Oparte na morfologii rozróżnienie między zdrowymi i patologicznymi komórkami z wykorzystaniem transformaty Fouriera i samoorganizujących się map
28 października 2018
Tutaj udostępniamy przepływ pracy, który pozwala na identyfikację zdrowych i patologicznych komórek na podstawie ich 3-wymiarowego kształtu. Opisujemy proces wykorzystania konturów projekcji 2D opartych na powierzchniach 3D do trenowania Mapy Samoorganizującej się, która zapewni obiektywne grupowanie badanych populacji komórek.
Metoda ta może pomóc odpowiedzieć na kluczowe pytania w badaniach podstawowych i zastosowaniach klinicznych, takich jak badania nad rakiem i leczenie raka, ale także w dziedzinie immunologii. Główną zaletą tej metody jest to, że jest to metoda statyczna i łatwa do ułatwienia. Ta technika jest w stanie automatycznie zidentyfikować chore typy komórek na podstawie ich kształtu i charakterystyki ruchu.
Implikacje tej techniki rozciągają się na diagnostykę i terapię raka lub chorób zapalnych. Metoda ta może zapewnić wgląd w działania między komórkami odpornościowymi a komórkami rakowymi, ale może być również stosowana w każdej dziedzinie, w której niezbędne są trójwymiarowe dane mikroskopowe. Może się zdarzyć, że osoby, które są nowicjuszami w tej metodzie, będą miały trudności z opisaniem i walidacją danych z mikroskopii trójwymiarowej z powodu problemów.
Pomyśleliśmy, że wizualna demonstracja tej metody jest kluczowa, ponieważ narzędzia programowe, których tutaj używamy, nie są znane wielu naukowcom. Na początek uzyskaj zestaw danych z mikroskopii trójwymiarowej o wysokiej rozdzielczości, zgodnie z opisem w dołączonym protokole tekstowym. Załaduj dane obrazu 3D do oprogramowania do rekonstrukcji i rozpocznij tworzenie powierzchni 3D dla każdego obiektu.
Aby to zrobić, wybierz opcję Widok 3D i kliknij Powierzchnie, a następnie kliknij przycisk Dalej, aby kontynuować pracę z Kreatorem tworzenia powierzchni. Teraz wybierz kanał obrazu do rekonstrukcji powierzchni. Wybierz wartość wygładzenia, która nie ukrywa szczegółów powierzchni, ale także unika porowatych powierzchni.
Zastosuj funkcję wygładzania, klikając pole wyboru Opcja wygładzania i podając promień wygładzania. Podczas tworzenia trójwymiarowych konstrukcji obrazowych danych mikroskopowych szczególnie ważne jest zwrócenie uwagi na współczynnik wygładzania i odpowiednią metodę progową, aby nie stracić żadnych cech komórkowych ani kształtów. Następnie wybierz metodę progowania, aby znaleźć powierzchnie.
Użyj bezwzględnego progu intensywności, gdy obiekty, takie jak te pokazane tutaj, są dobrze oddzielone od tła i mają w przybliżeniu jednolity poziom jasności. Jeśli obiekty różnią się intensywnością, ale nadal można je oddzielić od lokalnego tła i od innych otaczających je obiektów, zastosuj próg kontrastu lokalnego. Ustaw lokalny obszar wyszukiwania progu zgodnie z wartością oczekiwanej średnicy zrekonstruowanych obiektów.
Następnie wybierz z listy opcji, aby przefiltrować zrekonstruowane powierzchnie według interesujących ich parametrów morfologicznych. Obejmuje to objętość, sferyczność, stosunek powierzchni do objętości i inne. Zapisz i wyeksportuj wygenerowane powierzchnie w formacie takim jak VRML, który jest zgodny z oprogramowaniem do animacji 3D, które będzie używane w następnym kroku.
Uruchom Blendera i przejdź do zakładki Wyjście po prawej stronie okna. Wybierz format TIFF z menu rozwijanego i ustaw głębię kolorów na 8-bitowe RGBA. Następnie przełącz się w tryb skryptów i przejdź do dostarczonego pliku skryptu zatytułowanego:GUI_Autorotate.
py, który można pobrać z repozytorium GitHub dla tej pracy. Wróć do okna głównego, kliknij Uruchom skrypt i wybierz folder z plikami wrl, gdy zostaniesz poproszony o wprowadzenie. Następnie przejdź do menu domyślnego.
W tym miejscu ustaw obroty na wartość równą lub wyższą niż sześć. Uruchom skrypt, klikając przycisk Obróć. Obrót o sześć różnych kątów jest zwykle wystarczający do rozróżnienia różnych populacji komórkowych, jednak nie zalecamy używania mniej niż sześciu obrotów, aby nie stracić żadnych informacji o kształtach lub cechach.
