Name: Automatyczna analiza obrazów fluorescencyjnych C. elegans z użyciem SegElegans (Wideo) | JoVE Journal
Uploaded: 2025-10-10T14:05:00.000+00:00
Duration: 6 min 27 s
Description: Poznaj automatyczną segmentację obrazów C. elegans za pomocą systemu SegElegans opartego na głębokim uczeniu. To narzędzie skraca czas analizy z 245 do poniżej 60 sekund przy zachowaniu ponad 93% dokładności.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Prace w laboratorium autorów są finansowane przez Sekretariat Generalny dla Badania i Innowacje Greckiego Ministerstwa Rozwoju, Unia Europejska - NextGenerationEU (kod projektu: TAEDR-0535850, skrót: BrainPrecision) w ramach akcji "Flagowe Działania w Interdyscyplinarne obszary naukowe ze szczególnym zainteresowaniem w powiązaniach do tkanki produkcyjnej", w ramach Narodowego Ożywienia i Odporności Plan "Grecja 2.0", Agencja Wykonawcza ds. Badań Komisji Europejskiej Centrum Doskonałości "CHAngeing" (GA-101087071) oraz Fundacja Grecka na rzecz badań i innowacji (H.F.R.I.) w ramach "1. Wezwania do H.F.R.I. Projekty badawcze wspierające członków kadry naukowej i badaczy oraz zakup drogiego sprzętu badawczego" (Numer projektu: HFRI-FM17C3-0869, NeuroMitofagia).

