Volume segmentatie en analyse van biologische materialen met behulp van de SuRVoS (Super regio Volume segmentatie) Workbench
23 augustus 2017
Segmentatie van driedimensionale gegevens uit vele beeldvormingstechnieken is een grote knelpunt in de analyse van complexe biologische systemen. Hier beschrijven we het gebruik van SuRVoS Workbench tot semi-automatisch segment volumetrische gegevens op verschillende lengte-schalen voorbeeld datasets van cryo-Elektronentomografie, cryo zachte X-ray tomografie en fase contrast X-ray tomografie technieken gebruiken.
Het algemene doel van deze procedure is om complexe volumetrische datasets van biologische aard semi-automatisch te segmenteren. Deze methode kan helpen bij het beantwoorden van belangrijke vragen op het gebied van structurele biologie door zowel kwalitatieve als kwantitatieve analyse van volumetrische gegevens mogelijk te maken. Het grootste voordeel van deze techniek is dat, hoewel deze methode inzicht kan bieden in biologische datasets, deze ook kan worden toegepast op andere gebieden zoals materiaalkunde.
Deze software gebruikt een andere workflow dan segmentatieprogramma's, wat bij het eerste gebruik van SuRVoS aanvankelijke moeilijkheden kan veroorzaken. Daarom is visuele demonstratie cruciaal om deze nieuwe workflow te begrijpen. Segmentatie van grote, goed gedefinieerde regio's met behulp van modeltraining wordt gedemonstreerd op een fasecontrast röntgentomografie dataset.
Om deze procedure te starten, start u de SuRVoS werkbank. Klik op de knop Open Dataset en selecteer het te segmenteren gegevensbestand in het resulterende pop-upvenster. Kies een geschikte oriëntatie voor de dataset.
Kies vervolgens een map om de werkruimte en de bijbehorende bestanden in op te slaan. Klik op de knop Laden. In het tabblad Selecteer ROI voer de X, Y en Z start- en eindcoördinaten voor onze regio van interesse in en klik op Toevoegen.
Zodra een sectie is toegevoegd, zorg er dan voor dat deze is geselecteerd door het vakje aan de rechterkant aan te vinken. Hierna, in het tabblad Functiekanalen, gebruikt u het vervolgkeuzemenu om een functie te kiezen en deze toe te voegen aan de wachtrij. Wijzig eventuele opties die specifiek zijn voor de functie en kies het invoergegevensbestand waarop de functie moet worden uitgevoerd.
Klik op het selectievakje rechts van de functienaam om te berekenen. Meerdere functies kunnen op hetzelfde dataset worden uitgevoerd en berekende functies kunnen worden gebruikt als invoergegevens voor verdere verwerking. Kies vervolgens het tabblad Super Regio's.
In de sectie Super Voxels gebruikt u het vervolgkeuzemenu om het gefilterde dataset te selecteren waaruit de super voxels zullen worden gemaakt. Specificeer de vorm, de afstand en de compactheid. Klik op de knop Toepassen om de super voxels te genereren.
Om de kwaliteit van de super voxels te beoordelen, toont u ze alleen aan zonder de gegevens erop. Als de interessante kenmerken van de gegevens nog steeds zichtbaar zijn in de super voxels alleen, vertegenwoordigen ze de gegevens goed. In het tab Annotation klikt u op de knop Niveau Toevoegen om een annotatiefase toe te voegen.
Klik op de knop Label Toevoegen in het nieuw gecreëerde niveau om een label voor de annotatie toe te voegen. Selecteer vervolgens in het gedeelde snelkoppelingengedeelte het penpictogram. Een reeks opties verschijnt bovenaan het visualisatiepaneel.
Selecteer de super voxels optie en een pen met middelste breedte om te beginnen met het creëren van trainingsgegevens voor de modeltraining. Klik op het vakje aan de rechterkant van de labelinformatie om het te labelen dat moet worden geannoteerd. Klik vervolgens en sleep in het visualisatiepaneel om meerdere super voxels te annoteren.
