Summary
여기, 우리는 그들의 3 차원 모양에 따라 건강 하 고 병 적인 세포의 식별을 허용 하는 워크플로 제공 합니다. 우리는 객관적인 조사 세포 인구의 클러스터링 하는 것을 제공할 것입니다 Self-Organizing 지도 훈련 3D 표면에 따라 2D 투영 윤곽선을 사용 하는 프로세스를 설명 합니다.
Abstract
모양 및 면역 세포의 움직임은 그들의 환경에 의해 구동 됩니다. 병원 체 침입에 반응으로 면역 세포 염증의 사이트에 보충 하 고 침공의 추가 확산을 방지 하기 위해 활성화 됩니다. 이 또한 면역 세포의 형태학 모양과 동작에 변화에 의해 반영 됩니다. 암 조직에서 유사한 morphokinetic 변경 microglial 셀의 동작에서 관찰 되었습니다: 내부 종양 microglia 세포질 과정 덜 분기 하는 데 덜 복잡 한 3 차원 모양, 그리고 건강에 보다 더 빠르게 이동 조직입니다. 해당 morphokinetic 속성의 시험 경도 실행 될 때 매우 도전적 일 수 있다 복잡 한 3D 현미경 검사 법 기술을 필요 합니다. 따라서, 셀의 정적 3D 모양의 기록 이므로 훨씬 간단이 intravital 측정을 필요로 하지 않습니다 및 뿐만 아니라 삭제 조직에서 수행할 수 있습니다. 그러나, 필수적인 3D 도형의 신속 하 고 정확한 설명에 허용 하는 분석 도구를 보유 하 고 정적, 모양 관련 정보에 전적으로 기반으로 하는 건강 하 고 병원 성 조직 샘플의 진단 분류 있습니다. 여기, 우리 이산 푸리에 구성 요소를 분석 하는 도구 키트를 현재 3D의 2D 계획의 집합의 개요의 셀 Self-Organizing 지도 통해 표면. 인공 지능 방법의 응용 프로그램 우리의 프레임 워크를 워크플로 간단한 유지 하는 동안에 점점 더 많은 조직 샘플에 적용 되어 다양 한 셀 모양에 대해 배울 수 있습니다.
Introduction
생물 학적 조직의 병 적인 상태, 간단 하 고 정확한 결정의 생물 의학 연구에 높은 관심입니다. 마우스 모델 병 적인 조건, 면역 반응 등 복잡 한 3D와 4d (3 차원 공간 및 시간) 현미경 검사 법 기술을 함께에서 암 개발의 범위를 연구 하는 수단을 제공 합니다. 현미경 연구 수행 을 통해 intravital 또는 excised 조직 2 광자 현미경, 빛 시트 현미경 검사 법, 수 고-약 100 µ m의-confocal 현미경 검사 법에 의해 제한 된 조직 깊이. 생리 적 또는 병 적인 조건 하에서 세포의 행동에 대 한 시간 관련 정보를 위해, 그것은 조직은 보통 intravital 이미징1,2 시간의 연장된 기간에 대 한 모니터링 필요 . 당연히,이 기술은 적용 동물 모델의 침입 때문에 제한 됩니다. 비-침략 적 기법 (MSOT, CT, 등), 단층 촬영 방법의 다양 한을 포함 하 여 인간의 응용 프로그램에 사용할 수도 있지만 이러한 메서드를 모든 부족 필요한 공간-그리고 종종 시간적 해상도 세포 수준에서 행동을 공부 하.
셀의 외관에 대 한 정적 정보 더 쉽게 액세스할 수 있습니다 통해 다양 한 3D 이미징 기법에 실행 조직 샘플 excised. 여기, 세포의 운동 동작 측정 되지 않습니다, 그리고 따라서 그것은 그들의 형태학3을 기준으로 시험된 셀의 병원 성 상태를 확인할 수 있는 새로운 분석 기법을 채택 하는 데 필요한. 이러한 접근은 병 적인 행동4,,56셀 모양 및 조직 텍스처를 연결할 사용 되었다.
여기서 설명 하는 새로운 기술을 셀 3D 표면으로 재건 되 고 그들의 도형은 3D 2D 투영 특징이 통해 및 연속 푸리에 기반 주변 모양 분석7,8. 2 3에서 크기를 줄이면, 문제가 간단 합니다. 그것은 또한 의료 이미지9완료 되었습니다으로 둥근 고조파 분석, 적용 하 여 3d에서 셀 표면 하 수 있습니다. 그러나, 둥근 고조파 취급 하지 마시오 샤 프 하 고 견고한 모양을 잘, 다중 스케일 눈금 단위 구면에 설립을 요구. 또한, 필요한 둥근 고조파 부품 수 대형 (50-70), 기본 계산으로 매우 요구 및 결과 해석10,,1112어렵다.
