Wykorzystanie rzeczywistości wirtualnej do immersyjnej segmentacji i analizy danych z tomografii krioelektronowej
24 stycznia 2025
Tomografia krioelektronowa (cryo-ET) umożliwia wizualizację 3D ultrastruktury komórkowej w rozdzielczości nanometrów, ale ręczna segmentacja pozostaje czasochłonna i skomplikowana. Przedstawiamy nowatorski przepływ pracy, który integruje zaawansowane oprogramowanie rzeczywistości wirtualnej do segmentacji tomogramów krio-ET, pokazując jego skuteczność poprzez segmentację mitochondriów w komórkach ssaków.
W tej pracy opisujemy protokół, który wykorzystuje oprogramowanie SciGlass do segmentacji danych krioelektronowej tomografii. SciGlass to oprogramowanie oparte na rzeczywistości wirtualnej, które zapewnia wciągający i intuicyjny interfejs do segmentacji telegramów krio-ET, pokazujemy, że VR jest realnym narzędziem, które można zintegrować z potokami segmentacji krio-ET. Cryo-ET szybko się rozwija dzięki innowacjom i jest skoncentrowany.
Jeśli chodzi o cieńsze próbki i szybsze metody zbierania danych, a także wykorzystanie algorytmów uczenia maszynowego do poprawy segmentacji wybierania cząstek, wszystkie te postępy prowadzą do lepszego krio-ET i przyjęcia naprawdę świetnych spostrzeżeń biologicznych. Cryo-ET stoi przed wyzwaniami, takimi jak kriotechnika o niskiej przepustowości. W przypadku próbek grubszych niż, powiedzmy, 500 nanometrów i trudności w celowaniu w obszary zainteresowania ze względu na niską liczbę kopii.
Dodatkowo, przetwarzanie danych pozostaje wąskim gardłem, wymagającym obszernych ręcznych adnotacji do wybierania cząstek i segmentacji, a także specjalistycznej wiedzy, która jest potrzebna w cryo-ET, więc wszystko to spowalnia ogólny przepływ pracy. Odkryliśmy, że wirtualna rzeczywistość poprawia efektywność segmentacji w porównaniu z tradycyjnymi metodami. Jego immersyjne środowisko uzupełnia zautomatyzowane podejścia, wypełniając luki i zmniejszając liczbę fałszywych alarmów.
Ponadto ta platforma VR jest bardzo skuteczna w szkoleniach i edukacji, co czyni ją wszechstronnym narzędziem do analizy danych cryo-ET. Nasz protokół rozwiązuje problem nieefektywności tradycyjnej segmentacji, która obejmuje ręczne i powolne, trudne procesy, więc wykorzystując wciągającą i intuicyjną naturę rzeczywistości wirtualnej, dążymy do usprawnienia segmentacji, czyniąc proces szybszym i bardziej przyjaznym dla użytkownika. Aby rozpocząć, przekonwertuj surowe tomogramy cryo-ET na format danych zgodny z SciGlass, taki jak stosy TIFF.
Ustaw sygnał za pomocą ImageJ, aby upewnić się, że cząstki są białe na czarnym tle. Przejdź do Proces, a następnie Zwiększ kontrast i zaznacz Wyrównaj histogram"i Przetwarzaj wszystkie plasterki. Uruchom oprogramowanie rzeczywistości wirtualnej na komputerze.
Przejdź do menu Plik i wybierz Utwórz projekt. Kliknij Utwórz nowy projekt, a następnie Dodaj pliki"w oprogramowaniu. Przejdź do lokalizacji, w której znajdują się pliki TIFF i zaimportuj je do projektu.
Po wyświetleniu monitu potwierdź, że pliki nie są częścią szeregu czasowego po kliknięciu przycisku Nie.Następnie przypisz nazwę do projektu i kliknij przycisk Zapisz"aby utworzyć projekt na liście projektów. Kliknij dwukrotnie projekt, aby otworzyć tomogram i załadować go do interaktywnego środowiska rzeczywistości wirtualnej. Aby skonfigurować rzeczywistość wirtualną lub VR, podłącz gogle VR i kontrolery ręczne do komputera.
Postępuj zgodnie z instrukcjami wyświetlanymi na ekranie, aby skalibrować środowisko VR. Dostosuj system tak, aby żądany obszar do segmentacji znajdował się w polu widzenia środowiska VR, a następnie kliknij przycisk wizualizacji w interfejsie oprogramowania. Dostosuj opcje wizualizacji, takie jak kontrast, okna, jasność i suwaki progów, aby wzmocnić sygnał i zminimalizować szumy.
Użyj kontrolerów ręcznych, aby przyciągnąć tomogram bliżej lub odepchnąć go w celu lepszego zbadania. Aktywuj narzędzie do cięcia za pomocą lewego kontrolera. Sprawdź wzrokowo różne plastry w tomogramie.