In het tab Model Training stelt u het voorspellingsniveau in op het niveau dat de handmatige trainingsannotaties bevat. Vervolgens, in de sectie descriptor, stelt u de regio in op super voxels. Klik op de vervolgkeuze Selecteer Bronnen en vink de vakjes aan voor de gewenste functies of filters om de descriptoren te selecteren die zullen worden gebruikt om regio's van gegevens te onderscheiden.
Klik op de knop Voorspellen. Wanneer de berekening is voltooid, wordt het visualisatiepaneel bijgewerkt met voorspellingen van welk annotatielabel elk niet-gelabelde voxel toebehoort. Na het beoordelen van het effect van de trainingsmethodologieën en het kiezen van een, klikt u op de vervolgkeuze Verfijnen in de verfijningsectie om aanvullende verfijning toe te passen.
Aan de onderkant van het modeltrainingstab in de sectie Annotations Bijwerken, zorg ervoor dat het visualisatiemenu is ingesteld op voorspellingen. Gebruik vervolgens de schuifregelaar vertrouwen om meer of minder van de niet-geannoteerde super voxels toe te wijzen aan de geselecteerde annotatieslabels. Nadat er een geschikt niveau van vertrouwen is geselecteerd, klikt u op de Opslaan knoppen naast de labels onderaan het vertrouwensgereedschap om de voorspellingen in specifieke labels op te slaan.
Het visualisatiepaneel wordt bijgewerkt om de aangebrachte wijzigingen weer te geven. Indien nodig, herhaalt u de modeltraining met aanvullende verfijning en voorspellingen met hoog vertrouwen totdat er weinig of geen ongelabelde super voxels zijn. Segmentatie van kleinere, complexere regio's met behulp van super regio's wordt gedemonstreerd op een cryo-elektronentomografie dataset.
Na het toevoegen van geschikte niveaus en labels in het tab Annotation, selecteert u het label. Gebruik een pen met middelste breedte en begin met annoteren met geselecteerde super voxels. Een strategie voor super regio segmentatie is om snel op één slice te segmenteren, een paar slices boven of onder te verplaatsen en de gaten op de nieuwe slice in te vullen.
Op deze manier zullen de tussenliggende slices ook worden geannoteerd met minder inspanning van de gebruiker. Vervolgens, om de annotaties verder op te ruimen, selecteert u het segmentatielabel en een van de morfologische verfijningmethoden. Voer een straalwaarde in en kies hoe de verfijningmethode moet worden toegepast.
Klik vervolgens op Verfijnen. Classificatie en analyse van dataobjecten wordt gedemonstreerd op een cryo-soft röntgentomografie dataset. Nadat de gegevens volledig zijn gesegmenteerd, klikt u op het tweede tabblad in het visualisatiepaneel genaamd Label Splitter.
Er wordt een nieuw gebied, het regelscreatiepaneel, toegevoegd aan de rechterkant van het venster. Kies bovenaan het regelscreatiepaneel het niveau en de labels voor labelsplitsing. Selecteer vervolgens de dataset om te queryen en klik op Label.
Elk object in de geselecteerde labels wordt nu omlijnd in blauw als aparte objecten in het visualisatiepaneel. Het regelscreatiepaneel bevat nu een grafiek die de gemiddelde intensiteit van de objecten toont. Klik op de vervolg
Overzicht
Dit artikel bespreekt het gebruik van de SuRVoS Workbench voor het semi-automatisch segmenteren van complexe volumetrische datasets in de structurele biologie. De methode verbetert de kwalitatieve en kwantitatieve analyse van biologische gegevens, met toepassingen die zich uitstrekken tot de materiaalkunde.
Belangrijke studiecomponenten
Wetenschappelijk vakgebied
- Structurele Biologie
- Beeldvormingstechnieken
- Datasegmentatie
Achtergrond
- Segmentatie van 3D-gegevens vormt een aanzienlijke uitdaging bij biologische analyse.
- Verschillende imagingtechnieken, zoals cryo-elektronentomografie, worden hiervoor ingezet.