우리의 새로 제안 된 방법으로 작업은 일련의 2D 모양 설명, 2D 계획의 수는 분석까지 이며 3D 도형의 복잡성에 따라 조정 될 수 있습니다 감소 됩니다. 계획 안은 자동으로 생성 됩니다 통해 3D 애니메이션 도구 내에서 실행 되는 파이썬 스크립트를. 2D 계획 그들의 주변, 피지13 플러그인을 제공 하는 계산의 이산 푸리에 변환 (DFT) 구성 요소에 의해 설명 되어 있습니다 여기에 우리의 소프트웨어 패키지의 일환으로. DFT 여기 일련의 죄악 그리고 cos 함수에 셀의 복잡 한 개요를 분해 하기 위해 적용 됩니다. 이 방법에서는, 우리 (대 한 자세한 내용은 섹션 참조 하십시오 방정식) 문제 복잡성 감소 상대적으로 적은 수의 DFT 구성 요소와 개요를 설명할 수 있습니다. DFT 구성 요소 모양 클러스터 수 있는 객관적 존재8을 테스트 훈련된 Self-Organizing 지도 (SOM14)에 배치 됩니다. SOMs 인공 지능의 분야에서 경쟁 하 고 자율 학습 도구를 제공합니다. 통신 기능을 통해 한 중된 동네 거리는 인공 뉴런의 연결 된 배열 구성 됩니다. 신경 시스템 입력된 데이터 집합의 첫 번째 요소에 응답 하 고 그 응답은 가장 강한 신경 "" 서로 향해 그룹화 됩니다. 신경 시스템 더 많은 입력을 받으면 반복적으로 강하게 응답 데이터 뉴런 시스템 내에서 잘 정의 된 클러스터를 형성 하기 시작 합니다. DFT 구성 요소 집합의 형태로 2D 모양 정보를 포함 하는 큰 데이터 집합에 대 한 적절 한 교육, 후 개별 셀의 DFT 구성 요소 훈련된 솜을 넣을 수 있습니다 하 고 가능성이 세포는 건강 한 또는 병원 성 셀 그룹에 속하는지 여부를 공개. 우리는 과학 및 임상 진단의 방법에 큰 도움이 될 수 같은 도구를 기대 합니다.
Protocol
1. 프로토콜 요구 사항
- 샘플링 간격의 고해상도 이미지를 표본 적어도 두 번 높은 공간 주파수 Nyquist 기준을 준수 deconvolved 고해상도 deconvolved 3 차원 (3D) 현미경 데이터를 가져옵니다.
- 표면 재건 및 내보내기에 대 한 3D 렌더링 소프트웨어를 사용 합니다.
- 파이썬 스크립트를 실행할 수 있는 3D 애니메이션 소프트웨어를 사용 하 여 (Python 스크립트 github 저장소에서 다운로드할 수 있습니다: https://github.com/zcseresn/ShapeAnalysis) 2D 계획을 만들에.
- 피지13 를 사용 하 여 2D 투영을 분석 하 고 DFT 구성 요소를 추출.
- 현재 피지 분배를 사용 합니다. 거기 이미 있으면 피지의 설치 된 버전, 설치 된 버전이 최신 인지 확인 하십시오. 이 도움말 실행 하 여 쉽게 달성 될 수 있다 | 업데이트 옵션입니다.
- 사용 하 여 활성 컨투어 플러그인15, http://imagejdocu.tudor.lu/doku.php?id=plugin:segmentation:active_contour:start에서 다운로드할 수 있습니다 하 고 플러그인 폴더에 복사 해야 합니다.
- 플러그인 폴더에 복사 하 고 github 저장소에서 그늘 피지 플러그인 다운로드.
- 계산 수학 소프트웨어 Self-Organizing 지도 계산의 능력을 사용 합니다.
2. 3D 이미지를 재구성 합니다.
참고: 테스트 목적으로, 예를 들어 데이터 집합 github 저장소 (위 참조)에 제공 됩니다.
- 3D 재구성 소프트웨어를 3D 이미지 데이터를 엽니다.
- (모든) 객체의 3D 화면을 만듭니다.
- 3D 보기 옵션을 선택 하 고 표면에 클릭 합니다. 다음 단추 (파란색 동그라미 흰색 삼각형)에 표면 생성 마법사와 함께 진행을 클릭 합니다.
- 표면 재건에 대 한 이미지 채널을 선택 합니다.
- 다공성 표면 하지 않으려면 다듬기 기능을 적용 합니다.
- 표면의 세부 사항을 숨기 려 하지 않는 그러나 다공성 표면 방지 하는 스무 딩 값을 선택 합니다.
- 서피스를 찾으려고 임계 처리 방법을 선택 합니다.
