Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove

Environment

Meten van de vorm en grootte van actief slib deeltjes vervoertechnische Agar met een Open Source Software pijpleiding

doi: 10.3791/58963 Published: January 30, 2019

Summary

De grootte en de vorm van deeltjes in actiefslibinstallatie zijn belangrijke parameters die worden gemeten met behulp van verschillende methoden. Onjuistheden voortvloeien uit niet-representatieve bemonstering, suboptimaal afbeeldingen en subjectieve analyse gebruikte parameters. Om deze fouten te minimaliseren en verlichten van de meting, presenteren we een protocol waarin elke stap, met inbegrip van een pijpleiding van opensource software.

Abstract

Experimentele bioreactoren, zoals deze behandelen afvalwater, bevatten deeltjes waarvan grootte en vorm belangrijke parameters zijn. Bijvoorbeeld, kunnen de grootte en vorm van actief slib Floc geven op welke voorwaarden op de microscale en ook rechtstreeks van invloed op hoe goed het slib vestigt zich in een clarifier.

Deeltjesgrootte en vorm zijn beide bedrieglijk 'eenvoudige' metingen. Vele subtiele problemen, vaak ongeadresseerde in informele protocollen, kunnen optreden wanneer bemonstering, imaging en analyseren van de deeltjes. Bemonsteringsmethoden een vertekend beeld kunnen geven of niet genoeg statistische stroomvoorziening. De monsters zelf slecht kunnen worden bewaard of wijziging tijdens immobilisatie ondergaan. Afbeeldingen kunnen niet worden van voldoende kwaliteit; overlappende deeltjes, kan scherptediepte, vergrotingsniveau, en diverse lawaai alle slechte resultaten opleveren. Slecht opgegeven analyse kan leiden tot vertekening, zoals die geproduceerd door handmatige afbeelding drempelmethode en segmentatie.

Betaalbaarheid en doorvoer zijn wenselijk naast reproduceerbaarheid. Een betaalbare, hoge doorvoer methode kunnen vaker meting van de deeltjes, produceren veel afbeeldingen met duizenden deeltjes. Een methode die gebruikmaakt van goedkope reagentia, een gemeenschappelijk ontleden Microscoop, en de software van de analyse van de vrij beschikbare open source kunt herhaalbare, toegankelijk, reproduceerbare en gedeeltelijk geautomatiseerde experimentele resultaten. Verder, het product van een dergelijke methode kunnen well-formatted, welomschreven en gemakkelijk te begrijpen door data-analysesoftware, versoepeling van zowel binnen-lab analyses en gegevens delen tussen labs.

We presenteren een protocol dat de gegevens van de stappen die nodig zijn voor de productie van dergelijk product, met inbegrip van: bemonstering, sample voorbereiding en immobilisatie in agar, digital image aquisition, digitale beeldanalyse en voorbeelden van experiment-specifieke figuur met behulp van de de resultaten van de analyse. We hebben ook een open-source data analyse pijpleiding ter ondersteuning van dit protocol opgenomen.

Introduction

Het doel van deze methode is bedoeld als een welomschreven, herhaalbare en gedeeltelijk geautomatiseerde methode voor het bepalen van de grootte en vorm distributies van deeltjes in de bioreactoren, met name die met actief slib Floc en aërobe korrels1 , 2. de grondgedachte achter deze methode waren om de betaalbaarheid, eenvoud, doorvoer, en herhaalbaarheid van onze bestaande interne protocollen,3,4, verlichten deeltje meting voor anderen, en vergemakkelijken delen en vergelijking van de gegevens.

Er zijn twee brede categorieën voor de analyse van de meting van de deeltjes - direct beeldvorming en inferentiële methoden met behulp van deze kwaliteiten als lichtverstrooiing5. Hoewel inferentiële methoden kunnen worden geautomatiseerd en grote doorvoer hebben, is de apparatuur duur. Bovendien, terwijl de inferentiële methoden kunnen nauwkeurig bepalen het equivalent grootte van een deeltje6, bieden ze geen gedetailleerde vorm informatie7.

