$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Myeloperoxidase анти neutrophil цитоплазматические антитела, связанные васкулит (MPO-AAV) является аутоиммунным заболеванием, что приводит к почечной недостаточности от патологических гломерулярных травм со значительной гибели клеток и высвобождение дезоксирибонуклеиновой кислоты (ДНК)1,2. ДНК может активировать иммунную систему, действуя в качестве сигнала опасности. При нормальных здоровых условиях, ядерное расположение ДНК обеспечивает защиту от воздействия иммунной системы. СамоОНК, которая высвобождается внеклеточно либо в результате патогенных процессов или аутоиммунных рассматривается иммунной системой как мощное провоспалительные повреждения, связанные с молекулярным самобелем (DAMP)3. Дополнительная клеточная ДНК (ecDNA) высвобождается из умирающих клеток через несколько различных механизмов, которые регулируются различными биохимическими путями, такими как апоптоз, некроптоз нейтрофил внеклеточной ловушки формирования (NETs), некроз или пироптоз4,5,6,7,8.
Мы описываем здесь методы, чтобы пятно и мера ecDNA освобождены от умирающих клеток в разделах формалин фиксированной парафин встроенных (FFPE) почки из экспериментальных анти-MPO GN и биопсии почек от пациентов с MPO-AAV9,10. Существует множество методов для обнаружения циркулирующих двойных мель ДНК (dsDNA) и ДНК комплексов из сыворотки и мочи и из пробирки анализ11,12. Эти методы, хотя и точны в определении количества ecDNA, не определить, где ecDNA высвобождается анатомически. Есть методы, которые описывают конкретные измерения ecDNA, такие как тюля для апоптоза и измерения клеточного мусора13,14. Существует не метод, который описывает измерения ecDNA кульминацией из всех форм смерти клеток в почках FFPE, где патологические повреждения происходят. Это важно, чтобы определить, если экспериментальные терапевтические процедуры очистки ecDNA от сайтов патологических травм в фактическом целевом органе.
Приобретение нескольких изображений из образцов почек создает большой объем данных, которые обычно анализируются одним пользователем. Это трудоемкий, трудоемкий, отнимает много времени и может быть предметом ненадежной воспроизводимости других пользователей, из-за предвзятости пользователя. Обучаемая сегментация Weka является плагином программного обеспечения с открытым исходным кодом для ImageJ, который использует передний край биоинформатических инструментов для классификации пикселей с помощью алгоритмов машинного обучения15,,16. Этот метод является "обучаемым", в соответствии с которым он учится на классификации пользователем сегментов пикселей и применяет новую классификацию узнал к другим изображениям. Этот метод опирается на общие инструменты анализа в программе ImageJ, которые используются для "классификации" каждого пикселя в сегменте как принадлежащих к определенному "классу". Как только программа узнает о "классификаторах", они могут быть использованы для идентификации других аналогичных классифицированных сегментов в пределах одного и того же изображения. Затем эта модель сохраняется и применяется к другим наборам изображений в рамках того же эксперимента.
Текущие препятствия для определения ecDNA на месте в секциях почек является эндогенной аутофлюоресценции от фиксации в формалин и трудоемкий анализ изображений. Мы описываем здесь, как утолить эту аутофлюоресценцию, обнаружить ecDNA, и использовать контролируемое машинное обучение для измерения высокой пропускной способности ecDNA. Ранее мы опубликовали измерения NETs и внеклеточного MPO (ecMPO) с использованием макро в ImageJ, теперь мы демонстрируем полу автоматизации этих методов с использованием контролируемого машинного обучения1. Мы демонстрируем адаптивность инструмента машинного обучения, чтобы классифицировать альтернативное пятно для NETs и ecMPO в пределах одного изображения. Эти методы окрашивания, описанные здесь для обнаружения ecDNA, NETs и ecMPO могут быть переведены на другие твердые органы и заболевания, где ecDNA, NETS и ecMPO играет роль в увековечении таких заболеваний, как ревматоидный артрит и волчанка17,18.