- SuRVoS Workbench biedt een nieuwe benadering voor datasegmentatie.
- Inzicht in de workflow is essentieel voor het effectief gebruiken van de software.
Doel van het onderzoek
- Om de segmentatie van volumetrische datasets te verbeteren.
- Om analyse in de structurele biologie te vergemakkelijken.
- Om een methode te bieden die toepasbaar is op andere vakgebieden, zoals materiaalkunde.
Gebruikte methoden
- Opstarten van de SuRVoS Workbench en laden van datasets.
- Definiëren van interessegebieden en selecteren van kenmerken voor segmentatie.
- Creëren van supervoxels en annoteren van gegevens.
- Modeltraining voor een verbeterde segmentatienauwkeurigheid.
Belangrijkste resultaten
- Succesvolle segmentatie van grote regio's middels modeltraining.
- Demonstratie van segmentatie op diverse datasets.
- Classificatie en analyse van gesegmenteerde objecten.
- Verfijningsmethoden verbeteren de kwaliteit van annotaties.
Conclusies
- SuRVoS Workbench helpt aanzienlijk bij de segmentatie van complexe biologische datasets.
- De methode is veelzijdig en kan worden aangepast voor andere wetenschappelijke vakgebieden.
- Visuele demonstraties zijn essentieel voor het begrijpen van de workflow.
Veelgestelde vragen
Relevantie voor de Industrie
Nauwkeurige segmentatie van complexe biologische 3D-beeldvormingsgegevens is een kritiek knelpunt in de structurele biologie en preklinische targetvalidatie, waarbij handmatige methoden tijdrovend en subjectief zijn. De SuRVoS Workbench pakt dit aan door semi-geautomatiseerde segmentatie mogelijk te maken, waardoor de verwerkingstijd met ongeveer een factor vijf wordt verminderd en de reproduceerbaarheid wordt verbeterd door computationeel gedefinieerde grenzen. Deze functionaliteit ondersteunt snellere hypothesetoetsing, mechanistische risicoreductie en datagestuurde besluitvorming in vroege discovery-workflows.
Strategische toepassingen in biofarmaceutisch R&D
Vroege Ontdekking & Targetvalidatie
- Wetenschappelijke waarde: Maakt kwalitatieve en kwantitatieve analyse van structuren op subcellulair en weefselniveau mogelijk om therapeutische hypothesen te onderzoeken en ziekterelateerde pathways te verduidelijken.
- Operationele waarde: Vermindert de segmentatietijd van weken naar dagen, waardoor target-validatiecycli worden versneld en expertbronnen worden vrijgemaakt voor analyses op een hoger niveau.
- Voorspellende waarde: Levert consistente, reproduceerbare segmentatie-outputs die het vertrouwen in structurele observaties voor target-prioritisering vergroten.
Screening & Assay-ontwikkeling
- Wetenschappelijke waarde: Genereert gestandaardiseerde, kwantificeerbare objectmetingen (bijv. grootte, intensiteit) van gesegmenteerde organellen of cellulaire componenten, wat assay-klare fenotypische readouts mogelijk maakt.
- Operationele waarde: Ondersteunt schaalbare toepassing over verschillende beeldgevingsmodaliteiten (cryoET, microCT, cryoSXT) en modelsystemen, wat de standaardisatie van assays over verschillende platforms faciliteert.
- Voorspellende waarde: Maakt objectieve classificatie van biologische objecten mogelijk via regelgebaseerde labelsplitting, waardoor waarnemer-bias bij de interpretatie van high-content screeningdata wordt verminderd.
Translationeel & Preklinisch Onderzoek
- Wetenschappelijke waarde: Handhaaft continuïteit van ontdekking tot preklinische fasen door vergelijkbare, kwantitatieve structurele gegevens te verschaffen over verschillende biologische toestanden (bijv. wild-type versus behandeld).
- Operationele waarde: Integreert met downstream visualisatie- en publicatietools, wat een naadloze overgang ondersteunt van datasegmentatie naar presentatie en regelgevende documentatie.