Vanwege de noodzaak van shapegegevens, hebben wij onze methode gebaseerd op directe imaging. Hoewel sommige high-throughput beeldvormende methoden bestaan, moeten ze traditioneel dure commerciële hardware of oplossingen op maat gebouwde8,9. Onze methode is ontwikkeld om gemeenschappelijk, betaalbare hardware en software die, hoewel lijden aan een afname van de doorvoer, veel meer deeltjes beelden dan het minimum dat nodig is voor veel analyses10 produceerttewerk te stellen.

Bestaande protocollen kunnen niet geven belangrijk bemonsterings- en afbeelding overname stappen. Andere protocollen kunnen handmatige stappen die invoering van subjectieve bias (zoals ad hoc drempelmethode11) opgeven. Een duidelijk omschreven methode waarmee bemonstering, immobilisatie en afbeelding overname stappen gecombineerd met vrij beschikbare analysesoftware zal verbeteren zowel binnen-lab beeldanalyse en vergelijkingen tussen labs. Een belangrijk doel van dit protocol is bedoeld als een werkstroom en hulpmiddelen die tot reproduceerbare resultaten van verschillende labs voor hetzelfde monster leiden moeten.

Afgezien van het normaliseren van de installatiekopie van de analyse, worden de gegevens geproduceerd door deze pijpleiding vastgelegd in een welomschreven, goed geformatteerde bestand12 geschikt voor gebruik populaire data analyse pakketten13,14, versoepeling experiment specifieke analyses (zoals aangepaste figuur generatie) en faciliterende gegevensuitwisseling tussen labs.

Dit protocol wordt met name voorgesteld voor onderzoekers die vereisen deeltje shapegegevens, hebben geen toegang tot de inferentiële methoden, niet willen ontwikkelen hun eigen beeld analyse pijpleiding, en willen hun gegevens gemakkelijk delen met anderen

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. het verzamelen van monsters voor analyse van het deeltje

  1. Vastgesteld wat de omvang van de steekproef voor specifieke reactoren die voldoende deeltjes voor statistische analyse10 produceren zal (> 500) terwijl het vermijden van overlapping van de particle.
    1. Ga ervan uit dat een bereik van 0,5 tot 2 mL per monster van het mengsel bevatten voldoende voor actiefslibinstallatie monsters met een mengsel bevatten geschorst vaste stoffen (MLSS) tussen 250 en 5000 mg/L.
    2. Anders, bereiden drie test agar platen met 0,5, 2 en 5 mL van het monster (stappen 1.2 via 2.7).
    3. Visueel schatten die (indien aanwezig) monster volumes beste voldoen aan de criteria vermeld in stap 1.1.
    4. Als deeltjes elkaar nog voor het 0,5 mL monster overlappen, herhaalt u stap 1.1.2 en 1.1.3 met drie monsters van 0,5 mL verdund met een toegevoegde 0,5, 1 en 2 mL fosfaatgebufferde zoutoplossing om te bepalen van de mate waarin een 0,5 mL monster moet worden verdund vóór stap 2.1.
      Opmerking: Stappen 1.1 − 1.1.4 slechts eenmaal per experiment moet worden uitgevoerd, of als de reactor inhoud wijzigen zodat latere metingen niet langer voldoen aan de criteria vermeld in stap 1.1.
  2. Het verwerven van een representatieve steekproef van een goed gemengde gedeelte van de reactor door grijpen ~ 40 mL in een bekerglas of 50 mL centrifugebuis voorzichtig mengen, en onmiddellijk het vastberaden monstervolume van de goed gemengde grijper te gieten in een centrifugebuis 15 mL. Verdun het monster, noodzakelijk, zoals bepaald door stap 1.1.4.
    Opmerking: Het protocol hier kan worden onderbroken en het monster kan worden opgeslagen in de koelkast (4 ° C) voor maximaal 48 uur. Het monster niet invriezen.
    Let op: gemeenschappelijke behoud media (bijvoorbeeld formaldehyde/formamide) zijn niet geschikt. Het grote oppervlak van de plaat, in combinatie met de open container, warmte van de lichtbron, en potentieel slecht geventileerde microscopie setup produceren onnodig gevaarlijke voorwaarden voor kleine winst in beeldkwaliteit.

