische schade optreedt. Dit is belangrijk om te bepalen of experimentele therapeutische behandelingen de ecDNA wissen van de sites van pathologische schade in het eigenlijke doelorgaan.
De verwerving van meerdere afbeeldingen van niermonsters creëert een hoog volume aan gegevens die vaak door één enkele gebruiker worden geanalyseerd. Dit is arbeidsintensief, tijdrovend en kan worden onderworpen aan onbetrouwbare reproduceerbaarheid door andere gebruikers, als gevolg van vooringenomenheid van de gebruiker. Trainable Weka-segmentatie is een open-source softwareplug-in voor imagej die geavanceerde bioinformatische tools gebruikt om pixels te classificeren met behulp van machine learning-algoritmen15,16. Deze methode is "trainable" waarbij het leert van de classificatie van segmenten pixels van de gebruiker en de nieuwe geleerde classificatie toepast op andere afbeeldingen. Deze methode is gebaseerd op algemene analysetools binnen het ImageJ-programma die worden gebruikt om elke pixel in een segment te "classificeren" als behorend tot een specifieke "klasse". Zodra het programma leert de "classificaties", kunnen ze worden gebruikt om andere soortgelijke geclassificeerde segmenten te identificeren binnen dezelfde afbeelding. Dit model wordt vervolgens opgeslagen en toegepast op andere sets afbeeldingen binnen hetzelfde experiment.
Huidige obstakels voor het bepalen van ecDNA in situ in niersecties is de endogene autofluorescentie van fixatie in formaline en de arbeidsintensieve analyse van de beelden. We beschrijven hier hoe je deze autofluorescentie doven, ecDNA detecteren en gecontroleerde machine learning gebruiken voor een hoge doorvoermeting van ecDNA. We hebben eerder de meting van NETs en extracellulaire MPO (ecMPO) gepubliceerd met behulp van een macro in ImageJ, we demonstreren nu semi-automatisering van deze methoden met behulp van supervised machine learning1. We tonen het aanpassingsvermogen van de machine learning tool, om een alternatieve vlek voor NETs en ecMPO te classificeren binnen hetzelfde beeld. Deze kleuringsmethoden die hier worden beschreven voor het opsporen van ecDNA, NETs en ecMPO kunnen worden vertaald naar andere vaste organen en ziekten waar ecDNA, NETS en ecMPO een rol spelen bij het bestendigen van ziekten zoals reumatoïde artritis en lupus17,18.