<ol><li>Kaletta, T., Hengartner, M. O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Finding+function+in+novel+targets%3A+C.+elegans+as+a+model+organism%5BTitle%5D)+AND+%22Nat+Rev+Drug+Discov%22%5BJournal%5D)">Finding function in novel targets: C. elegans as a model organism.</a> Nat Rev Drug Discov. 5 (5), 387-398 (2006).</li>
<li>Markaki, M., Tavernarakis, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Caenorhabditis+elegans+as+a+model+system+for+human+diseases%5BTitle%5D)+AND+%22Curr+Opin+Biotechnol%22%5BJournal%5D)">Caenorhabditis elegans as a model system for human diseases.</a> Curr Opin Biotechnol. 63, 118-125 (2020).</li>
<li>Zuryn, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((elegans+as+a+model+for+health+and+disease%5BTitle%5D)+AND+%22Semin+Cell+Dev+Biol%22%5BJournal%5D)">elegans as a model for health and disease.</a> Semin Cell Dev Biol. 154 (Pt A), 1-3 (2024).</li>
<li>Corsi, A. K., Wightman, B., Chalfie, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+transparent+window+into+biology%3A+A+primer+on+Caenorhabditis+elegans%5BTitle%5D)+AND+%22WormBook%22%5BJournal%5D)">A transparent window into biology: A primer on Caenorhabditis elegans.</a> WormBook. , 1-31 (2015).</li>
<li>Kerr, R. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Imaging+the+activity+of+neurons+and+muscles%5BTitle%5D)+AND+%22WormBook%22%5BJournal%5D)">Imaging the activity of neurons and muscles.</a> WormBook. , 1-13 (2006).</li>
<li>Feinberg, E. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((GFP+reconstitution+across+synaptic+partners+%28GRASP%29+defines+cell+contacts+and+synapses+in+living+nervous+systems%5BTitle%5D)+AND+%22Neuron%22%5BJournal%5D)">GFP reconstitution across synaptic partners (GRASP) defines cell contacts and synapses in living nervous systems.</a> Neuron. 57 (3), 353-363 (2008).</li>
<li>Hammarlund, M., Jin, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Axon+regeneration+in+C.+elegans%5BTitle%5D)+AND+%22Curr+Opin+Neurobiol%22%5BJournal%5D)">Axon regeneration in C. elegans.</a> Curr Opin Neurobiol. 27, 199-207 (2014).</li>
<li>Daniele, J. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((UPR%28ER%29+promotes+lipophagy+independent+of+chaperones+to+extend+life+span%5BTitle%5D)+AND+%22Sci+Adv%22%5BJournal%5D)">UPR(ER) promotes lipophagy independent of chaperones to extend life span.</a> Sci Adv. 6 (1), eaaz1441(2020).</li>
<li>Yemini, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NeuroPAL%3A+A+multicolor+atlas+for+whole-brain+neuronal+identification+in+C.+elegans%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">NeuroPAL: A multicolor atlas for whole-brain neuronal identification in C. elegans.</a> Cell. 184 (1), 272-288.e11 (2021).</li>
<li>Sinnige, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Kinetic+analysis+reveals+that+independent+nucleation+events+determine+the+progression+of+polyglutamine+aggregation+in+C.+elegans%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+U+S+A%22%5BJournal%5D)">Kinetic analysis reveals that independent nucleation events determine the progression of polyglutamine aggregation in C. elegans.</a> Proc Natl Acad Sci U S A. 118 (11), e2021888118(2021).</li>
<li>Gkikas, I., Daskalaki, I., Kounakis, K., Tavernarakis, N., Lionaki, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MitoSNARE+assembly+and+disassembly+factors+regulate+basal+autophagy+and+aging+in+C.+elegans%5BTitle%5D)+AND+%22Int+J+Mol+Sci%22%5BJournal%5D)">MitoSNARE assembly and disassembly factors regulate basal autophagy and aging in C. elegans.</a> Int J Mol Sci. 24 (4), 4230(2023).</li>
<li>Kutscher, L. M., Shaham, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Forward+and+reverse+mutagenesis+in+C.+elegans%5BTitle%5D)+AND+%22WormBook%22%5BJournal%5D)">Forward and reverse mutagenesis in C. elegans.</a> WormBook. , 1-26 (2014).</li>
<li>Praitis, V., Maduro, M. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Transgenesis+in+C.+elegans%5BTitle%5D)+AND+%22Methods+Cell+Biol%22%5BJournal%5D)">Transgenesis in C. elegans.</a> Methods Cell Biol. 106, 161-185 (2011).</li>
<li>Kim, H. M., Colaiacovo, M. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((CRISPR-Cas9-guided+genome+engineering+in+Caenorhabditis+elegans%5BTitle%5D)+AND+%22Curr+Protoc+Mol+Biol%22%5BJournal%5D)">CRISPR-Cas9-guided genome engineering in Caenorhabditis elegans.</a> Curr Protoc Mol Biol. 129 (1), e106(2019).</li>
<li>Kamath, R. S., Ahringer, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genome-wide+RNAi+screening+in+Caenorhabditis+elegans%5BTitle%5D)+AND+%22Methods%22%5BJournal%5D)">Genome-wide RNAi screening in Caenorhabditis elegans.</a> Methods. 30 (4), 313-321 (2003).</li>
<li>Lai, C. H., Chou, C. Y., Ch'ang, L. Y., Liu, C. S., Lin, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+novel+human+genes+evolutionarily+conserved+in+Caenorhabditis+elegans+by+comparative+proteomics%5BTitle%5D)+AND+%22Genome+Res%22%5BJournal%5D)">Identification of novel human genes evolutionarily conserved in Caenorhabditis elegans by comparative proteomics.</a> Genome Res. 10 (5), 703-713 (2000).</li>
