Morfologie-gebaseerd onderscheid tussen gezonde en pathologische cellen met behulp van Fouriertransformaties en zelf-organiserende kaarten

Deze methode kan helpen bij het beantwoorden van belangrijke vragen in fundamenteel onderzoek en klinische toepassingen, zoals kankeronderzoek en kankerbehandeling, maar ook op het gebied van immunologie. Het belangrijkste voordeel van deze methode is dat het een statische methode en gemakkelijk te vergemakkelijken. Deze techniek is in staat om automatisch zieke celtypen te identificeren op basis van hun vorm en bewegingskenmerken.

De implicaties van deze techniek breiden zich uit tot diagnose en therapie van kanker of ontstekingsziekten. Deze methode kan inzicht geven in acties tussen immuuncellen en kankercellen, maar het kan ook worden toegepast op elk gebied waar driedimensionale microscopiegegevens nodig zijn. Het kan zijn dat individuen die nieuw zijn bij deze methode zullen worstelen vanwege hun problemen om de driedimensionale microscopiegegevens te beschrijven en te valideren.

We dachten dat een visuele demonstratie van deze methode van cruciaal belang is omdat de softwaretools die we hier gebruiken niet bekend zijn bij veel van de wetenschappers. Om te beginnen, het verkrijgen van een hoge resolutie, deconvolved driedimensionale microscopie gegevensset zoals beschreven in de begeleidende tekst protocol. Laad de 3D-afbeeldingsgegevens in de reconstructiesoftware en begin met het maken van een 3D-oppervlak voor elk object.

Selecteer hiervoor de optie 3D-weergave en klik op Oppervlakken en klik vervolgens op de knop Volgende om verder te gaan met de wizard Surface Creation. Selecteer nu het afbeeldingskanaal voor de oppervlaktereconstructie. Kies een gladmakende waarde die de details van het oppervlak niet verbergt, maar ook poreuze oppervlakken vermijdt.

Pas de vloeiende functie toe door op het selectievakje Opties vloeiend te klikken en een vloeiende straal te bieden. Bij het maken van driedimensionale beeldconstructies van microscopiegegevens is het vooral belangrijk om aandacht te besteden aan de gladmakende factor en de juiste drempelmethode, om geen cellulaire kenmerken of vormen te verliezen. Selecteer vervolgens de drempelmethode om de oppervlakken te vinden.

Gebruik een absolute intensiteitsdrempel wanneer de objecten, zoals die hier worden weergegeven, goed gescheiden zijn van de achtergrond en een ongeveer uniform helderheidsniveau hebben. Wanneer de objecten variëren in intensiteit, maar nog steeds kunnen worden gescheiden van de lokale achtergrond en van de andere objecten eromheen, past u een lokale contrastdrempel toe. Stel het zoekgebied Voor lokale drempelwaarden in op basis van de waarde van de verwachte diameter van de gereconstrueerde objecten.

Selecteer vervolgens uit een lijst met opties om de gereconstrueerde oppervlakken te filteren op morfologische parameters van belang. Dit omvat volume, sfericiteit, oppervlakte-volumeverhouding en meer. Sla de gegenereerde oppervlakken op en exporteer ze in een indeling zoals VRML, die compatibel is met de 3D-animatiesoftware die in de volgende stap wordt gebruikt.

Start Blender en ga naar het tabblad Uitvoer aan de rechterkant van het venster. Selecteer de TIFF-indeling in het vervolgkeuzemenu en stel de kleurdiepte in op 8-bits RGBA. Schakel vervolgens over naar de scriptmodus en navigeer naar het meegeleverde scriptbestand Titled:GUI_Autorotate.

py, die is te downloaden van de github repository voor dit werk. Klik terug in het hoofdvenster op Script uitvoeren en kies de map van de wrl-bestanden wanneer daarom wordt gevraagd om invoer. Ga vervolgens naar het standaardmenu.

Stel hier de rotaties in op een waarde op of boven zes. Voer het script uit door op de knop Roteren te klikken. Een rotatie van zes verschillende hoeken is meestal voldoende om de verschillende cellulaire populaties te onderscheiden, maar we raden niet aan om minder dan zes rotaties te gebruiken, om geen informatie over vormen of kenmerken te verliezen.

Sla de projecties van de afzonderlijke oppervlakken op in dezelfde map die voor de invoer is gebruikt. Standaard worden de afbeeldingen opgeslagen in een 8-bits TIFF-indeling, het formaat dat vereist is door de FIJI-plug-in Shade. Open Fiji en selecteer Schaduw in het menu Plug-ins.