- 절대 강도 임계값을 사용 하 여 개체 배경에서 잘 분리 되 고는 대략 균일 한 밝기 수준.
- 개체 그들의 강렬에 다르지만 지역 배경에서와 그들을 둘러싼 다른 개체에서 여전히 분리 될 수 있다 때 로컬 대비 임계값을 적용 합니다. 복원 된 개체의 예상된 직경의 값에 따라 로컬 임계값 검색 영역을 설정 합니다.
- 필터의 관심, 예를 들어, 볼륨, 구형, 표면 볼륨 비율, 등, 형태학 매개 변수에 따라 재건축된 표면 및 표면 재건을 완료.
- 저장 하 고 단계에서 사용 될 3D 애니메이션 소프트웨어와 호환 되는 형식에서 생성 된 서피스를 내보낼.
3. 변환 3D 2D 투영으로 표면 재구성
- 믹서 기를 시작 하 고 오른쪽 창에서 출력 탭으로 이동. TIFF 형식 드롭다운 메뉴에서 선택 하 고 8 비트 RGBA 색 농도 설정.
- 스크립팅 모드로 전환 하 고이 작품 (https://github.com/zcseresn/ShapeAnalysis)와 함께 제공 되는 저장소에서 "GUI_AutoRotate.py" 제공 된 스크립트 파일을 엽니다.
- 스크립트 실행을 클릭 합니다. 입력에 대 한 메시지가 표시 되 면 서 파일의 폴더를 선택 하십시오.
- 더 복잡 한 표면 작업 시 필요한 경우 만들 더 회전: GUI 로 이동 하 고 회전 상자 6 보다 큰 값을 설정.
참고: 6 다른 각도의 회전을 다른 세포 인구를 구별 하는 충분 한 될 수 있습니다. 그것은 잠재적인 정보 손실 때문에 표면, 당 미만 6 회전을 만드는 권장 되지 않습니다. - GUI에서 회전 버튼을 클릭 하 여 스크립트를 실행 합니다. 개별 서피스를 예측 입력된 폴더 (2.3 단계)으로 사용 된 동일한 폴더에 저장 합니다. 기본적으로 이미지는 8 비트 Tiff에에서 저장 형식 (단계 2.1 참조), 피지 플러그인 그늘에 의해 요구 하는 형식입니다.
4. 주변 찾아서 피지를 사용 하 여 푸리에 구성 요소를 계산 합니다.
- 피지 열고 플러그인 메뉴에서 음영 을 선택 합니다. 기본 값으로 시작 하 고 나중에 매개 변수를 조정 합니다. 확인 프로그램을 실행 하는 준비 되 면 클릭 합니다.
- 입력된 이미지의 임계 처리에 대 한 그라데이션 임계값 값을 선택 합니다.
- 반복 횟수를 선택 합니다. 반복 횟수 값이 높을수록, 더 정확한 주변의 재건. 간단 하 게 모양에 대 한 낮은 값은 일반적으로 충분 합니다.
- 수의 Dilations 매개 변수를 사용 하 여 시작 마스크 실제 셀에 비해 얼마나 더 큰 결정. 일반적으로 더 복잡 한 도형을 적절 한 주변 찾기 팽창 단계가 더 필요합니다.
- 예상 도형은 배경 보다 밝게 어두운 배경 확인란을 확인 합니다.
- 그늘의 성능을 결정 하는 작은 테스트 데이터 집합을 사용 하는 경우에 중간 결과 보기 확인란을 활성화 합니다. 큰 데이터 집합에 대해이 옵션을 활성화 계산 효율을 낮은 비디오 메모리와 시스템 중단 가능성이 수 있습니다.
- 5 단계에 대 한 입력으로 그늘의 결과 사용 하 여 결과 테이블 저장 확인란을 확인 하십시오. 확인란을 선택 하는 경우 모든 결과 개별 csv 파일에 저장 됩니다. 출력 데이터의 요약 항상 "Result_collection_of_all_DFT_calculations.csv" 라는 파일에 생성 됩니다.
- 3 단계에서 만든 TIFF 파일을 포함 하는 입력된 데이터 폴더를 선택 합니다.
- 출력 데이터 폴더를 제공 합니다.
- 플러그인을 시작 하려면 확인 을 클릭 합니다.
5. 자기 조직화 지도
참고: 솜 네트워크만 모든 예상된 세포 유형 및 조건 입력을 포함 하는 큰 데이터 집합에 훈련 하는 때 데이터를 분류할 수 있습니다. 데모용으로 같은 데이터 집합 제공 되 고 ("AllCells_summary_normalised.csv" https://github.com/zcseresn/ShapeAnalysis에서 저장소에서 찾을 수 있습니다.