<li>Kuwabara, P. E., O'Neil, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+use+of+functional+genomics+in+C.+elegans+for+studying+human+development+and+disease%5BTitle%5D)+AND+%22J+Inherit+Metab+Dis%22%5BJournal%5D)">The use of functional genomics in C. elegans for studying human development and disease.</a> J Inherit Metab Dis. 24 (2), 127-138 (2001).</li>
<li>Ranganathan, R., Sawin, E. R., Trent, C., Horvitz, H. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mutations+in+the+Caenorhabditis+elegans+serotonin+reuptake+transporter+MOD-5+reveal+serotonin-dependent+and+-independent+activities+of+fluoxetine%5BTitle%5D)+AND+%22J+Neurosci%22%5BJournal%5D)">Mutations in the Caenorhabditis elegans serotonin reuptake transporter MOD-5 reveal serotonin-dependent and -independent activities of fluoxetine.</a> J Neurosci. 21 (16), 5871-5884 (2001).</li>
<li>Lackner, M. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chemical+genetics+identifies+Rab+geranylgeranyl+transferase+as+an+apoptotic+target+of+farnesyl+transferase+inhibitors%5BTitle%5D)+AND+%22Cancer+Cell%22%5BJournal%5D)">Chemical genetics identifies Rab geranylgeranyl transferase as an apoptotic target of farnesyl transferase inhibitors.</a> Cancer Cell. 7 (4), 325-336 (2005).</li>
<li>Yoon, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Microfluidics+in+high-throughput+drug+screening%3A+Organ-on-a-chip+and+C.+elegans-based+innovations%5BTitle%5D)+AND+%22Biosensors+%28Basel%29%22%5BJournal%5D)">Microfluidics in high-throughput drug screening: Organ-on-a-chip and C. elegans-based innovations.</a> Biosensors (Basel). 14 (1), 55(2024).</li>
<li>Schindelin, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fiji%3A+An+open-source+platform+for+biological-image+analysis%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Fiji: An open-source platform for biological-image analysis.</a> Nat Methods. 9 (7), 676-682 (2012).</li>
<li>Schindelin, J., Rueden, C. T., Hiner, M. C., Eliceiri, K. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+ImageJ+ecosystem%3A+An+open+platform+for+biomedical+image+analysis%5BTitle%5D)+AND+%22Mol+Reprod+Dev%22%5BJournal%5D)">The ImageJ ecosystem: An open platform for biomedical image analysis.</a> Mol Reprod Dev. 82 (7-8), 518-529 (2015).</li>
<li>Rueden, C. T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ImageJ2%3A+ImageJ+for+the+next+generation+of+scientific+image+data%5BTitle%5D)+AND+%22BMC+Bioinformatics%22%5BJournal%5D)">ImageJ2: ImageJ for the next generation of scientific image data.</a> BMC Bioinformatics. 18 (1), 529(2017).</li>
<li>Valente, A. J., Maddalena, L. A., Robb, E. L., Moradi, F., Stuart, J. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+simple+ImageJ+macro+tool+for+analyzing+mitochondrial+network+morphology+in+mammalian+cell+culture%5BTitle%5D)+AND+%22Acta+Histochem%22%5BJournal%5D)">A simple ImageJ macro tool for analyzing mitochondrial network morphology in mammalian cell culture.</a> Acta Histochem. 119 (3), 315-326 (2017).</li>
<li>Ramki, K., Thiruppathi, G., Ramasamy, S. K., Sundararaj, P., Sakthivel, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+aggregation-induced+emission-based+ratiometric+fluorescent+chemosensor+for+Hg%28II%29+and+its+application+in+Caenorhabditis+elegans+imaging%5BTitle%5D)+AND+%22Methods%22%5BJournal%5D)">An aggregation-induced emission-based ratiometric fluorescent chemosensor for Hg(II) and its application in Caenorhabditis elegans imaging.</a> Methods. 221, 1-11 (2024).</li>
<li>Boulin, T., Etchberger, J. F., Hobert, O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reporter+gene+fusions%5BTitle%5D)+AND+%22WormBook%22%5BJournal%5D)">Reporter gene fusions.</a> WormBook. , 1-23 (2006).</li>
<li>Braeckman, B. P., Smolders, A., Back, P., De Henau, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In+vivo+detection+of+reactive+oxygen+species+and+redox+status+in+Caenorhabditis+elegans%5BTitle%5D)+AND+%22Antioxid+Redox+Signal%22%5BJournal%5D)">In vivo detection of reactive oxygen species and redox status in Caenorhabditis elegans.</a> Antioxid Redox Signal. 25 (10), 577-592 (2016).</li>
<li>He, K., Gkioxari, G., Dollár, P., Girshick, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mask+R-CNN%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">Mask R-CNN.</a> arXiv. , (2017).</li>
<li>Ronneberger, O., Fischer, P., Brox, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((U-Net%3A+Convolutional+networks+for+biomedical+image+segmentation%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">U-Net: Convolutional networks for biomedical image segmentation.</a> arXiv. , (2015).</li>
<li>Exploring deep learning architectures in NAECON 2018. Proc IEEE NAECON. Alom, M. Z., Yakopcic, C., Taha, T. M., Asari, V. K. IEEE National Aerospace and Electronics Conference, , 228-233 (2018).</li>
<li>Micallef, N., Seychell, D., Bajada, C. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exploring+the+U-Net%2B%2B+model+for+automatic+brain+tumor+segmentation%5BTitle%5D)+AND+%22IEEE+Access%22%5BJournal%5D)">Exploring the U-Net++ model for automatic brain tumor segmentation.</a> IEEE Access. 9, 125523-125539 (2021).</li>