Rzuty poszczególnych powierzchni należy zapisać w tym samym folderze, który został użyty do wprowadzenia danych. Domyślnie obrazy są zapisywane w 8-bitowym formacie TIFF, który jest formatem wymaganym przez wtyczkę FIJI, Shade. Otwórz Fidżi i wybierz Cień w menu Wtyczki.
Zacznij od wartości domyślnych, a później dostosuj parametry. Kliknij OK, gdy wszystko będzie gotowe do uruchomienia programu. Następnie wybierz folder źródłowy, który zawiera pliki TIFF, które zostały utworzone w poprzedniej sekcji, i kliknij Wybierz.
Następnie podaj folder danych wyjściowych. Gdy pojawi się pierwszy obraz, narysuj prostokąt otaczający komórkę i zacznij od kliknięcia W porządku. Podczas działania wtyczki widzisz wstępne przetwarzanie obrazu na obrzeżach, znajdowanie komórek oznaczonych czerwonymi liniami.
Współrzędne znalezionych krawędzi są teraz używane do obliczania dyskretnych składowych Fouriera. Aby po raz pierwszy wytrenować samoorganizujące się mapy, zacznij od załadowania programu MATLAB. Załaduj skrypt TrainSOM MATLAP, a następnie wybierz pozycję Uruchom, aby rozpocząć trenowanie.
W razie potrzeby upewnij się, że ścieżka do pliku jest poprawna. Gdy zacznie działać, pojawi się dodatkowe okno z postępem. Poczekaj, aż szkolenie zostanie zakończone, zanim przejdziesz dalej.
Domyślnie skrypt jest ustawiony na uruchamianie 2 000 iteracji lub epików. Po zakończeniu trenowania sprawdź wykresy topologii sieci. Oto przykład wykresu odległości sąsiada, wykresu example-hits i wykresu input-planes.
Samoorganizujące się mapy są ważnym narzędziem do odnajdywania ukrytych relacji w zestawie danych. Grupują one dane w sposób obiektywny i mają tę zaletę, że nie potrzebują zestawu danych treningowych, ponieważ uczą się bez nadzoru. Sieć jest teraz przeszkolona.
Kliknij prawym przyciskiem myszy plik w swoim obszarze roboczym i zapisz go do wykorzystania w przyszłości. Załaduj samoorganizujące się mapy, gdy używasz już wytrenowanej mapy, w celu klastrowania zestawu danych. Następnie zaimportuj plik CSV, który ma być testowany ze wstępnie załadowanymi wytrenowanymi mapami.
Tutaj wybierzemy wyjście CSV wtyczki Shade. Po załadowaniu danych zmień typ danych wyjściowych na Macierz liczbowa, a następnie wybierz pozycję Importuj wybór. Po zakończeniu klasyfikacji użyj okna poleceń, aby ocenić różne wykresy.
Pokazany tutaj obraz pochodzi z dekonwolucji przyżyciowej wielofotonowej miskroskopii danych komórek mikrogleju. W warunkach fizjologicznych mikroglej miał dość złożony kształt z licznymi, silnie rozgałęzionymi procesami. Po umieszczeniu w środowisku nowotworowym, takim jak ten model guza korowego, mikroglej zmienił się na prostszy, bardziej wrzecionowaty kształt.
20 z tych komponentów opisowych w kształcie foriera zostało wykorzystanych jako dane wejściowe do trenowania samoorganizującej się mapy. Wytrenowana mapa została następnie przetestowana w celu oceny jej zdolności do odróżniania komórek zdrowych od nowotworowych. Zdrowa populacja komórek została rzutowana na pojedynczy obszar pokazany tutaj, podczas gdy zestaw danych dotyczących mikrogleju nowotworowego został przedstawiony jako obszar aktywny w kształcie hantli.
Mapy mogą być również trenowane przez ekspertów medycznych w celu identyfikacji różnych grup komórek. W tym przypadku zidentyfikowano, zrekonstruowano i wykorzystano komórki spoczynkowe, komórki fagocytozy, komórki oddziałujące i komórki ruchome do trenowania mapy 12x12. Ta połączona mapa pokazuje grupy sztucznych neuronów o wysokiej wartości trafienia, szczególnie w lewym dolnym i środkowym obszarze mapy.
Solidność podejścia do mapowania została przetestowana przy użyciu wytrenowanej samoorganizującej się mapy z 3 losowymi podzbiorami tego samego typu komórek spoczynkowych, które nie były częścią zestawu danych treningowych. Odpowiedź S.O.M na to dane wejściowe wykazuje bardzo podobną odpowiedź, która wskazuje prawidłowy typ komórki. Po opracowaniu tej techniki mamy teraz zestaw narzędzi, za pomocą którego możemy w prosty sposób kategoryzować zmiany kształtu komórki.
Zmiany te zachodzą, na przykład podczas raka lub innych reakcji układu odpornościowego, i możemy je zmierzyć za pomocą mikroskopii, używając całych zwierząt, wyciętych tkanek, a nawet narządów na chipie.
