Automatisering van de micronucleustest met behulp van beeldvorming, flowcytometrie en kunstmatige intelligentie

Het uitvoeren van de micronucleustest met behulp van beeldvormende flowcytometrie overwint veel beperkingen van traditionele methoden, waaronder lage doorvoer, scorevariabiliteit en gebrek aan visuele bevestiging van gebeurtenissen. Het belangrijkste voordeel van deze techniek is dat alle belangrijke gebeurtenissen kunnen worden verkregen met behulp van imaging flow cytometrie en geanalyseerd met behulp van kunstmatige intelligentie. Deze methode kan worden gebruikt bij grootschalige screening van chemicaliën en andere verbindingen om te testen op toxiciteit bij een hogere doorvoer dan momenteel beschikbaar is.

Bij het bouwen van een nieuw AI-model is de grootste uitdaging het verkrijgen van voldoende afbeeldingen van cellen met micronuclei, dus het is belangrijk om de beeldtagging-algoritmen te gebruiken. Start om te beginnen de kunstmatige intelligentie- of AI-software. Klik onder Experimenttype op het keuzerondje naast Trein om een trainingsexperiment te starten voor het bouwen van het Convolutional Neural Network- of CNN-model en klik op Volgende.

Klik in de klassenamen op Toevoegen. Typ mononucleated in het pop-upvenster en klik op OK om de klasse mononucleated toe te voegen aan de lijst met klassenamen. Herhaal dit proces om de andere klassenamen toe te voegen, zoals Mononucleated met MN, Binucleated, Binucleated met MN, Polynucleated en Irregular morphology.

Klik onder Bestanden selecteren op Bestanden toevoegen en blader naar de gewenste bestanden die aan de AI-software moeten worden toegevoegd om de grondwaarheidsgegevens te bouwen. Zoek vervolgens op het scherm Basispopulatie selecteren de niet-apoptotische populatie in de populatiehiërarchie. Klik vervolgens met de rechtermuisknop op de niet-apoptotische populatie, kies Selecteer alle overeenkomende populaties en klik op Volgende.

Om een gelabelde waarheidspopulatie van mononucleated cellen met micronucleus toe te wijzen, klikt u op de klasse Mononucleated with MN onder Model Classes aan de linkerkant en klikt u vervolgens op de juiste getagde waarheidspopulatie aan de rechterkant. Zodra alle geschikte waarheidspopulaties zijn toegewezen, klikt u op Volgende. Controleer op het scherm Kanalen selecteren of de juiste kanalen voor het experiment zijn gekozen.

Kies hier Bright Field of BF als kanaal één, kuddes voor DNA als kanaal zeven en klik vervolgens op Volgende. Klik ten slotte in het bevestigingsscherm op Experiment maken. Klik op Tagging om de interface van de tagging-tool te starten.

Klik vervolgens op de zoomgereedschappen om de afbeeldingen bij te snijden voor een eenvoudigere weergave. En klik op de schuifbalk om de afbeeldingsgrootte aan te passen en het aantal afbeeldingen te bepalen dat in de galerij moet worden weergegeven. Klik op de optie Weergave-instelling en kies min-max, wat het beste contrastbeeld biedt voor het identificeren van alle belangrijke gebeurtenissen.

Klik vervolgens op Setup Gallery Display om de kleur van de DNA-afbeelding te wijzigen in geel of wit, wat de visualisatie van kleine objecten zal verbeteren. Klik op Cluster om het algoritme uit te voeren om afbeeldingen met vergelijkbare morfologie samen te groeperen. Zodra het clusteren is voltooid, klikt u op de afzonderlijke clusters en begint u met het toewijzen van afbeeldingen aan de juiste modelklassen.

Nadat aan elke modelklasse minimaal 25 objecten zijn toegewezen, komt het voorspellingsalgoritme beschikbaar. Klik op Voorspellen. Zodra het voorspellingsalgoritme is uitgevoerd, voegt u objecten uit de voorspelde klassen toe aan de juiste modelklassen.

Zodra er minimaal 100 objecten aan elke modelklasse zijn toegewezen, klikt u op het tabblad Training bovenaan het scherm en klikt u vervolgens op de knop Trainen. Zodra de modeltraining is voltooid, klikt u op Resultaten weergeven om de nauwkeurigheid van het model te beoordelen. Zodra de modeltraining is voltooid, klikt u op de menuknop om een nieuw experiment te definiëren.

