Gebruikmaken van virtual reality voor meeslepende segmentatie en analyse van cryo-elektronentomografiegegevens
24 januari 2025
Cryo-elektronentomografie (cryo-ET) maakt 3D-visualisatie van cellulaire ultrastructuur met nanometerresolutie mogelijk, maar handmatige segmentatie blijft tijdrovend en complex. We presenteren een nieuwe workflow die geavanceerde virtual reality-software integreert voor het segmenteren van cryo-ET-tomogrammen, waarbij de effectiviteit ervan wordt aangetoond door de segmentatie van mitochondriën in zoogdiercellen.
In dit werk beschrijven we een protocol dat de software SciGlass gebruikt om cryo-elektronentomografiegegevens te segmenteren. SciGlass is op virtual reality gebaseerde software die een meeslepende en intuïtieve interface biedt voor het segmenteren van cryo-ET-telegrammen, we laten zien dat VR een levensvatbare tool is die kan worden geïntegreerd in cryo-ET-segmentatiepijplijnen. Cryo-ET gaat snel vooruit met, je weet wel, innovaties en gefocust.
Voor dunnere monsters en snellere methoden voor het verzamelen van gegevens, en het gebruik van machine-learning-algoritmen voor het verbeteren van gesegmenteerde deeltjesselectie, weet je, al deze ontwikkelingen culmineren in betere cryo-ET en de acceptatie van echt geweldige biologische inzichten. Cryo-ET staat voor uitdagingen zoals cryo met een lage doorvoer. Voor monsters die dikker zijn dan bijvoorbeeld 500 nanometer en moeite hebben met het richten op interessegebieden vanwege het lage aantal kopieën.
Bovendien blijft gegevensverwerking een knelpunt, dat uitgebreide handmatige annotatie vereist voor het plukken en segmenteren van deeltjes, samen met gespecialiseerde expertise, weet je, die je nodig hebt in cryo-ET, dus het vertraagt allemaal de algehele workflow. We hebben ontdekt dat virtual reality de segmentatie-efficiëntie verbetert in vergelijking met traditionele methoden. De meeslepende omgeving vormt een aanvulling op geautomatiseerde benaderingen door hiaten op te vullen en valse positieven te verminderen.
Bovendien is dit VR-platform zeer effectief voor training en opleiding, waardoor het een veelzijdig hulpmiddel is bij cryo-ET-data-analyse. Ons protocol pakt de inefficiëntie van traditionele segmentatie aan, die handmatige en trage, moeilijke processen omvat, dus door gebruik te maken van, je weet wel, de meeslepende en intuïtieve aard van virtual reality, willen we segmentatie stroomlijnen door het proces sneller en gebruiksvriendelijker te maken. Converteer om te beginnen ruwe cryo-ET-tomogrammen naar een gegevensformaat dat compatibel is met SciGlass, zoals TIFF-stacks.
Stel het signaal in met ImageJ om ervoor te zorgen dat de deeltjes wit op zwart zijn. Navigeer naar Verwerken, gevolgd door Contrast verbeteren, en vink Histogram gelijk aan"en Verwerk alle plakjes. Start de virtual reality-software op de computer.
Navigeer naar het menu Bestand en selecteer Project maken. Klik op Nieuw project maken en vervolgens op Bestanden toevoegen"in de software. Navigeer naar de locatie van de TIFF-bestanden en importeer ze in het project.
Wanneer u hierom wordt gevraagd, controleert u of de bestanden geen deel uitmaken van een tijdreeks nadat u op Nee.Volgende hebt geklikt, wijst u een naam toe aan het project en klikt u op Opslaan" om het project onder de projectlijst te maken. Dubbelklik op het project om het tomogram te openen en in de interactieve virtual reality-omgeving te laden. Voor het instellen van virtual reality of VR sluit u de VR-headset en handcontrollers aan op de computer.