Begin met de standaardwaarden en stem de parameters later af. Klik op Oke wanneer u klaar bent om het programma uit te voeren. Kies vervolgens de bronmap met de TIFF-bestanden die in de vorige sectie zijn gemaakt en klik op Selecteren.

Geef vervolgens een map uitvoergegevens op. Wanneer de eerste afbeelding wordt weergegeven, tekent u een rechthoek rond de cel en klikt u eerst op Ok. Als de plugin wordt uitgevoerd, ziet u de voorbewerking van de afbeelding in de periferie van de cellen aangegeven door rode lijnen.

De coördinaten van de gevonden randen worden nu gebruikt om de afzonderlijke vierder componenten te berekenen. Om zelforganiserende kaarten voor de eerste keer te trainen, begin met het laden van MATLAB. Laad het MatLAP-script van TrainSOM en selecteer Uitvoeren om de training te starten.

Zorg ervoor dat u het bestand correct path indien nodig. Wanneer het wordt gestart, en extra venster zal pop-up om de voortgang weer te geven. Wacht tot de training is voltooid voordat u verdergaat.

Standaard is het script ingesteld op 2,000 iteraties of epics. Nadat de training is voltooid, onderzoekt u de topologiepercelen van het netwerk. Hier is een voorbeeld van de buurman-afstanden plot, de sample-hits plot, en de input-vliegtuigen plot.

Zelforganiserende kaarten zijn een belangrijk hulpmiddel om verborgen relaties in uw gegevensset te ontdekken. Ze clusteren uw gegevens objectief en hebben het voordeel dat ze geen trainingsgegevensset nodig hebben, omdat ze zonder toezicht leren. Het netwerk is nu getraind.

Klik met de rechtermuisknop op het bestand in uw werkruimte en sla het op voor toekomstig gebruik. Laad in de zelforganiserende kaarten, wanneer u een reeds getrainde kaart gebruikt om een gegevensset te clusteren. Importeer vervolgens het CSV-bestand dat moet worden getest met de vooraf geladen getrainde kaarten.

Hier selecteren we de CSV-uitvoer van de Shade Plugin. Wanneer de gegevens worden geladen, wijzigt u het uitvoertype in Numerieke matrix en selecteert u Selecteren importeren. Nadat de classificatie is voltooid, gebruikt u het opdrachtvenster om de verschillende percelen te evalueren.

De afbeelding hier laten zien is van een gedeconvolveerde intravital multi-photon miscroscopie data set van microgliale cellen. Onder fysiologische omstandigheden presenteerde de microglia een vrij complexe vorm met meerdere, sterk vertakte processen. Wanneer geplaatst in een kankerachtige omgeving, zoals dit corticale tumor model, de microglia veranderd in een eenvoudiger, meer spindel-achtige vorm.

20 van deze forier-vormige beschrijvende componenten werden gebruikt als inputs om de zelforganiserende kaart te trainen. De getrainde kaart werd vervolgens getest om te evalueren of het vermogen om onderscheid te maken tussen gezonde en kankercellen. De gezonde celpopulatie werd geprojecteerd op een enkel gebied hier getoond, terwijl de kankerachtige microglia data set gepresenteerd als een halter-vormige actieve regio.

Kaarten kunnen ook worden getraind door medische experts om verschillende celgroepen te identificeren. Hier werden rustcellen, fagocytoserende cellen, interagerende cellen en mobiele cellen geïdentificeerd, gereconstrueerd en gebruikt om een 12x12 kaart te trainen. Deze gecombineerde kaart toont groepen van high-hit waarde kunstmatige neuronen, vooral in de linker- en middelste gebieden van de kaart.

De robuustheid van de mapping-aanpak werd getest met behulp van de getrainde zelforganiserende kaart met 3 willekeurige subsets van hetzelfde rustceltype dat geen deel uitmaakte van de trainingsgegevensset. De reactie van de S.O.M op deze ingang vertoont een zeer vergelijkbare respons die het juiste celtype aangeeft. Na de ontwikkeling van deze techniek, nu hebben we een toolkit, waarmee we eenvoudig kunnen categoriseren cel-vorm veranderingen.

Deze veranderingen treden op, bijvoorbeeld tijdens kanker, of andere reacties van het immuunsysteem, en we kunnen ze meten met microscopie, met behulp van hele dieren, uitgesneden weefsel of zelfs organen op de chip.