Przegląd
Niniejszy artykuł przedstawia przepływ pracy w celu identyfikacji zdrowych i patologicznych komórek na podstawie ich 3D kształtu. Metoda wykorzystuje 2D kontury projekcji z 3D powierzchni, aby przetrenować Samoorganizującą się Mapę do obiektywnego grupowania populacji komórek.
Kluczowe elementy badania
Obszar nauki
- Neuronauki
- Biologia komórki
- Immunologia
Tło
- Ta metoda pomaga w badaniach nad rakiem i leczeniu.
- Jest statyczna i łatwa do wdrożenia.
- Identyfikuje chorobowe typy komórek na podstawie kształtu i ruchu.
- Może być stosowana w różnych dziedzinach wymagających danych mikroskopii 3D.
Cel badania
- Aby zapewnić metodę automatycznej identyfikacji typów komórek.
- Aby poprawić diagnozę i terapię raka oraz chorób zapalnych.
- Aby przedstawić proces wizualnie dla lepszego zrozumienia.
Zastosowanie metod
- Pozyskiwanie danych z mikroskopii 3D o wysokiej rozdzielczości.
- Rekonstrukcja powierzchni przy użyciu specjalistycznego oprogramowania.
- Trening Samoorganizujących się Map z MATLAB.
- Przetwarzanie obrazów za pomocą Fiji i wtyczki Shade.
Główne wyniki
- Udane grupowanie populacji komórek na podstawie parametrów morfologicznych.
- Wizualizacja cech komórkowych poprzez projekcje 3D.
- Zdemonstrowano skuteczność w rozróżnianiu zdrowych i chorobowych komórek.
- Zadokumentowany przepływ pracy dostępny dla naukowców.
Wnioski
- Metoda oferuje niezawodne podejście do identyfikacji komórek.
- Ma znaczące implikacje dla diagnozy i leczenia raka.
- Przyszłe zastosowania mogą rozciągać się na inne dziedziny badań biomedycznych.
Często zadawane pytania
Executive Industry Relevance
Distinguishing healthy from pathological cells based on morphology is critical for early discovery and translational research in oncology and immunology. This workflow leverages static 3D microscopy data, Fourier-based shape descriptors, and self-organizing maps to enable objective, quantitative cell classification. The approach supports predictive confidence and mechanistic de-risking at key inflection points in the discovery pipeline.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables objective interrogation of cell state transitions in disease-relevant systems.
- Supports mechanistic de-risking by quantifying morphological phenotypes linked to pathology.
- Facilitates functional target validation through unsupervised clustering of cell populations.
- Improves predictive confidence for downstream biological hypotheses.
Screening & Assay Development
- Prepares validated morphological datasets for downstream phenotypic screening workflows.
- Standardizes quantitative shape descriptors for reproducible assay development.
- Enables scalable, automated classification of cell types based on static imaging data.
- Supports reliable evaluation of compound effects on cell morphology.
Translational & Preclinical Research
- Aligns morphological biomarkers with disease progression in preclinical models.
- Provides continuity from discovery through preclinical validation using consistent shape-based metrics.
- Enables risk-adjusted advancement decisions based on quantitative cell state classification.
- Supports translational research by linking in vitro and ex vivo findings.
Pipeline & Workflow Integration
This method integrates from early discovery through preclinical research, enabling hypothesis testing, pathway clarification, and biological de-risking using static 3D cell morphology.
- Discovery Biology: Quantifies morphological changes to test disease-relevant hypotheses and clarify cellular pathways.
- Screening: Provides reproducible, quantitative shape descriptors for assay readiness and compound evaluation.
- Analytics: Delivers objective clustering and statistical outputs for comparing healthy and pathological states.
- Translational Research: Bridges discovery and preclinical validation with consistent morphological metrics.
- Enterprise Reuse: Offers a reusable toolkit for cell classification across diverse tissue types and disease models.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in cell state classification.
- Operational Value: Standardizes and automates morphological analysis for reproducibility and scalability.
- Strategic Value: Improves go/no-go decisions and capital efficiency by enabling early, quantitative de-risking.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of discovery programs.
Implementation Considerations
- Requires expertise in 3D microscopy, image processing, and unsupervised machine learning.
- Needs access to high-resolution imaging platforms and computational infrastructure for data analysis.
- Demands cross-team standardization of imaging and analysis parameters for reproducibility.
- Adaptable to various tissue types and disease models with appropriate validation.
- Dependent on quality of input data and parameter optimization for robust classification.
Biopharma FAQs
Chapters in this video
0:04
Title
1:11
Reconstruct the 3D Image
3:13
Transform the 3D Reconstructed Surfaces into 2D Projections
4:28
Find the Periphery and Calculate the Fourier Components using Fiji
5:13
Self-Organizing Maps
6:53
Results: Robustness of SOM Mapping Approach
8:32
Conclusion