Klik onder Experimenttype op het keuzerondje naast Classificeren om een classificatie-experiment te starten en klik op Volgende. Klik op het model dat u wilt gebruiken voor classificatie en klik vervolgens op Volgende. Klik in het scherm Bestanden selecteren op Bestanden toevoegen.

Blader naar de bestanden die moeten worden geclassificeerd volgens het CNN-model en klik vervolgens op Volgende. Klik vervolgens in het scherm Basispopulatie selecteren op het selectievakje naast de niet-apoptotische populatie in een van de geladen bestanden. Klik met de rechtermuisknop op de niet-apoptotische populatie, klik op Alle overeenkomende populaties selecteren om deze populatie uit alle geladen bestanden te selecteren en klik vervolgens op Volgende.

Controleer in het scherm Kanalen selecteren of kanaal één is geselecteerd voor het heldere veld en kanaal zeven is geselecteerd voor de DNA-kleuring en klik op Volgende. Klik ten slotte op het bevestigingsscherm op Experiment maken. De AI-software laadt het geselecteerde model en alle afbeeldingen uit de gekozen gegevensbestanden.

Klik na het laden op Voltooien. Klik vervolgens op Classificeren om het classificatiescherm te starten. En gebruik de selectievakjes om Random Forest of RF en CNN te gebruiken.

Klik vervolgens op de knop Classificeren. Dit begint het proces van het gebruik van de RF- en CNN-modellen om aanvullende gegevens te classificeren en alle objecten te identificeren die in de opgegeven modelklassen thuishoren. Zodra de classificatie is voltooid, klikt u op Resultaten bekijken.

Klik op de knop DAF's bijwerken om het venster DAF's bijwerken met classificatieresultaten weer te geven en klik vervolgens op OK om de DAF-bestanden bij te werken. Om het rapport te genereren, klikt u in het resultatenscherm op Rapport genereren. Als voor elke invoer-DAF een afzonderlijk rapport vereist is, schakelt u het selectievakje naast Rapport maken voor elke invoer-DAF in.

Anders klikt u gewoon op OK om de rapporten te verkrijgen. Het AI-ondersteunde clusteralgoritme groepeert vergelijkbare objecten binnen een segment samen, volgens de morfologie van zowel niet-geclassificeerde objecten als de objecten die zijn toegewezen aan de grondwaarheidsmodelklassen. Clusters met mononucleated cellen vallen aan de ene kant van de objectkaart, terwijl de multinucleated cellen zich aan de andere kant bevinden.

Binucleated celclusters vallen tussen mono- en multinucleated celclusters. Ten slotte vallen clusters met onregelmatige morfologie in verschillende gebieden van de objectkaart. Het voorspellingsalgoritme is robuuster dan het clusteralgoritme bij het identificeren van subtiele morfologieën in afbeeldingen.

Bijvoorbeeld mononucleated cellen met MN versus mononucleated cellen zonder MN. De prestaties van het model kunnen worden beoordeeld met behulp van hulpmiddelen, waaronder histogrammen voor klassenverdeling, nauwkeurigheidsstatistieken en een interactieve verwarringsmatrix. In klassenverdelingshistogrammen geldt dat hoe dichter de percentagewaarden tussen de waarheid en voorspelde populaties liggen, hoe nauwkeuriger het model. In de nauwkeurigheidsstatistieken, hoe dichter deze statistieken bij 100% liggen, hoe nauwkeuriger het model is bij het identificeren van gebeurtenissen in de modelklassen.

Ten slotte geeft de interactieve verwarringsmatrix aan waar het model gebeurtenissen mist. Genotoxiciteit werd gemeten door het percentage micronuclei door microscopie, aangegeven door duidelijke staven, en AI aangegeven door gestippelde staven na een blootstelling van 3 uur en 24 uur herstel, voor Mannitol, Etoposide en Mitomycine C, met behulp van zowel de Cytochalasin B- als de Non-Cytochalasin B-methoden. Wanneer u een trainingsexperiment maakt, moet u ervoor zorgen dat de geladen gegevens afbeeldingen bevatten van positieve en negatieve controlemonsters.

Micronuclei zijn zeldzaam en er is voldoende beeldmateriaal nodig om een nauwkeurig AI-model te bouwen. Deze procedure maakt het mogelijk om AI-modellen te maken voor het analyseren van micronucleusgegevens over beeldvormingsstromen in elk studiegebied, zoals stralingsbiodosimetrie. Een snelle en robuuste op AI gebaseerde methode om micronuclei te identificeren, kan zich uitstrekken tot andere toepassingen, zoals het kwantificeren van micronuclei die voorspellend kunnen zijn voor het risico op de ontwikkeling van kanker.