<li>Plebani, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((High-throughput+segmentation+of+unmyelinated+axons+by+deep+learning%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">High-throughput segmentation of unmyelinated axons by deep learning.</a> Sci Rep. 12 (1), 1198(2022).</li>
<li>Fudickar, S., Nustede, E. J., Dreyer, E., Bornhorst, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Mask+R-CNN+based+C.+elegans+detection+with+a+DIY+microscope%5BTitle%5D)+AND+%22Biosensors+%28Basel%29%22%5BJournal%5D)">Mask R-CNN based C. elegans detection with a DIY microscope.</a> Biosensors (Basel). 11 (8), 257(2021).</li>
<li>Lalit, M., Tomancak, P., Jug, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EmbedSeg%3A+Embedding-based+instance+segmentation+for+biomedical+microscopy+data%5BTitle%5D)+AND+%22Med+Image+Anal%22%5BJournal%5D)">EmbedSeg: Embedding-based instance segmentation for biomedical microscopy data.</a> Med Image Anal. 81, 102523(2022).</li>
<li>Layana Castro, P. E., Garvi, A. G., Sanchez-Salmeron, A. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+segmentation+of+Caenorhabditis+elegans+skeletons+in+worm+aggregations+using+improved+U-Net+in+low-resolution+image+sequences%5BTitle%5D)+AND+%22Heliyon%22%5BJournal%5D)">Automatic segmentation of Caenorhabditis elegans skeletons in worm aggregations using improved U-Net in low-resolution image sequences.</a> Heliyon. 9 (4), e14715(2023).</li>
<li>A convolutional neural network model for worm imaging in 2020. Proc IEEE ISBI. Chen, L., et al. IEEE 17th International Symposium on Biomedical Imaging (ISBI), , 508-512 (2020).</li>
<li>Guan, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cell+lineage-resolved+embryonic+morphological+map+reveals+signaling+associated+with+cell+fate+and+size+asymmetry%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Cell lineage-resolved embryonic morphological map reveals signaling associated with cell fate and size asymmetry.</a> Nat Commun. 16 (1), 3700(2025).</li>
<li>Cao, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Establishment+of+a+morphological+atlas+of+the+Caenorhabditis+elegans+embryo+using+deep-learning-based+4D+segmentation%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Establishment of a morphological atlas of the Caenorhabditis elegans embryo using deep-learning-based 4D segmentation.</a> Nat Commun. 11 (1), 6254(2020).</li>
<li>Zhao, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((EmbSAM%3A+Cell+boundary+localization+and+Segment+Anything+Model+for+fast+images+of+developing+embryos%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">EmbSAM: Cell boundary localization and Segment Anything Model for fast images of developing embryos.</a> bioRxiv. , (2024).</li>
<li>Castro, P. E. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SegElegans%3A+Instance+segmentation+using+dual+convolutional+recurrent+neural+network+decoder+in+Caenorhabditis+elegans+microscopic+images%5BTitle%5D)+AND+%22Comput+Biol+Med%22%5BJournal%5D)">SegElegans: Instance segmentation using dual convolutional recurrent neural network decoder in Caenorhabditis elegans microscopic images.</a> Comput Biol Med. 190, 110012(2025).</li>
<li>Trebing, K., Stańczyk, T., Mehrkanoon, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SmaAt-UNet%3A+Precipitation+nowcasting+using+a+small+attention-UNet+architecture%5BTitle%5D)+AND+%22Pattern+Recognit+Lett%22%5BJournal%5D)">SmaAt-UNet: Precipitation nowcasting using a small attention-UNet architecture.</a> Pattern Recognit Lett. 145, 178-186 (2021).</li>
<li>Woo, S., Park, J., Lee, J. Y., Kweon, I. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((CBAM%3A+Convolutional+block+attention+module%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">CBAM: Convolutional block attention module.</a> arXiv. , (2018).</li>
<li>Shi, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Convolutional+LSTM+network%3A+A+machine+learning+approach+for+precipitation+nowcasting%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">Convolutional LSTM network: A machine learning approach for precipitation nowcasting.</a> arXiv. , (2015).</li>
<li>Stuhr, N. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rapid+lipid+quantification+in+Caenorhabditis+elegans+by+Oil+Red+O+and+Nile+Red+staining%5BTitle%5D)+AND+%22Bio+Protoc%22%5BJournal%5D)">Rapid lipid quantification in Caenorhabditis elegans by Oil Red O and Nile Red staining.</a> Bio Protoc. 12 (5), e4340(2022).</li>
<li>Kuzmic, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In+situ+visualization+of+carbonylation+and+its+co-localization+with+proteins%2C+lipids%2C+DNA+and+RNA+in+Caenorhabditis+elegans%5BTitle%5D)+AND+%22Free+Radic+Biol+Med%22%5BJournal%5D)">In situ visualization of carbonylation and its co-localization with proteins, lipids, DNA and RNA in Caenorhabditis elegans.</a> Free Radic Biol Med. 101, 465-474 (2016).</li>
<li>Fang, E. F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In+vitro+and+in+vivo+detection+of+mitophagy+in+human+cells%2C+C.+elegans%2C+and+mice%5BTitle%5D)+AND+%22J+Vis+Exp%22%5BJournal%5D)">In vitro and in vivo detection of mitophagy in human cells, C. elegans, and mice.</a> J Vis Exp. (129), e56301(2017).</li>
</ol>