Przejdź przez tomogram do żądanego wycinka, w którym rozpocznie się segmentacja. Aktywuj opcję obszaru zainteresowania lub ROI w menu adnotacji za pomocą kontrolerów ręcznych. Na tomogramie pojawi się zielone pole.
Dostosuj rozmiar i położenie zielonego pola do obszaru, który ma zostać podzielony na segmenty. Teraz zablokuj ROI za pomocą lewego kontrolera. Narzędzie przełączy się w tryb malowania w celu segmentacji.
Powiększ lub pomniejsz tomograf, aby uzyskać precyzyjną segmentację. Dostosuj rozmiar pędzla za pomocą obrotów w prawo lub przeciwnie do ruchu wskazówek zegara, aby uzyskać optymalną kontrolę. Ostrożnie podziel obszar zainteresowania, taki jak błony mitochondrialne, w obszarze trójwymiarowym.
Dostosuj odpowiednio promień kulki podczas wykonywania segmentacji. Włącz tryb wymazywania za pomocą wyzwalacza dodatkowego kontrolera, aby skorygować błędy segmentacji, i użyj tego samego ruchu, co segmentacja, aby wymazać. Powtarzaj proces segmentacji dla wszystkich regionów, aż tomogram zostanie w pełni podzielony na segmenty.
Po zakończeniu segmentacji kliknij na zrealizowany projekt, aby go wyróżnić. Kliknij na Projekty"zakładkę i wybierz ROI"kontynuować. Wybierz, czy chcesz wyeksportować cały wolumin, czy określony obszar zainteresowania, i określ lokalizację eksportu dla danych podzielonych na segmenty.
Teraz załaduj i przeanalizuj wyeksportowane dane segmentowe z SciGlass do wybranego oprogramowania w celu dodatkowej analizy danych podzielonych na segmenty. Po przygotowaniu danych cryo-ET kliknij prawym przyciskiem myszy na projekt i kliknij Dodaj dane maski, a następnie przejdź do miejsca, w którym zapisana jest początkowa segmentacja i zaimportuj ją w ramach tego samego projektu. Korzystaj z adnotacji ROI, aby wprowadzić zmiany w początkowej segmentacji.
Na koniec dodaj lub usuń segmentację, aby wyczyścić początkową segmentację. Ważona projekcja wsteczna tomogramów zrekonstruowanych z prędkością 16 angstremów na piksel ujawniła struktury mitochondrialne i błoniaste po usunięciu szumu i brakującej korekcji klinowej. Wizualizacja w immersyjnym środowisku rzeczywistości wirtualnej umożliwiła szczegółową inspekcję 3D membran po tym, jak wyrównanie histogramu poprawiło kontrast.
Ręczna segmentacja nakreśliła struktury mitochondrialne i organelle z dużą dokładnością przy użyciu narzędzi VR, w tym precyzyjnego mapowania granic błon i ROI. Końcowe renderingi 3D ujawniły szczegółowe cechy mitochondriów, takie jak błony zewnętrzne i wewnętrzne. I złoża fosforanu wapnia z wygładzonymi siatkami.
Przegląd
Niniejsze badanie przedstawia nowatorski schemat pracy dla segmentacji danych z krio-tomografii elektronowej (cryo-ET) z wykorzystaniem oprogramowania do wirtualnej rzeczywistości (VR). Poprzez zintegrowanie VR z procesem segmentacji, autorzy wykazali zwiększoną efektywność w analizie struktur mitochondrialnych w komórkach ssaków.
Kluczowe elementy badania
Obszar badawczy
- Kriotomografia elektronowa
- Wizualizacja ultrastruktury komórkowej
- Metodyki segmentacji
Wstęp
- Krio-ET umożliwia wizualizację 3D z rozdzielczością nanometryczną.
- Ręczna segmentacja wiąże się ze znacznymi trudnościami i niską efektywnością.
- Wprowadzenie VR otwiera nowe możliwości zwiększenia dokładności i szybkości segmentacji.
Zastosowane metody
- Platforma wirtualnej rzeczywistości (SciGlass) do segmentacji
- Komórki ssaków jako model biologiczny
- Zaawansowane techniki obrazowania i przetwarzania danych
Główne wyniki
- Wykazano, że VR znacząco zwiększa efektywność segmentacji w porównaniu z metodami tradycyjnymi.
- Umożliwiono precyzyjne mapowanie struktur mitochondrialnych oraz cech organelli.
- Wskazano na użyteczność VR zarówno w analizie danych, jak i w szkoleniach edukacyjnych.
Wnioski
- Badanie to podkreśla skuteczność technologii VR w usprawnianiu procesów segmentacji cryo-ET.
- Zwraca ono uwagę na ewoluującą rolę technologii immersyjnych w badaniach biologicznych.