2. voorbereiding van de agar platen van gebeitst, geïmmobiliseerdet deeltjes

  1. 5 µL van 1% (m/v) methyleenblauw toevoegen aan elk monster, dan cap en voorzichtig omkeren 3 minste tijde te mengen. Het toestaan van monsters om vlek voor ten minste 5 maar niet meer dan 30 minuten bij kamertemperatuur.
  2. Bereiden van ongeveer 10 mL per monster van 7,5% (m/v) agar in gedeïoniseerd water.
    Opmerking: Agar kan worden tevoren geproduceerd en opgeslagen voor onbepaalde tijd als gesteriliseerd. Agarose kan worden vervangen, maar beelden niet aanzienlijk worden verbeterd.
  3. Smelt agar met behulp van een magnetron of water bad en laat lichtjes afkoelen vóór gebruik. De agar is volledig gesmolten en giet gemakkelijk zorgen. Solide bolletjes agar zal vlekken anders, slechte kwaliteitsbeelden te produceren.
  4. Voldoende gesmolten 7,5% (m/v)-agar overbrengen in de centrifugebuis toe zodat het totale buis volume tussen 6,5 en 9 mL.
  5. Recap centrifuge buizen en voorzichtig omkeren minstens 3 keer te mengen.
  6. Terwijl het wijzen van het GLB uit de buurt van zichzelf of in een kap, open het GLB. Giet de inhoud van de buis in een 100 mm plastic petrischaal terwijl zachtjes het schommelen van de schotel om een volledige, gladde coating en een visueel uniforme verdeling van de deeltjes te bereiken.
    Let op: De warmte van de agar kan leiden tot een lichte overdruk in de buis. Dit vaak een hoorbare sisklank produceert en heeft het potentieel om te verdrijven van kleine druppeltjes hete agar.
  7. Laat de platen afkoelen bij kamertemperatuur gedurende ten minste 5 minuten, totdat de agar stolt.
    Opmerking: Het protocol kan hier worden gepauzeerd. Winkel verguld ondersteboven en verzegeld (bijvoorbeeld in een verzegelde plastic zak of met paraffine film) voor maximaal 48 uur in de koelkast (4 ° C).

3. het verwerven van deeltje beelden met behulp van een stereomicroscoop en digitale camera