Autorzy nie mają żadnych konfliktów interesów do zgłoszenia.

Przedstawiona tutaj metodologia powinna umożliwić użytkownikom analizę eksperymentów mikroskopii C. elegans w znacznie szybszym czasie bez utraty dokładności. Ponieważ wyodrębnia segmentacje z obrazów przewodników w świetle niezależności od faktycznej fluorescencji (jak omówiono w sekcji protokołu 1), może być stosowany z każdym szczepem i do każdego zastosowania wymagającego pomiaru fenotypów na poziomie pojedynczego robaka. Mogą to być zastosowania jednokanałowe, takie jak ilościowe określenie powstawania niep...

Caenorhabditis elegans to eukariotyczny organizm modelowy, szeroko stosowany w dziedzinach biologii komórkowej i molekularnej 1,2,3. Jest to mały (~1 mm dla dorosłych osobników typu dzikiego) żyjący w glebie nicieni, o szybkim cyklu życiowym (~trzy tygodnie) i dużej liczbie potomstwa (zazwyczaj genetycznie identycznych z samozapłodniającym się rodzicem). Pomimo względnej prostoty, zwierzę to jest nadal złożonym organizmem wielokomórkowym o wyraźnie określonych i odrębnych tkankach oraz organach, które dzięki niewielkim rozmiarom i przezroczystości można badać in vivo bez potrzeby utrwalania lub innych inwazyjnych zabiegów4. Zdolność robaka do badań in vivo za pomocą mikroskopu może być dodatkowo rozszerzona dzięki zastosowaniu fluorescencyjnym raportatorów, które umożliwiają łatwe rozróżnienie poszczególnych komórek lub nawet bezpośrednią wizualizację organelli/składników podkomórkowych, takich jak mitochondria, krople lipidowe czy agregaty białkowe, a także procesów takich jak transdukcja sygnału, ekspresja genów, fuzja pęcherzyków, autofagia, potencjały czynnościowe neuronów i mięśni itd.5,6,7,8,9,10,11. Ponadto nicienie są również bardzo podatne na modyfikację genetyczną poprzez mutagenezę12, transgenezę przez mikroiniekcję lub bombardowanie mikrocząstek13, edycję CRISPR14, a co najważniejsze, w przypadku łatwego i opłacalnego badania genetycznego RNAi15. Ta manipulacja pozwala na szeroko zakrojone badania genów i ich roli w samym nicieniu, a jednocześnie, dzięki znaczącej homologii genetycznej C. elegans wobec innych organizmów modelowych, dokonują fundamentalnych odkryć istotnych aż do ludzi16,17. Wreszcie, ta homologia/konserwacja czyni robaka idealnym początkowym polem do testowania leków i środków chemicznych, umożliwiając wyjaśnienie mechanizmów aktywności leków, identyfikację potencjalnych zmiennic genetycznych modyfikujących aktywność oraz odkrycie potencjalnych niepożądanych interakcji i efektów pozacelowych 18,19,20.
Wszystkie wymienione zalety sprawiły, że C. elegans stał się atrakcyjnym modelem do badań biologii komórkowej i molekularnej, szczególnie dla naukowców zainteresowanych in vivo oraz często monitorowaniem procesów w czasie rzeczywistym za pomocą mikroskopii. Takie badania zazwyczaj obejmują znaczną ilość analizy obrazów za pomocą specjalnego oprogramowania, z najczęściej używaną opcją ImageJ 21,22,23. Wspólną cechą analizy za pomocą takiego oprogramowania jest konieczność określenia przez użytkownika/badacza Regionów Zainteresowania (ROI) do analizy za pomocą narzędzi selekcyjnych. Dość często każdy pojedynczy robak na obrazie jest wybierany jako własny ROI, z celem uzyskania informacji o prostych cechach morfologicznych (takich jak wymiary ciała) lub bardziej "zaawansowanych" odczytach eksperymentalnych, takich jak poziomy ekspresji genu (mierzone za pomocą fluorescencyjnego reportera), odczyt raportu ratiometrycznego, liczba i wielkość kropelek lipidowych, tworzenie agregatów białkowych, morfologia poszczególnych organelli i ich sieci itd.5,8,10,24,25,26,27. Te selekcje dla robaka są zazwyczaj dokonywane ręcznie, ponieważ automatyczne metody selekcji oparte na standardowych algorytmach przetwarzania obrazu zwykle nie są wystarczająco zdolne do rozróżnienia kształtów i cech robaka, zwłaszcza w obrazach ciemnopolowych, gdzie kontury robaków nie są wyraźnie widoczne, lub w obrazach jasnych z znaczną liczbą zwierząt, które się stykają i nakładają. Proces ręczny jest jednak powolny (od 20 s do 1 minuty na robak, w zależności od wymaganej precyzji i doświadczenia użytkownika), żmudny i podatny na błędy i błędy użytkownika.
Alternatywnym i znacznie potężniejszym podejściem do generowania indywidualnych ROI C. elegans (zadanie powszechnie określane jako segmentacja w dziedzinie widzenia komputerowego) jest automatyzacja tego z pomocą technik uczenia głębokiego/sieci neuronowych. Konwolucyjne sieci neuronowe oparte głównie na architekturach Mask R-CNN28 i U-net29 przyniosły przyzwoite wyniki w zadaniach segmentacyjnych na różnych biologicznych modelach 30,31,32, w tym w C. elegans 33,34,35,36,37,38,39 , ale żadne z nich nie zapewniło satysfakcjonującego rozwiązania problemu generowania segmentacji całego ciała, które poprawnie rozróżniałyby poszczególne zwierzęta (segmentacja instancji) na obrazach o wysokiej rozdzielczości z dużą liczbą stykających się lub wręcz nakładających się robaków. Aby sprostać tej potrzebie, opracowaliśmy SegElegans, model głębokiego uczenia specjalnie zaprojektowany i zoptymalizowany pod to zadanie40.
SegElegans składa się z dwóch głównych części (Rysunek 1). Pierwsza część to dwugłowicowa wariantowa sieć neuronowa U-net. Składa się z jednego bloku enkodera i dwóch bloków dekodera. Blok enkodera oparty jest na modeluSmaAt AT 41 i wykorzystuje podwójne bloki splotowe dla każdej warstwy zasilanej przez moduł Convolucional Block Attention Module (CBAM)42. Dwa bloki dekodera opierają się na sieci konwolucyjnej długiej pamięci krótkotrwałej (LSTM)43. Jeden z dekoderów odpowiada za kategoryzację każdego piksela obrazów jako części głównego ciała robaka, części krawędzi robaka, części tła lub obszaru, gdzie robaki nakładają się (zwykle nazywa się to segmentacją semantyczną). Drugi dekoder odpowiada za rysowanie liniowego "szkieletu" wzdłuż długości każdego robaka. Druga część to algorytm postprocessingu, który łączy wyjścia obu dekoderów i wykorzystuje je do generowania dokładnych segmentacji instancji. Początkowo identyfikuje segmenty prawdziwych nakładań, porównując wyjście semantycznej segmentacji z tą szkieletową. Następnie segmentacja instancji jest wyprowadzana bezpośrednio dla robaków bez nakładania się lub przez składanie jej z segmentów dla nakładających się40. Segmentacje te są zapisywane jako maski binarne oraz zgodne z ImageJ ROI.

<table><tbody><tr><td>Komputer z dostępem do internetu (przykład: Dell Vostro Desktop)</td><td>Kilka (na przykład Dell)</td><td>&nbsp;-</td><td>Pozwoli to uruchamiać SegElegans online w chmurze, zgodnie z zaleceniami, oraz korzystać z oprogramowania do analizy obrazów, takiego jak ImageJ.</td></tr><tr><td>Kompatybilna z CUDA jednostka graficzna z co najmniej 6 GB VRAM (przykład: MSI Geforce RTX&nbsp; RTX3050 Ventus 2X 6GB) (opcjonalnie)</td><td>NVIDIA + kilku producentów (na przykład Micro Star International)</td><td>https://developer.nvidia.com/cuda-gpus</td><td>Pozwoli to uruchomić SegElegans offline na lokalnej maszynie. kompatybilne chipsety GPU można znaleźć tutaj: https://developer.nvidia.com/cuda-gpus VRAM zależy od faktycznej implementacji chipsetu w GPU przez producenta. UWAGA: Będziesz potrzebować drogiej i wydajnej karty CUDA, znacznie przekraczającej minimalne wymagania (16+ GB VRAM), aby dorównać wydajności osiąganej przez wersję chmurową.</td></tr><tr><td>Mikroskop epifluorescencyjny (Invitrogen EVOS FL Auto 2)</td><td>ThermoFisher Scientific &nbsp;</td><td>AMAFD2000 na przykład</td><td>Zalecamy stosowanie systemu, który może automatycznie rejestrować obrazy zarówno z jasnego pola, jak i jednego lub więcej kanałów fluorescencyjnych niemal jednocześnie.</td></tr><tr><td>ImageJ (opcjonalnie)</td><td>NIH</td><td>https://imagej.net/software/fiji/downloads</td><td>Polecamy dystrybucję Fiji, dostępną tutaj: https://imagej.net/software/fiji/downloads</td></tr><tr><td>PC z kompatybilnością z kartą NVIDIA (przykład: Dell Vostro Desktop) (opcjonalnie) &nbsp;</td><td>Kilka (na przykład Dell)</td><td>&nbsp;-</td><td>Jest to potrzebne w połączeniu z GPU do uruchamiania SegElegans offline na lokalnej maszynie. GPU będzie wymagać sprzętu kompatybilnego z Windows z odpowiednimi slotami PCI na płycie głównej, miejsca na kartę oraz wystarczająco mocnego zasilacza.</td></tr><tr><td>SegElegans</td><td>-</td><td>https://github.com/KonstantinosKounakis/SegElegansOnline/tree/v1.0&nbsp;</td><td>Zobacz manuskrypt po pełne instrukcje.</td></tr></tbody></table>