Volg de instructies op het scherm om de VR-omgeving te kalibreren. Pas het systeem aan om ervoor te zorgen dat het gewenste gebied voor segmentatie zich in het gezichtsveld van de VR-omgeving bevindt en klik vervolgens op de visualisatieknop in de software-interface. Pas visualisatieopties aan, zoals schuifregelaars voor contrast, vensters, helderheid en drempelwaarden om het signaal te verbeteren en ruis te minimaliseren.
Gebruik de handcontrollers om het tomogram dichterbij te trekken of weg te duwen voor een beter onderzoek. Activeer het snijgereedschap met de linker handbediening. Inspecteer visueel verschillende plakjes in het tomogram.
Navigeer door het tomogram naar het gewenste segment waar de segmentatie begint. Activeer de optie Interessegebied of ROI onder het annotatiemenu met behulp van de handcontrollers. Er verschijnt een groen vak in het tomogram.
Pas de grootte en positie van het groene vak aan het te segmenteren gebied aan. Vergrendel nu de ROI met de linkercontroller. De tool schakelt over naar de verfmodus voor segmentatie.
Zoom in of uit op de tomograaf voor nauwkeurige segmentatie. Pas de grootte van het penseel aan met de klok mee of tegen de klok in voor een optimale controle. Segmenteer zorgvuldig het interessegebied, zoals mitochondriale membranen, binnen het driedimensionale gebied.
Pas de straal van de bal op de juiste manier aan tijdens het uitvoeren van de segmentatie. Schakel de wismodus in met behulp van de secundaire controllertrigger om segmentatiefouten te corrigeren en gebruik dezelfde beweging als segmentatie om te wissen. Herhaal het segmentatieproces voor alle regio's totdat het tomogram volledig is gesegmenteerd.
Klik na het voltooien van de segmentatie op het voltooide project om het te markeren. Klik op het tabblad Projecten en selecteer ROI's om verder te gaan. Kies ervoor om het hele volume of een specifieke interesseregio te exporteren en geef de exportlocatie voor de gesegmenteerde gegevens op.
Laad en analyseer nu de geëxporteerde gesegmenteerde gegevens van SciGlass in de gewenste software naar keuze voor aanvullende analyse van de gesegmenteerde gegevens. Nadat u cryo-ET-gegevens hebt voorbereid, klikt u met de rechtermuisknop op het project en klikt u op Maskergegevens toevoegen, navigeert u vervolgens naar de plaats waar de eerste segmentatie is opgeslagen en importeert u deze onder hetzelfde project. Schakel ROI-annotatie in om wijzigingen aan te brengen in de eerste segmentatie.
Voeg ten slotte segmentatie toe of wis deze om de initiële segmentatie op te schonen. Gewogen back-projectie van tomogrammen gereconstrueerd met 16 angstroms per pixel onthulde mitochondriale en vliezige structuren na de-noising en ontbrekende wigcorrectie. Visualisatie in een meeslepende virtual reality-omgeving maakte gedetailleerde 3D-inspectie van membranen mogelijk nadat histogramvereffening het contrast had verbeterd.
Handmatige segmentatie schetste mitochondriale en organelstructuren met hoge nauwkeurigheid met behulp van VR-tools, inclusief het nauwkeurig in kaart brengen van membraangrenzen en ROI's. Definitieve 3D-weergaven onthulden gedetailleerde mitochondriale kenmerken zoals buiten- en binnenmembranen. En calciumfosfaatafzettingen met gladde mazen.
Overzicht
Deze studie presenteert een nieuwe workflow voor de segmentatie van cryo-elektron tomografie (cryo-ET) data met behulp van virtual reality (VR) software. Door VR te integreren in de segmentatiepipeline, demonstreren de auteurs verbeterde efficiëntie bij het analyseren van mitochondriale structuren binnen zoogdiercellen.