  1. Plaats de ongedekte plaat gezicht-omhoog in het werkgebied van de Microscoop van een stereomicroscoop staat van 10 x tot 20 x vergroting. Verlichten het monster uit de onderstaande lijst met zelfs, diffuus licht met behulp van apparatuur, zoals een LED-hulplicht stand of lichte plaat.
  2. Open de afbeelding capture software, Controleer dat de Microscoop lichtpad is ingesteld op foto, en klik op de juiste camera uit de lijst van de camera.
  3. De Microscoop aanpassen zodat meerdere deeltjes worden weergegeven in de software in het brandvlak met grote, goed-gedefinieerde randen. Een vergroting van 10-20 x gebruiken voor het meten van deeltjes met behoud van een relatief diep brandvlak.
    1. Tijdelijk verwijderen van de agarplaat en plaats de micrometer in het werkgebied. Pas de fijne focus totdat de afstudeerders op de micrometer sterk geconcentreerd is in de afbeelding capture software verschijnen.
    2. Indien niet eerder gekalibreerd, registreren de pixel micro/verhouding voor de huidige vergroting.
      1. De zoom op 100% instelt door te klikken op Zoom > ware grootte en selecteer Opties > Calibrate dan de rode kalibratiebalk in de belangrijkste viewport langs de lange as van de micrometer, met de verticale balken gecentreerd op de 0 en 200 µm afstudeerders uitlijnen. Voer in het dialoogvenster kalibreren de huidige vergrotingsfactor en de werkelijke lengte van 200 µm.
    3. Als al gekalibreerd Selecteer vergroting van de menubalk en selecteer de huidige vergroting niveau en bevestigen van de kalibratie.
      1. Selecteer metingen > lijn > willekeurige lijn. Klik op het snijpunt van de 0 afstuderen en de lange as van de micrometer. Klik nogmaals op het snijpunt op 200 en de lange de as. A juiste kalibratie moet weer ongeveer 200 µm. Verwijder de regel door tikken daarop, dringende verwijderen, en druk op Ja in het bevestigingsvenster.
        Opmerking: De aanwijzingen voor het selecteren van de camera en de kalibratie zijn specifiek voor de software die wordt gebruikt voor deze hardware. Soortgelijke functies moet beschikbaar zijn in andere beeldbewerkingssoftware. Het doel is om te bepalen van de pixel micron/verhouding van het beeld voor nauwkeurige deeltje grootte meten.
  4. Vervang de agarplaat en aanpassen van de fijne focus om maximaal detail in de beeldbewerkingssoftware.
  5. De denkbaar software zodanig aanpassen dat maximale beeldkwaliteit wordt bereikt.
    1. Verhoog de bitdiepte op de maximumwaarde die is toegestaan, door het keuzerondje te selecteren in het deelvenster van de Bitdiepte van de Camera zijbalk. De software te verwerven grijswaardenafbeeldingen door het bijbehorende keuzerondje te selecteren in het deelvenster Kleur of grijstinten van de zijbalk Camera instellen
    2. Alle panelen open zijbalk instorten tussen blootstelling en histogram. Verminderen van de winst tot 1.0 en verhoging van de blootstelling tot een duidelijk beeld wordt weergegeven in de viewport en tot het histogram wordt weergegeven als een distributie die niet door een van de uiteinden van het histogram vak is afgekapt.
    3. De histogram om te voorkomen dat- en onderbelichting aanpassen. Schuif de linkerrand van het histogram te net buiten de laagste waarden en de rechterrand aan net buiten de hoogste waarden in het deelvenster histogram van de zijbar camera.
  6. Sla de afbeelding op als een ongecomprimeerde TIFF, met inbegrip van vergroting informatie in de metagegevens van afbeeldingen, met behulp van de bestand > opslaan als in het dialoogvenster selecteren van de TIFF-indeling, en ervoor te zorgen dat het vak met kalibratie-informatie opslaan wordt gecontroleerd.
    Opmerking: Het opslaan van metagegevens van afbeeldingen, met inbegrip van ruimtelijke kalibratie, acquisitie programma's kan verschillen. FIJI15, de onderliggende software die wordt gebruikt door de pijpleiding, begrijpt de meest voorkomende varianten. De belangrijke informatie om vast te leggen is de pixel hoogte, breedte en bijbehorende eenheid.
  7. Met behulp van ofwel een mobiel podium of manueel het bewegen van de plaat zelf, selecteert u een ander gebied, die niet vorige beelden overlapt, na een pad die wisselt tussen links-naar-rechts en rechts-naar-links als omlaag de plaat; ook bekend als een 'grasmaaier zoekpatroon'. Herhaal stap 3.6 totdat voldoende beelden zijn geproduceerd om te vangen ten minste 500 visueel geschatte deeltjes, meer zijn beter.
    Opmerking: Alternatieven patronen (bv., circulaire, random) zijn aanvaardbaar, maar moet worden gerapporteerd. Het verwerven van meerdere overlappende afbeeldingen voor combinatie in een mozaïek via digitale stiksels produceert een resulterende bestandsgrootte die sterk downstream processing en artefacten uit het stiksel belemmert kan worden ingevoerd en wordt momenteel niet aangeraden.
  8. Platen tot na beeldanalyse voor mogelijke follow-up imaging behouden. Gooi na definitieve imaging, afhankelijk van biologisch afval.