automatyczna analiza obrazów fluorescencyjnych c. elegans z użyciem segelegans

Automated Analysis of C. elegans Fluorescence Images using SegElegans

Mikroskopia, szczególnie fluorescencjonująca, jest często używanym narzędziem w badaniach nad C. elegans . Analiza danych z eksperymentów mikroskopowych może jednak być dość żmudna i czasochłonna. Dlatego automatyzacja jest pożądana. Opracowaliśmy SegElegans, dwugłowy system sieci neuronowej splotowej oparty na sieci U-net, specjalnie zaprojektowany do automatycznego segmentowania robaków, nawet na obrazach z dużą liczbą osób dotykających się lub nakładających się na nich. Pierwsza część SegElegans składa się z jednego enkodera i dwóch dekoderów. Koder, oparty na modelu SmaAt AT, stosuje podwójne warstwy splotowe, po których następuje moduł Convolutional Block Attention Module (CBAM). Oba dekodery wykorzystują konwolucyjne LSTM: jeden wykonuje semantyczną segmentację obrazów robaków (ciało, krawędź, tło lub nakładanie się), podczas gdy drugi wyodrębnia liniowy szkielet wzdłuż każdego robaka. Druga część to algorytm postprocessingu, który łączy wyjścia obu dekoderów i wykorzystuje je do generowania dokładnych segmentacji instancji. Segmentacje te mogą być następnie przekazywane do ImageJ lub innych odpowiednich narzędzi do analizy obrazów. Przedstawiamy tutaj instrukcje, jak uzyskać dostęp i uruchomić ten system. Oferujemy implementację online, opartą na chmurze, a także dwie metody korzystania z modeli SegElegans offline, na komputerze lokalnym, jeśli dostępny jest potrzebny sprzęt.

Stosując ten protokół, naukowcy powinni być w stanie wyodrębnić wysokiej jakości segmentacje robaków, nawet do analizy obrazów fluorescencyjnych bez widocznych krawędzi robaków. Jak omówiono w sekcji 6 protokołu, te segmentacje mogą być bezpośrednio importowane do ImageJ i wykorzystywane do szybkiego pomiaru istotnych właściwości, takich jak intensywność fluorescencjonujących reporterów (powszechnie stosowane do ilościowej ekspresji) czy liczba, rozmiar i morfologia obszarów oznaczonych fluorescencją (często wykorzystywa...

Tutaj przedstawiamy instrukcje dotyczące skutecznego wykorzystania SegElegans, systemu głębokiego uczenia, który opracowaliśmy do automatycznego segmentowania pojedynczych robaków na mikroskopii szerokopolowej, do późniejszego wykorzystania w oprogramowaniu do analizy obrazów, takiego jak ImageJ. Oferujemy możliwości korzystania z systemu zarówno online, jak i offline.

Automatyczna analiza obrazów fluorescencyjnych C. elegans z użyciem SegElegans

Microscopy, particularly of the fluorescent kind, is a frequently used tool in C. elegans research. The analysis of data from microscopy experiments can, ...