- 사용할 수 없는 훈련된 솜 경우 다음이 지침에 따라 아직 입력 데이터; 그렇지 않으면 5.2 단계로 진행 합니다.
- 신경망 분류를 수행할 수 있는 전산 수학 소프트웨어를 시작 합니다.
- SOM 네트워크를 훈련 하는 데 사용할 데이터 파일을 선택 합니다. 이 데이터 집합은 모든 특정 세포 유형에 솜을 훈련 하기 위하여 실험 조건 및 실험 조건 포함 되어야 합니다.
참고: 그것은 또한 제공 된 AllCells_summary_normalised.csv를 사용 하 여 시스템을 테스트 하기 위한 수입니다. - 훈련을 시작 하 고 훈련을 계속 하기 전에 완료 될 때까지 기다립니다. 기본적으로 스크립트는 2000 반복 ("신기")를 실행 하도록 설정 됩니다.
참고: 반복의 수는 솜의 학습 속도에 따라 달라 집니다. 입력된 데이터에 따라 그것은 신기의 높고 낮은 번호를 테스트 하 고 있는 솜의 패턴의 안정성을 관찰 하는 것이 좋습니다. 제공 하는 스크립트를 사용 하 여 때 선 32에서 반복의 수를 변경할 수 있습니다. (기본적으로 12 12로 설정 된) 라인 34에 네트워크 크기를 변경할 수 있습니다. - 훈련을 완료 한 후 네트워크의 토폴로지 (이웃 거리, 입력된 비행기, 샘플 안타, 등)을 검사 합니다. 네트워크는 지금 훈련 하 고 나중을 위해 저장할 수 있습니다.
- (이 올 수 또는 다른 소스에서 단계 5.1에서) 이미 훈련 된 지도 사용 하 여 데이터 집합을 클러스터 때, SOM에 로드 합니다.
- 사전된 훈련 된 솜으로 테스트 하는 csv 파일 가져오기 그늘 플러그인에 의해 준비 된 데이터를 사용 하는 경우 4 단계에서 그늘 플러그인의 csv 출력을 선택 합니다.
참고: 그것은 또한 사용할 예제 데이터 파일 "InteractingCells_summary_normalised.csv", "MobileCells_summary_normalised.csv" 또는 "PhagocytosingCells_summary_normalised.csv" github를 통해 제공 되는 수 있습니다. - 분류를 완료 단계 5.1.5 에서처럼 SOM의 결과 평가 합니다.
- Csv 파일에서 생성 된 hitmap를 검사 합니다. 각 셀의 지도 보여줍니다 몇 번 이나 데이터 집합 "조회 수" 훈련된 솜의 그 특정 셀 이 맵의 작은 영역에 셀 그룹은 클러스터링 하는 경우 dataset은 상당히 동질적인 나타냅니다. 여러 클러스터 가능성이 하위 데이터 집합에 존재 표시 됩니다.
- 이웃 무게 거리를 검사 합니다. 잘 구분 되는이 지도의 영역 SOM의 관점에서 매우 다르게 작동 하는 개체의 그룹에 해당 합니다. 입력 데이터로 DFT 구성 요소와 이러한 셀 그룹 해당 3D 표면의 매우 다른 형태를가지고 하는 것이 즉.
- 기능 벡터의 각 요소에 의해 기여에 대 한 자세한 무게 비행기를 검사 합니다. 앞에서 설명한 대로 20 DFT 구성 요소를 사용 하 여, 시 19 지도 여기 표시 됩니다. 제공 된 예제 데이터 집합을 사용 하는 경우 첫 번째 5 또는 6 무게 비행기 다른, 하지만 그들의 나머지는 상당히 비슷한 나타납니다. 이 경우 약 7 DFT 구성 요소를 사용 하기에 충분 한 것 이라고 결론 수 있습니다.
- 사전된 훈련 된 솜으로 테스트 하는 csv 파일 가져오기 그늘 플러그인에 의해 준비 된 데이터를 사용 하는 경우 4 단계에서 그늘 플러그인의 csv 출력을 선택 합니다.
Representative Results
우리는 해당 셀 예상 하 모양의 주요 구성 요소를 계산 하는 DFT를 적용. 푸리에 기술자 우리의 워크플로 AbSnake 부분의 출력으로 얻은 셀 투영의 장착된 주변의 xy 좌표 쌍에 DFT 알고리즘을 적용 하 여 얻은 했다. 이러한 xycoordinate 쌍 복잡 한 반환 2D 벡터 "g"로 처리 될 수 있습니다.