4. meten en analyseren van deeltje silhouetten

  1. Installeer de vereiste afbeelding analyse Softwarepakketten
    1. Installeren van FIJI (een verbeterde versie van de National Institutes of Health ImageJ v1.52e de instructies op te volgen: https://imagej.net/Fiji/Downloads
    2. Git installeren, als niet reeds heden, door de instructies op te volgen: https://git-scm.com/downloads
    3. De code analyse deeltjes uit verwerven door middel van klonen van de git repository16.
      1. Ophalen op de command line, de nieuwste versie van de code door te typen:
        git clone https://github.com/joeweaver/SParMorIA-Sludge-Particle-Morphological-Image-Analysis.git
        1. Installeren code analyse volgt de instructies in het tekstbestand README.md in de bovenste directory van de gekloonde repository gevonden.
          Opmerking: Met behulp van git heeft de voorkeur, zoals het zal automatisch het ophalen van de meest recente versie van de code. Als git niet beschikbaar is, is het ook mogelijk de code te downloaden als een zip-bestand op de release pagina op: https://github.com/joeweaver/SParMorIA-Sludge-Particle-Morphological-Image-Analysis/releases
    4. Een tekstbestand lijst van de mappen moeten worden verwerkt, samen met de optionele parameters bewerken. Verwijzen naar de submap Voorbeelden/analyse voor een lijst met parameters en voorbeelden.
  2. Voer de analyse op de opdrachtregel door te typen:
    < FIJI-PATH > \ImageJ-win64.exe--console - macro < paramsfile > SParMorIA-SludgeParticle_Morphological_Image_Analysis
    waarbij < FIJI-pad > staat voor de map waarin ImageJ-win64.exe zich bevindt en < paramsfile > de locatie van het tekstbestand met een beschrijving van de analyse-setup
    Opmerking: De naam van het uitvoerbare bestand kan verschillen, afhankelijk van welke besturingssysteem FIJI op is geïnstalleerd. Afhankelijk van het aantal en de grootte van de afbeeldingen, de analyse kan een paar minuten duren uren en wordt automatisch uitgevoerd.
  3. De controle van een kwaliteitscontrole uitvoeren
    1. Onderzoeken van de kwaliteitscontrole bestanden in de submap van de overlay van de opgegeven uitvoermap. Opmerking Afbeeldingen met valse, gemiste en slecht gevangen deeltjes, allen duidelijk als schaduwrijke contouren die niet overeenkomen met de achtergrond. Raadpleeg voor voorbeelden van een dergelijke Figuur 3 . De deeltjes-gegevens zijn nu klaar voor experiment-specifieke analyse figuur generatie.
  4. Verwerpen hele platen of individuele deeltjes door op te geven in de code van de analyse, de bekende bestanden en/of particle-id's worden genegeerd. Verwijzen naar voorbeelden/censuur in de opslagplaats voor relevante R en Python code.
  5. Genereren van specifieke cijfers experiment met behulp van de resultaten van de analyse van de afbeelding voor elke afbeelding in een NETTE12 door komma's gescheiden tekstbestand in de subdirectory van de resultaten van de opgegeven uitvoermap zijn opgeslagen. Verwijzen naar de voorbeelden/cijfers/R en voorbeelden/cijfers/Python submappen voor voorbeelden van het lezen van de bestanden met resultaten.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Bestanden die zijn gegenereerd
Het proces geïllustreerd in Figuur 1 zal produceren twee bestanden per beeld geanalyseerd. Het eerste bestand is een door komma's gescheiden waarde (CSV) tekstbestand waarin elke rij komt overeen met een afzonderlijke deeltjes en de kolommen beschrijven verschillende deeltje statistieken zoals gebied, cirkelvormigheid en degelijkheid en omschreven in de handleiding van ImageJ17. Voorbeeld van CSV-bestanden zijn opgenomen als aanvullende informatie en in de voorbeelden/data directory.

Figure 1
Figuur 1: Grafische workflow met een beschrijving van de vier hoofdstappen van het protocol. Klik hier voor een grotere versie van dit cijfer.

Het tweede bestand is bedoeld voor gebruik in de kwaliteitscontrole (QC) en is een GIF-afbeelding bestand welke overlays de oorspronkelijke afbeelding met semi-opaque regio's vertegenwoordigen deeltjes, zoals in Figuur 2. De kwaliteit van deeltje identificatie en segmentatie kan vervolgens snel handmatig worden geëvalueerd. Hoewel geen enkele deeltje drempelmethode methode perfect18 is, wordt Figuur 2 gepresenteerd als een voorbeeld van een aanvaardbaar resultaat. Afbeeldingen van slechte kwaliteit kunnen worden heroverd, of als er voldoende gegevens beschikbaar zijn, is gewoon verwijderd uit de verdere verwerking.

Figure 2
Figuur 2: Voorbeeld van een gif van de kwaliteitscontrole (QC) gegenereerd door de afbeelding analyse pijpleiding. Vergroting van de hoofdafbeelding 15 x. Uittreksel is digitaal ingezoomd zodat getallen identificeren van individuele deeltjes in de afbeelding. Klik hier voor een grotere versie van dit cijfer.