Najczęściej zadawane pytania
Znaczenie dla przemysłu
Ręczna segmentacja danych z krio-tomografii elektronowej (cryo-ET) stanowi trwałe wąskie gardło w biologii strukturalnej, ograniczając przepustowość i powtarzalność w początkowych etapach procesów odkrywczych. Integracja immersyjnych platform rzeczywistości wirtualnej (VR) z potokami segmentacji pozwala rozwiązać te problemy poprzez zwiększenie wydajności i dokładności adnotacji złożonych struktur komórkowych. Możliwość ta zapewnia wyższą pewność predykcyjną i przyspiesza przejście od surowych danych obrazowych do praktycznych wniosków biologicznych w portfelach badawczo-rozwojowych sektora biofarmaceutycznego.
Strategiczne zastosowania w badaniach i rozwoju biofarmaceutycznym
Wczesna faza odkrywania i walidacja celu
- Umożliwia precyzyjne wyznaczenie struktur subkomórkowych, co jest kluczowe dla mechanistycznego ograniczania ryzyka oraz walidacji celu.
- Poprawia jakość adnotacji biologicznych, wspierając rzetelne testowanie hipotez w biologii odkrywczej.
- Ułatwia szybką selekcję danych obrazowych do późniejszych badań funkcjonalnych.
Przesiewy i opracowanie testu
- Przygotowuje wysokiej jakości zestawy danych segmentacyjnych do opracowywania ilościowych testów i przepływów pracy w badaniach przesiewowych.
- Wspiera powtarzalne standardy adnotacji, co zmniejsza zmienność w testach opartych na obrazowaniu.
- Przyspiesza przygotowanie do pracy z zautomatyzowanymi lub półautomatycznymi platformami oceny związków.
Badania translacyjne i przedkliniczne
- Umożliwia szczegółowe mapowanie cech organelli istotnych dla przebiegu choroby w celu poszukiwania biomarkerów translacyjnych.
- Zapewnia ciągłość od obrazowania w fazie odkrywczej po walidację w modelach przedklinicznych, pod warunkiem zastosowania wysokiej jakości segmentacji.
- Zmniejsza ryzyko błędnej interpretacji w badaniach przedklinicznych poprzez poprawę wierności danych strukturalnych.
Integracja rurociągu i przepływu pracy
Ten umożliwiający VR proces segmentacji wpisuje się w obszar styku akwizycji danych obrazowych i analizy ilościowej, stanowiąc pomost między wczesnym etapem odkryć a badaniami przedklinicznymi.
- Biologia odkrywcza: Wspiera weryfikację hipotez dotyczącą ultrastruktury komórkowej i mapowania szlaków sygnałowych.
- Screening: Zapewnia powtarzalną, ilościową segmentację do późniejszej integracji z testami analitycznymi.
- Analityka: Dostarcza wysokorozdzielcze, adnotowane zestawy danych do analizy porównawczej i statystycznej cech komórkowych.
- Badania translacyjne: Umożliwia powiązanie wyników obrazowania strukturalnego z modelami systemowymi istotnymi dla przebiegu chorób, pod warunkiem zachowania jakości segmentacji.
- Ponowne wykorzystanie w przedsiębiorstwie: Tworzy skalowalną, wielokrotnego użytku funkcjonalność segmentacji dla różnorodnych projektów obrazowania w zespołach badawczo-rozwojowych (R&D).
Wpływ operacyjny i przedsiębiorczy
- Wartość naukowa: Zwiększa pewność predykcyjną i redukuje niejednoznaczność w walidacji strukturalnej celu.
- Wartość operacyjna: Optymalizuje procesy segmentacji, zwiększając przepustowość i standaryzację.
- Wartość strategiczna: Umożliwia podejmowanie lepiej uzasadnionych decyzji typu go/no-go oraz alokację kapitału w programach opartych na obrazowaniu.
- Wpływ na portfolio: Wspiera priorytetyzację skorygowaną o ryzyko poprzez dostarczanie wysokiej jakości danych obrazowych niezbędnych do rozwoju kandydatów.
Wskazówki dotyczące wdrożenia
- Wymagana jest wiedza specjalistyczna w zakresie przygotowania danych cryo-ET oraz obsługi oprogramowania VR.
- Wymagany jest kompatybilny sprzęt, w tym gogle i kontrolery VR, a także wydajna infrastruktura obliczeniowa.
- Zaleca się stosowanie ustandaryzowanych protokołów adnotacji w celu zapewnienia powtarzalności wyników między zespołami.
- W zależności od złożoności obrazowania może być wymagana adaptacja metody dla różnych typów komórek lub docelowych organelli.
- Ręczna segmentacja pozostaje czasochłonna w przypadku bardzo dużych zbiorów danych, nawet przy zastosowaniu usprawnień VR.