"g", 우리를 사용 하 여 DFT 복잡 한 반환 푸리에 스펙트럼 계산:
이산 푸리에 스펙트럼 및 사용 하 여 "g"의 복소수 라벨의 잘 알려진 수식에 따라:
우리가 얻을:
(1)
진짜 ("A"),의 상상 ("B") 구성 요소를 계산할 수 있습니다 
:
(2)
(3)
첫 번째 DFT 구성 G 요소0 m에 해당 하는 자, = 0, 주는:
(4)
(5)
따라서,이 구성 요소는 원래 개체의 기하학적 중심을 설명합니다.
DFT 앞으로 스펙트럼, G1의 두 번째 요소는 m에 해당 = 1:
(6)
Eq.6에서 우리는 이러한 점을 형성의 반경 가진 원형 결론 
및 시작 각도 
모양을 한 번 추적 하는 동안 원이 그 하나의 완전 한 혁명을 설명 하는. 원의 중심은 원점 (0, 0), 반지름이 | G1| 그리고 시작 지점:
(7)
일반적으로, 단일 푸리에 계수에 대 한 
, 좌표는으로 설명 하 고 있다.
(8)
마찬가지로 Eq.6, Eq.8도에 대해 설명 합니다 원, 하지만 Rm의 반경 = | Gm|, 시작 각도 
와 시작 지점에서 
, 어디 컨투어 원 "m" 전체 궤도16,17를 통해 실행 하는 동안 한 번 추적 됩니다.
SOM 입력으로 모양 매개 변수
그림 1에 설명 된 대로 deconvolved (사용 하 여 측정된 지점 확산 기능) 적용 했다 그들의 형태학 변화 건강 또는 암 피 질 하 microglial 셀의 데이터 집합 intravital 다중 광자 현미경 조직18. 20 DFT 구성 요소 복원 3D 표면의 각 2D 투영에 대 한 계산 하 고 결과 솜 훈련에 대 한 입력으로 사용 되었다. 생리 적인 조건 하에서 microglia 오히려 복잡 한 도형을 제시 다중, 높은 분기 프로세스 (그림 2a). 때 암 환경 (대뇌 피 질의 종양 모델), 간단 하 게, 더 많은 스핀 들 같은 모양 (그림 2b)에 변경 microglia에에서 배치.
훈련 된 솜 건강 하 고 암 세포를 구별 하는 능력을 평가 하기 위해 테스트를 했다. 건강 한 세포 인구는 솜 (그림 2c)의 단일 영역으로 예상 했다. SOM 아령 모양의 활성 영역 (그림 2d)와 암 microglia dataset에 응답 했습니다. 모두는 건강 하 고 암 그룹에서 DFT 모양 구성 요소 구성 되어 맹목적으로 혼합된 입력된 데이터 집합은 예상 SOM에 의해 별개의 두 그룹으로 분리 된 그룹 ( 의 그들과 유사 하 그들의 개별 윤곽선의 모양을 유지 하는 동안 그림 2e; 2 c 및 2d와 비교). 혼합된 데이터 집합 했다는 솜으로 클러스터 성공적으로 종결 될 수 있다
우리는 의료 전문가, spatio 시간적 그들의 행동에 따라 데이터 집합을 분류 하 여 동일한 데이터의 수동 분석의 예측을 비교 하 여 SOM의 성능 테스트. 전문가 식별 개축 되었고, 12 x 12를 훈련 하는 데 사용 되는 4 가지 셀 그룹 (휴식 세포, phagocytosing 세포, 상호 작용 세포, 및 모바일 셀18), 솜 훈련된 네트워크 (그림 3a) 왼쪽 하단에는 솜의 중간 영역에 특히 높은 적중 값 인공 뉴런의 그룹을 보여줍니다. 훈련된 네트워크의 응답은 또한 4 개의 무작위로 선택 된 하위 집합 (는 학습 데이터 집합의 일부가 되지 않은) 전문가18로 식별 되는 4 개의 다른 그룹에서 이미지의 테스트. 그림 3b와 같이 이러한 이미지 하위 집합, 솜에 의해 4 개의 잘 정의 된 응답 결과. 휴식 셀 가장 복잡 한 모양을 전시 하 고 신경 네트워크 (그림 3b "휴식" 패널) 내에서 가장 높은 분리 레벨을 보였다. 다른 3 개의 확인 된 세포 유형 하단 왼쪽된 모서리에 있는 솜의 공통 영역을 공유 하지만 달리는 솜으로 구분 했다 하단 왼쪽된 모서리 솜 지역 따라서 낮은 인덱스 DFT 값에 해당합니다.
솜 방식의 견고성 3 훈련 된 솜을 사용 하 여 테스트-휴식-동일의 임의 하위 집합 세포 유형 (학습 데이터 집합의 일부가 아닌). 이 입력에 SOM의 응답 전시 (그림 3 c, 하위 1-3), 매우 비슷한 응답 우리의 접근 방법의 견고성을 보여주는.