- Predictieve waarde: Faciliteert mechanistische risicoreductie door morfologische veranderingen te koppelen aan functionele fenotypes, waardoor de afstemming tussen target en hypothese wordt verbeterd.
Integratie van Pipeline & Workflow
SuRVoS Workbench past binnen het ontdekkingscontinuüm, van vroege hypothesetoetsing van targets tot lead-identificatie en preklinische validatie, vooral daar waar 3D-beeldvorming inzicht geeft in biologische mechanismen of target-interactie.
- Ontdekkingsbiologie: Ondersteunt hypothese-testen door nauwkeurige isolatie en analyse van interessegebieden in complexe volumetrische datasets mogelijk te maken, waardoor de structurele basis van biologische functies wordt verduidelijkt.
- Screening: Levert reproduceerbare, kwantitatieve resultaten (bijv. objectaantallen, grootteverdelingen) die essentieel zijn voor assay-ontwikkeling en de evaluatie van compound-effecten bij fenotypische screening.
- Analytiek: Genereert meetbare descriptoren (intensiteit, vorm, volume) die statistische vergelijking van condities mogelijk maken en datagestuurde go/no-go-beslissingen ondersteunen.
- Translationeel onderzoek: Maakt directe vergelijking van structurele fenotypes over verschillende ziektemodellen mogelijk, wat bijdraagt aan biomarker-afstemming en preklinische continuïteit wanneer brondata geconserveerde organelresponsen vertonen.
- Enterprise-hergebruik: Fungeert als een herbruikbaar segmentatieplatform over projecten, modaliteiten en teams heen, waardoor redundante methodeontwikkeling wordt verminderd en standaardisatie wordt bevorderd.
Operationele & Bedrijfsimpact
- Wetenschappelijke waarde: Verhoogt de voorspellende betrouwbaarheid bij targetvalidatie door mechanische ambiguïteit te verminderen via objectieve, datagestuurde segmentatie.
- Operationele waarde: Verbetert de standaardisatie en schaalbaarheid van beeldanalyse-workflows over verschillende locaties en modaliteiten, waardoor de variabiliteit in multi-gebruikersomgevingen afneemt.
- Strategische waarde: Versnelt go/no-go-beslissingen door de tijd tussen beeldverwerving en bruikbare inzichten te verkorten, wat de kapitaalefficiëntie in discovery-projecten verbetert.
- Impact op portfolio: Maakt risico-gecorrigeerde prioritisering van targets mogelijk op basis van robuust, kwantitatief structureel bewijs, waardoor biologische uitval in een laat stadium wordt verminderd.
Overwegingen voor implementatie
- Vereist bekendheid met concepten van 3D-beeldgegevens en SuRVoS-specifieke workflows, inclusief de generatie van supervoxels en modeltraining.
- Afhankelijk van toegang tot compatibele beeldsystemen (bijv. cryoET, microCT, cryoSXT) en voldoende computationele middelen voor voxelverwerking.
- Vereist overeenstemming tussen teams over annotatiestandaarden, kenmerkselectie en verfijningsparameters om reproduceerbaarheid te garanderen.
- Aanpassing over verschillende modelsystemen kan afstemming van filterinstellingen, supervoxelparameters en regels voor labelsplitting vereisen, op basis van de signaal-ruisverhouding en structurele complexiteit.
- Praktische beperkingen omvatten een initiële leercurve vanwege de niet-traditionele workflow en de afhankelijkheid van de door de gebruiker gedefinieerde kwaliteit van de trainingsgegevens voor de nauwkeurigheid van het model.
Veelgestelde vragen over Biopharma
Chapters in this video
0:05
Title
0:53
Preparing the Workplace, Data Representation, and Generating Appropriate Super-regions
3:19
Introduction to Annotation
4:12
Segmentation Using Model Training
5:41
Segmentation Using Super-regions
6:42
Classifiction and Analysis of Data Objects Based on Inherent Characteristics
9:00
Results: Model Training, Super-region Segmentation, and Label Splitting Using the SuRVoS Workbench
10:55
Conclusion