Badania C.elegans rutynowo wykorzystują techniki obrazowania in vivo do monitorowania procesów i odpowiadania na pytania dotyczące biologii komórki. Analiza danych obrazowych często wymaga poświęcenia znacznego czasu na wyznaczanie obszarów zainteresowania poprzez ręczne wybory w oprogramowaniu. Istniejące opcje, które mogłyby zautomatyzować proces generowania zwrotu z inwestycji poszczególnych robaków, są nieprecyzyjne.Często mam trudności z rozróżnieniem dotykających lub nakładających się robaków. Na początek zrób zdjęcia dorosłych robaków za pomocą mikroskopu szerokokątnego z obiektywem 4x. Jeśli dane są mierzone w obrazach jasnych pól, należy je uzyskać normalnie.Jeśli dane są mierzone na obrazach fluorescencji w ciemnym polu, należy je uzyskać jednocześnie z pasującymi obrazami przewodnika jasnego pola, korzystając z opcji wielokanałowego akwizycji w oprogramowaniu mikroskopu. Upewnij się, że oba zestawy obrazów są zapisane pod identycznymi nazwami, ale umieszczone w osobnych folderach. Aby uruchomić wersję online SegElegans, najpierw zaloguj się na konto Google za pomocą przeglądarki internetowej.Wejdź na Google Drive i wgraj folder zawierający obrazy z jasnym polem lub przewodnikiem. Otwórz stronę GitHub i kliknij w interfejs SegElegans Body Prediction Interface. pliku IPynb.Naciśnij przycisk otwórz w CoLab na górze otwartego pliku. Upewnij się, że CoLab uruchamia kompatybilny z GPU w środowisku wykonawczym CUDA. Naciśnij przycisk odtwarzania, aby wykonać blok kodu jeden i przydzielić uprawnienia w czasie rzeczywistym.Następnie wykonaj blok kodu drugi, aby załadować Google Drive do środowiska uruchomieniowego. Zaakceptuj wszystkie dialogi potwierdzające i przyznaj wszystkie żądane uprawnienia. Następnie wykonuj bloki kodu trzy i cztery w kolejności, upewniając się, że blok trzeci jest w pełni ukończony przed uruchomieniem bloku czwartego.Otwórz ikonę zakładki folderów po lewej stronie w interfejsie CoLab i znajdź folder z ilustracjami przewodnika. Skopiuj ścieżkę, a następnie wklej ją do formularza wejściowego testowych obrazów bloku kodu numer pięć. Określ także osobną ścieżkę dla wyjścia analizy.Wykonaj blok kodu pięć. Określ dokładne rozszerzenie obrazu, które ma być analizowane w bloku kodu szóstym. Wykonaj blok kodu sześć i czekaj na zakończenie.Teraz wykonaj blok kodu siódmy bez zmiany wejść i mniej problemów z pamięcią. W osobnej karcie lub oknie otwórz Google Drive i otwórz folder output. Wybierz jedną z trzech opcji.Pierwszą opcją jest wykorzystanie ROI z jednego z wyników wszystkich ROI i odrzucenie niepożądanych ROI na obrazie J. Druga opcja to zaakceptowanie wyselekcjonowanych dobrych masek z jednej kompletnej maski bez ręcznej korekty, choć nie obejmuje to segmentacji nakładających się robaków. Trzecią i zalecaną opcją jest ręczna regulacja kuracji. Aby to zrobić, użyj bloku kodu ósmego.Przeanalizuj wyniki początkowej kuracji z grafów podsumowujących w folderze zero summary results. Dla każdego obrazu, który wymaga korekty, wprowadź pełną nazwę oryginalnego obrazu wejściowego w formularzu zmiany nazwy. Oraz numery masek, które mają być zachowane, oddzielone przecinkami w formie obrazów indeksowych.Teraz wykonaj blok kodu osiem. Po zakończeniu lub pominięciu korekty kuracji wykonaj blok kodu dziewięć, aby wygenerować folder wyników dwóch wybranych ROIs. Folder zawiera wszystkie ostateczne, wyselekcjonowane segmentacje w formacie Image J.Aby uruchomić potok na nowym zestawie obrazów, zresetuj runtime, przechodząc do runtime, następnie wybierz restart session i powtórz procedurę od początku. Możliwe jest także uruchomienie SegElegans bez chmury na komputerze lokalnym, używając Jupytera lub skryptu Pythona. Aby zaimportować segmentacje, otwórz jeden z rzeczywistych obrazów danych w Obrazku J. Otwórz odpowiadający plik zip zawierający ROI tego obrazu, aby załadować wybory do menedżera ROI Obrazu J.Jeśli pochodzą z dwóch wybranych wyników ROI, przejdź do analizy przy użyciu pożądanych metod, najlepiej zautomatyzowanych za pomocą makro. Jeśli ROI pochodzą z jednego wyniku, który wszystkie wyniki ROI wychodzą, usuń niechciane segmentacje z menedżera ROI. Wybierz je i naciśnij przycisk usuń w oknie menedżera ROI.Następnie przechodź do analizy normalnie. Jeśli wymagane jest oprogramowanie inne niż Obraz J, zaimportuj segmentacje jako maski binarne. W eksperymentach walidacyjnych i testujących wydajność SegElegans znacząco skrócił średni czas potrzebny na obraz w porównaniu do segmentacji ręcznej.Skróciłem to z około 245 sekund do poniżej 60 sekund. SegElegans osiągnął przecięcie segmentacji w wyniku związku powyżej 93%, przewyższając wszystkie alternatywne modele wymienione w chwili publikacji. SegElegans to system głębokiego uczenia wykorzystujący specjalną architekturę pozwalającą na dokładną segmentację poszczególnych robaków, nawet na zatłoczonych obrazach.SegElegans to ważne i wszechstronne narzędzie, które może przyspieszyć analizę danych mikroskopowych bez utraty dokładności.

automated-analysis-of-c-elegans-fluorescence-images-using-segelegans

Research

JoVE Journal

Biology

Biologia

Opisujemy opracowanie systemu do zautomatyzowanego obrazowania i analizy transgenicznych embrionów zebrafish w płytkach wielodołkowych. System ten wykazuje możliwość pomiaru efektów zależnych od dawki małej cząsteczki, BCI, na ekspresję genu reporterowego Fibroblast Growth Factor i dostarcza technologii do tworzenia wysokoprzepustowych skriningów chemicznych na zebrafish.

Opracowanie zautomatyzowanego obrazowania i analizy dla chemicznych badań przesiewowych na daniowiczkach Zebrafish.