시간에 따른 세포 모양 변화는 DFT 정확 하 게 특징 이다
DFT 구성 요소에서 셀 모양의 시간에 따른 변경의 효과 시험 하기 위하여 하위 그룹 당 1 ~ 3 셀 13 ~ 28 시간 포인트 추적 했다 ( 그림 3b참조). 그림 4 는 첫 번째 10 DFT의 구성 요소 모바일 셀 (그림 4a)와 상호 작용 세포 (그림 4b), 시간의 기능으로 표시 했다. 모바일 셀 전시 거칠어 DFT 표면에 의해 반영 됩니다 영구적으로 변경 모양 (보충 비디오 4 8에서참조). 상호 작용 하는 셀에 대 한 시간 코스의 첫 번째 세 번째에서 DFT 진폭의 파열 및 광대 한 셀 모양 변경 8에서보충 비디오 5와 같이와 일치.
모든 19 DFT 구성의 시간 과정 또한 모바일 셀 (그림 5a)와의 상호 작용 셀 (그림 5b) 추적 기간 동안 3 개의 별도 시간 지점에서 두 셀이 특징 이었다. 수직 축 이로써 6 회전 각도 모든 예측은 두 셀 형식에 대 한 모양 특성에 대 한 동등 하 게 중요 한 표시 합니다.
그림 1입니다. 셀 클러스터링 식별 데이터 처리 워크플로 셀의 모양에 따라 단계적으로. 표면 3 차원에서 재구성 믹서 자동화 된 3D-2D 계획에 대 한 입력으로 사용 되었다. 각 투영의 주변 위치 고 DFT 구성 요소 계산 했다. 구성 요소 입력으로 봉사 훈련 som Matlab, 또는 새로운 솜 훈련 중 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 2입니다. 제어 조건 하에서 (a)와 암 조직 (b)에 마우스 대뇌 피 질의 microglia 셀의 일반적인 모양을 재건된 microglia 표면의 스크린샷. 솜 예측 microglia 샘플 마우스 피 질에서의 3 개 그룹에서 창조 되었다: (비 tumorous) 셀 (c), (d), 종양 세포 및 셀 (e)의 혼합된 인구를 제어. 이 그림은 권한을8수정 되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 3. (a, 왼쪽) 768 입력된 특징 벡터의 구성 된 마우스 microglia 데이터 집합의 자체 조직 지도. Dataset는 12 x 12 인공 신경 네트워크, 6 각형 이웃 형상, 임의의 초기화 및 2000 신기를 사용 하 여 훈련을 위해 사용 되었다. (a, 오른쪽) 해당 SOM 입력 처음 10 DFT 구성 요소 (b)의 평면 표시 SOM의 응답에 (a), 1 개의 무작위 VRML 파일 하위 집합에 각 4 개의 세포 유형 "모바일," "상호 작용," "휴식"과 "phagocytic"의 첫 번째 설명에 그림 5 에서 Bayerl 외. 18. 같은 솜의 (c)는 응답 (a, 왼쪽)와 같이 전체 데이터 집합 (는 따라서 학습 데이터 집합의 일부가) "휴식 셀"의 3 개의 임의의 하위-3D 표면 입력. 3 개의 응답 사이 유사성은 주목할 만한. 이 그림은 권한을8수정 되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 4. (마우스 microglia의 intravital 이미징 실험 중 처음 10 DFT 구성 요소 a) 시간 의존성 이 패널은 "모바일 셀" 형식의 셀에 대 한 데이터를 보여줍니다. X 축에 해당 60 s 시간 해상도, 실험의 시간 포인트 y 임의의 단위 (거리), DFT 컴포넌트의 진폭을 보여줍니다 반면 z 10에 1에서 DFT 구성 요소에 해당 합니다. (b) (a) 하지만 "상호 작용 세포"의 셀에서 같이 입력 합니다. 이 그림은 권한을8수정 되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 5. (a) 처음에는 중간에, 실험의 끝에 "모바일 셀" 형식의 셀의 모든 19 DFT 구성 요소 동작 X 축에 있는 숫자 1 ~ 19 DFT 구성 요소 ID에 해당합니다. Y 축, 임의의 단위 (거리), DFT 구성 요소 진폭에서는 동안 z-축 표시 6 임의의 회전 각도. (b) 같은 "상호 작용 세포"의 셀 (a)만 입력합니다. 이 그림은 권한을8수정 되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
Discussion
작은, 그대로 조직 샘플을 사용 하 여 잠재적으로 병 적인 조건 식별 높은 중요성 이다. 이러한 기술은 전염병 및 적극적인 유형의 암에 대 한 적시 응답을 보장 합니다. 다양 한 면역 세포, 예를 들어, microglia 및 대 식 세포, 운동 및 형태학 응답 본문에 대 한 면역 반응의 특성이 있다. 비록 대부분의 경우에서 아니에요 실용적 또는 심지어 이러한 세포의 운동 동작 모니터링 수, 그것은 상당히 3 차원 이미지를 그들의 모양을 검색 간단 합니다. 일반적으로, 면역 세포는 건강 한 조직에 염증이 나 암 조건18에서 훨씬 간단한 양식 복잡 한 도형을 가정합니다. 같은 모양 변경의 시간에 따른 특성 면역 반응의 개발에 대 한 우리의 이해에 추가할 것 이라고, 하는 동안만 셀의 대표 그룹의 3 차원 모양을 사용 하 여 수도 있습니다 건강 또는 병 적인 성격을 결정 하는 충분 한 조직의.