Belangrijkste studiecomponenten
Onderzoeksgebied
- Cryo-elektron tomografie
- Visualisatie van cellulaire ultrastructuur
- Segmentatiemethodologieën
Achtergrond
- Cryo-ET maakt 3D visualisatie met nanometer resolutie mogelijk.
- Manuele segmentatie stelt significante uitdagingen en inefficiënties voor.
- De integratie van VR biedt nieuw potentieel voor het verbeteren van segmentatienauwkeurigheid en snelheid.
Gebruikte methoden
- Virtual reality platform (SciGlass) voor segmentatie
- Zoogdiercellen als het biologische model
- Geavanceerde beeldvorming en gegevensverwerkingstechnieken
Belangrijkste resultaten
- Aangetoond dat VR de segmentatie-efficiëntie aanzienlijk verbetert in vergelijking met traditionele methoden.
- Mogelijk maakte nauwkeurige mapping van mitochondriale structuren en orgaankenmerken.
- Suggestief voor het nut van VR in zowel data-analyse als educatieve training.
Conclusies
- Deze studie benadrukt de effectiviteit van VR-technologie in het stroomlijnen van cryo-ET segmentatieprocessen.
- Het onderstreept de evoluerende rol van immersieve technologieën in biologisch onderzoek.
Veelgestelde vragen
Executive Industry Relevance
Manual segmentation of cryo-electron tomography (cryo-ET) data is a persistent bottleneck in structural biology, limiting throughput and reproducibility in early discovery workflows. Integrating immersive virtual reality (VR) platforms into segmentation pipelines addresses these challenges by enhancing both efficiency and accuracy in annotating complex cellular structures. This capability supports higher predictive confidence and accelerates the transition from raw imaging data to actionable biological insights in biopharma R&D portfolios.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables precise delineation of subcellular structures critical for mechanistic de-risking and target validation.
- Improves biological annotation quality, supporting robust hypothesis testing in discovery biology.
- Facilitates rapid triage of imaging data for downstream functional studies.
Screening & Assay Development
- Prepares high-fidelity segmented datasets for quantitative assay development and screening workflows.
- Supports reproducible annotation standards, reducing variability in image-based assays.
- Accelerates readiness for automated or semi-automated compound evaluation platforms.
Translational & Preclinical Research
- Enables detailed mapping of disease-relevant organelle features for translational biomarker exploration.
- Maintains continuity from discovery imaging through preclinical model validation when supported by high-quality segmentation.
- Reduces risk of misinterpretation in preclinical studies by improving structural data fidelity.
Pipeline & Workflow Integration
This VR-enabled segmentation workflow fits at the interface of imaging data acquisition and quantitative analysis, bridging early discovery and preclinical research stages.
- Discovery Biology: Supports hypothesis-driven interrogation of cellular ultrastructure and pathway mapping.
- Screening: Delivers reproducible, quantitative segmentations for downstream assay integration.
- Analytics: Provides high-resolution, annotated datasets for comparative and statistical analysis of cellular features.
- Translational Research: Aligns structural imaging outputs with disease-relevant model systems when segmentation quality is maintained.
- Enterprise Reuse: Establishes a scalable, reusable segmentation capability for diverse imaging projects across R&D teams.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces ambiguity in structural target validation.
- Operational Value: Streamlines segmentation workflows, improving throughput and standardization.
- Strategic Value: Enables more informed go/no-go decisions and capital allocation in imaging-driven programs.
- Portfolio Impact: Supports risk-adjusted prioritization by delivering higher-quality imaging data for candidate advancement.
Implementation Considerations
- Requires expertise in cryo-ET data preparation and VR software operation.
- Demands compatible hardware, including VR headsets and controllers, and robust computational infrastructure.
- Benefits from standardized annotation protocols to ensure cross-team reproducibility.
- May require adaptation for different cell types or organelle targets based on imaging complexity.
- Manual segmentation remains time-intensive for very large datasets, even with VR enhancements.