Zarodek C. elegans jest potężnym systemem do badania biologii komórki i rozwoju. Przedstawiamy protokół obrazowania na żywo zarodków C. elegans z wykorzystaniem optyki DIC lub fluorescencji, przy użyciu powszechnie dostępnych mikroskopów epifluorescencyjnych oraz oprogramowania otwartoźródłowego.

Obrazowanie zarodków C. elegans przy użyciu mikroskopu epifluorescencyjnego i oprogramowania otwartoźródłowego

Obfitość receptorów neurotransmiterów zgromadzonych w synapsach silnie wpływa na siłę synaptyczną. Metoda ta pozwala na ilościowe określenie liczby znakowanych fluorescencyjnie receptorów neurotransmiterów w trzech wymiarach z rozdzielczością pojedynczej synapsy u C. elegans, co umożliwia szybką charakterystykę setek synaps w obrębie jednej próbki bez zniekształceń wynikających z projekcji płaszczyzny z.

Automatyczna kwantyfikacja fluorescencji synaptycznej u C. elegans

Opracowaliśmy system mikroskopu śledzącego w czasie rzeczywistym, który umożliwia rejestrację i kwantyfikację zachowania C. elegans z wysoką rozdzielczością i przy dużych prędkościach. Opracowaliśmy również metody obliczeniowe pozwalające na redukcję wymiarowości obrazów nicieni do podstawowego zestawu pomiarów, które w pełni opisują kształt organizmu.

Śledzenie i pomiar zachowania C. elegans

Ten film opisuje użycie oprogramowania do nagrywania ruchu robaków na arenie. Przykładowy protokół mierzy wpływ ekspozycji na etanol na poruszanie się robaków.

C. elegans (C. elegans) Śledzenie ruchu: metoda oceny lokomocji u robaków

Opisana jest skuteczna i prosta metodologia komputerowej analizy zachowania nicieni podczas pływania w cieczy. Metoda ta wymaga niewielkich lub żadnych inwestycji dla laboratoriów C. elegans. Używany sprzęt jest standardowy, a oprogramowanie komputerowe do analizy behawioralnej (CeleST) jest oprogramowaniem typu open source.

Zautomatyzowana analiza zachowania C. elegans podczas pływania przy użyciu oprogramowania CeleST

Tutaj prezentujemy ramy do powiązania szeroko pojętych ograniczeń dietetycznych z ekspresją genów i długością życia. Opisujemy protokoły dotyczące szeroko zakrojonych ograniczeń dietetycznych i ilościowego obrazowania ekspresji genów w ramach tego paradygmatu. Następnie przedstawiamy analizy obliczeniowe, aby ujawnić podstawowe cechy przetwarzania informacji w obwodach genetycznych zaangażowanych w wykrywanie żywności.

Kwantyfikacja informacji kodowanych przez poziomy ekspresji genów podczas modulacji długości życia w warunkach szerokiego zakresu ograniczeń dietetycznych u C. elegans

Tutaj prezentujemy podejście kombinatoryczne wykorzystujące mikroskopię o wysokiej rozdzielczości, narzędzia obliczeniowe i znakowanie pojedynczych komórek w żywych zarodkach C. elegans, aby zrozumieć dynamikę pojedynczej komórki podczas rozwoju neurologicznego.

Izotropowa mikroskopia świetlna i zautomatyzowane analizy linii komórkowych w celu skatalogowania embriogenezy Caenorhabditis elegans z rozdzielczością subkomórkową

To badanie przedstawia ilościowe pomiary wielkości i lokalizacji synaptycznej, morfologii mięśni i kształtu mitochondriów u C. elegans przy użyciu swobodnie dostępnych narzędzi do przetwarzania obrazów. Takie podejście pozwala przyszłym badaniom nad C. elegans na ilościowe porównanie zakresu zmian strukturalnych tkanek i organelli w wyniku mutacji genetycznych.

Ilościowe podejścia do badania struktur komórkowych i morfologii organelli u Caenorhabditis elegans

Ta praca opisuje protokół o średniej przepustowości, który umożliwia jednoczesne obrazowanie 3D poklatkowe embriogenezy u zarodków 80-100 C. elegans w ciągu jednej nocy. Dodatkowo dołączone są narzędzia do przetwarzania i wizualizacji obrazu, które usprawniają analizę danych. Połączenie tych metod z niestandardowymi szczepami reporterowymi umożliwia szczegółowe monitorowanie embriogenezy.

Metoda obrazowania półwysokoprzepustowego i zestaw narzędzi do wizualizacji danych do analizy rozwoju embrionalnego C. elegans

Worm-align/Worm_CP to prosty proces pracy FIJI/CellProfiler, który może być używany do prostowania i wyrównywania próbek Caenorhabditis elegans oraz do oceny testów opartych na obrazach całych robaków bez konieczności wcześniejszego szkolenia. Zastosowaliśmy Worm-align/Worm_CP do ilościowego oznaczania ekspresji wywołanej szokiem cieplnym u żywych zwierząt lub kropelek lipidów w ustalonych próbkach.

Worm-align i Worm_CP, dwa potoki typu open source do prostowania i kwantyfikacji danych obrazu fluorescencji uzyskanych z Caenorhabditis elegans

Poznaj automatyczną segmentację obrazów C. elegans za pomocą systemu SegElegans opartego na głębokim uczeniu. To narzędzie skraca czas analizy z 245 do poniżej 60 sekund przy zachowaniu ponad 93% dokładności.

Automatyczna analiza obrazów fluorescencyjnych C. elegans z użyciem SegElegans

Przeglądaj więcej filmów