셀의 3 차원 표면 특성화 하는 것은 간단한 업무가 아니다. 둥근 고조파의 응용 프로그램은 3D 표면 구성 요소11,12의 비교적 큰 숫자 (50-70)를 대표 하는 방법. 또한, 둥근 고조파를 결정 하는 것은 계산 비싼; 불가능 하거나 매우 어려운 단위 영역;에 다양 한 입도의 여러 격자를 적용할 필요성 때문 이다 단위 구면에 매우 복잡 한 모양을 투영 마지막으로, 둥근 고조파 성분의 스펙트럼의 의미 해석 하 찮은 멀리 이다.
여기 우리의 작업에 우리 pathologic 상태를 식별 하기 위해 충분 한 형태학 정보를 얻을 원본 표면의 2D 투영을 사용 하 여 훨씬 더 간단한 방식으로 직접 3 차원 표면 분석의 어려운 작업을 교체 합니다. 우리가 골수성 세포에서 3D 현미경 데이터를 사용 하 여이 작업의 모든 단계를 보여주는, 명확 하 게 지적 하는 동안 모든 단계를 완료 하려면, 간단 했다 그리고 결과 2 차원 지도 했다 해석 하기 쉬운.
물론, 3D-2D 투영 표면 구조에 대 한 정보 손실을 이어질 것입니다. Microglia 마우스 대뇌 피 질의 종양 모델에서의 우리의 예제 데이터 집합에서 2D 계획을 만들 때 6 각도 사용 하 여 충분 했다. 그러나, 더 복잡 한 도형 또는 덜 눈에 띄는 형태학 변화 예측의 많은 수는 솜으로 셀 그룹이 안정적으로 식별할 수 있도록 만들어집니다 필요할 수 있습니다. 이러한 이유로, 우리의 접근 방법 생성 하 고 계획의 어떤 수를 분석할 수 있도록 설계 되었습니다. 더 복잡 한 모양에 대 한 예측의 높은 수를 선택 하 여 간단 하 게 쾌활 최소한 정보 손실을 확장 가능 하다. 예를 들어, 그림 4a 와 4b 에 상호 작용 세포 유형을 복잡 한 서피스를 제대로 대표 하기 위하여 계획을 더 많이 필요 합니다.
대략 어떤 방법으로 이로써 제안된 워크플로 microglia18수동 분류 과정의 결과 대해 테스트 했다. 이전 제시 결과 자동된 워크플로의 신뢰성을 확인 했다. 또한,이 워크플로 기존 분석에 비해 더 많은 시간 효율적인. Microglia 셀을 수동으로 분류는 의료 전문가 반면 우리의 워크플로 필요에 약 1 일 약 4 주 dataset의 그의 분석에 대 한 필요 합니다. 우리의 접근 방법의 견고성 또한 명확 하 게 동일한 셀 형식에 속한 했지만 솜, 그림 3c에서 표시로 훈련을 사용 하지 않은 데이터의 하위 집합에 훈련 된 솜의 재현성에 의해 입증 되었다.
우리의 접근은 운동 정보를 고려 하지 않았다, 비록 우리 DFT-기반 형태 분석에 타이밍의 효과 검사 합니다. 시간에 따라 행동의 가장 전형적인 예 모바일 셀 인구 사이 높은 인덱싱된 DFT 구성 요소에서 기여 했다 명확 하 게 관찰 하 고, 그림 4a에서 발견 됐다. 이 매우 시간에 따른 방식에서으로 행동 가능성이 셀 형식을 처리할 때 충분히 높은 DFT 부품 수를 활용의 중요성에 관심을 호출 합니다. 자동된 자연 및 우리의 소프트웨어 툴의 높은 실행 속도, DFT 구성 요소 및 계획의 증가 수 증가할 것 이다 정밀도 신뢰성, 결과의 그들은 분명 계산 성능을 방해 하지 것입니다 하는 동안.
Disclosures
저자 들은 아무 경쟁 금융 관심사 선언 합니다.
Acknowledgments
저자는 유익한 논의 그의 지원에 대 한 벤자민 크 라우 스 감사합니다. 더 저자는 라이브 셀 현미경 그의 지원에 대 한 로버트 귄터 감사합니다.
작품 DFG 재정 지원 NI1167/3-1 (지미) 치료에 의해 지원 되었다, Z.C., DFG 금융 지원 Z.C., C01 치료와 SFB633, TRR130, A.E.H. 및 J.B.S. Exc257를 TRR130에 대 한 CRC 1278 PolyTarget 프로젝트 Z01 BfR 제공 F.L.K 및 앨 러 배 마 교내 지원 SFP1322-642
Materials
| Name | Company | Catalog Number | Comments |
| Imaris 9.1.2, software | Bitplane, Zürich, Switzerland | v.9.1.2 | 3D image reconstruction and surface generation; this was used by us! |
| Blender 2.75a, software | https://www.blender.org/ | v.2.75a | 3D and 4D open source animation software; 2.75a is the required version for this Python |
| Fiji /ImageJ, software | https://fiji.sc/ | ImageJ v.1.52b | Open source multi-D image analysis toolkit |
| MATLAB | MathWorks, www.mathworks.com | R2017b | General computational mathematical software |
| MATLAB Machine Learning kit | MathWorks, www.mathworks.com | R2017b | Can only be used together with MATLAB |
| Fiji plugins: SHADE | https://github.com/zcseresn/ShapeAnalysis | v.1.0 | |
| Fiji plugins: ActiveContour | http://imagejdocu.tudor.lu/doku.php? id=plugin:segmentation:active_contour:start |
absnake2 | |
| Computer | Any | NA | See Imaris instructions for minimum computer requirements |
References
- Masedunskas, A., et al. Intravital microscopy: a practical guide on imaging intracellular structures in live animals. Bioarchitecture. 2 (5), 143-157 (2012).
- Niesner, R. A., Hauser, A. E. Recent advances in dynamic intravital multi-photon microscopy. Cytometry A. 79 (10), 789-798 (2011).
- Ho, S. Y., et al. NeurphologyJ: an automatic neuronal morphology quantification method and its application in pharmacological discovery. BMC Bioinformatics. 12, 230 (2011).
- Yin, Z., et al. A screen for morphological complexity identifies regulators of switch-like transitions between discrete cell shapes. Nature Cell Biology. 15 (7), 860 (2013).
- Yu, H. Y., Lim, K. P., Xiong, S. J., Tan, L. P., Shim, W. Functional Morphometric Analysis in Cellular Behaviors: Shape and Size Matter. Advanced Healthcare Materials. 2 (9), (2013).
- Johnson, G. R., Buck, T. E., Sullivan, D. P., Rohde, G. K., Murphy, R. F. Joint modeling of cell and nuclear shape variation. Molecular Biology of the Cell. 26 (22), 4046-4056 (2015).
- Wang, S. -H., Cheng, H., Phillips, P., Zhang, Y. -D. Multiple Sclerosis Identification Based on Fractional Fourier Entropy and a Modified Jaya Algorithm. Entropy. 20 (4), 254 (2018).
- Kriegel, F. L., et al. Cell shape characterization and classification with discrete Fourier transforms and self-organizing maps. Cytometry Part A. 93 (3), 323-333 (2017).
- Styner, M., et al. Framework for the Statistical Shape Analysis of Brain Structures using SPHARM-PDM. Insight Journal. (1071), 242-250 (2006).
- El-Baz, A., et al. 3D shape analysis for early diagnosis of malignant lung nodules. Medical Image Computing and Computer Assisted Intervention. 14 (Pt 3), 175-182 (2011).
- Williams, E. L., El-Baz, A., Nitzken, M., Switala, A. E., Casanova, M. F. Spherical harmonic analysis of cortical complexity in autism and dyslexia. Translational Neuroscience. 3 (1), 36-40 (2012).
- Kruggel, F. Robust parametrization of brain surface meshes. Medical Image Analysis. 12 (3), 291-299 (2008).
- Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
- Kohonen, T. Essentials of the self-organizing map. Neural Networks. 37, 52-65 (2013).
- Andrey, P., Boudier, T. Adaptive Active Contours. ImageJ user and developer conference. , Luxembourg. (2006).
- Burger, W., Burge, M. J. Principles of Digital Image Processing. , Springer-Verlag. (2013).
- Lestrel, P. E. Fourier Descriptors and their Applications in Biology. , Cambridge University Press. (2008).
- Bayerl, S. H., et al. Time lapse in vivo microscopy reveals distinct dynamics of microglia-tumor environment interactions-a new role for the tumor perivascular space as highway for trafficking microglia. Glia. 64 (7), 1210-1226 (2016).