Bij de beoordeling van QC beelden, er zijn drie veelvoorkomende fouten gevonden:
1. gebrek aan overeenstemming nauwkeurig met de grenzen van het deeltje
2. het niet kunnen identificeren van deeltjes
3. artefact opname wegens hetzij aan: niet-deeltje onderdelen (bijvoorbeeld bubbels) of fouten in drempelmethode

Voorbeelden van deze fouten worden geïllustreerd in Figuur 3. Arme deeltje grens identificatie en segmentatie tussen deeltjes vaak ontstaat een overdreven sterven, zoals te zien in Figuur 3a. Slechte verlichting kan leiden tot beide falen om deeltjes (Figuur 3b, blauwe gevulde cirkel) en artefact valse deeltjes (Figuur 3b, rode onderbroken cirkel) te identificeren. Non-deeltje materie, zoals bubbles, protozoa, schimmels, en metazoans, zoals de beerdiertjes in Figuur 3 c kan ook onecht worden geïdentificeerd als deeltjes.

Figure 3
Figuur 3: Veelvoorkomende fouten gedetecteerd tijdens de QC analyse. (een) slechte deeltje grens detectie. (b) valse deeltjes (rode gestreepte ovaal) en niet-gesegmenteerde deeltjes (blauwe solide ellips). (c) buitenlandse niet-deeltje-object. Vergroting 15 x. Klik hier voor een grotere versie van dit cijfer.

Het is gemakkelijkst te verwerpen van de hele afbeelding. Het is echter mogelijk om te gebruiken het deeltje-id in de QC-afbeelding (Figuur 2, inset) te verwerpen van individuele deeltjes. Deze aanpak is vooral handig als er een handvol kwesties in een anders nuttig beeld (zoals het opnemen van niet-deeltjes zijn) Figuur 3 c. Voorbeelden van doen zijn dus een reproduceerbare en te rapporteren wijze opgenomen in de directory voorbeelden/censureren voor de github repository.

Wanneer een kleine minimale diameter is opgegeven (< 10 pixels), beeldruis onecht kan worden aangemerkt als een deeltje. In die gevallen de afbeelding kan nog steeds worden aanvaard worden wanneer verder stroomafwaarts analyse is verwijdert hun aanwezigheid. Als richtsnoer geldt moeten shapegegevens worden behandeld met scepticisme wanneer deeltjes zijn samengesteld uit minder dan ~ 200 pixels19.

Figuur generatie
De CSV-bestanden als gevolg van de beeldanalyse Tidy12 kunnen gemakkelijk gecombineerd en geanalyseerd softwarepakket van de voorkeur van de onderzoeker (zoals de Panda's20 met seaborn21 in Python of dplyr22 met ggplot223 in R). Het exacte cijfer type vereist zullen noodzakelijkerwijs verschillen echter met onderzoeksvragen en resultaat. Een voorbeeld van een mogelijke figuur hieronder (Figuur 4) is opgenomen en de corresponderende code te genereren van de CSV-bestanden is beschikbaar op github16.

Figure 4
Figuur 4: Voorbeeld van het experiment-specifieke afbeelding gegenereerd uit CSV-gegevens geproduceerd door de pijpleiding van de afbeelding. In dit voorbeeld worden de deeltjes distributies tussen twee experimentele reactoren na verloop van tijd weergegeven en gecombineerd met kwalitatieve metagegevens opgemerkt door de onderzoeker. Zie voorbeelden/cijfers/R voor het genereren van code en gegevens. Klik hier voor een grotere versie van dit cijfer.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Hoewel het systeem van de analyse van het beeld vrij robuust is en QC stappen worden genomen om ervoor te zorgen dat slechte afbeeldingen worden verwijderd, kan juiste aandacht op specifieke kwesties in bemonstering, plaat voorbereiding en beeldacquisitie verbeteren, zowel de juistheid van de gegevens en het percentage beelden passeren van QC.

Bemonstering concentratie
Ervan uitgaande dat een representatieve steekproef is genomen, is de belangrijkste stap om ervoor te zorgen dat voldoende deeltjes aanwezig voor representatieve9 en efficiënte analyse, terwijl niet zo geconcentreerd dat deeltjes elkaar overlappen.

Dit is overeengekomen tot ca. 0,5 tot 2 mL van het mengsel bevatten over een brede waaier van de totale hoeveelheid zwevende deeltjes, maar kan ook experiment-specifieke bepaling nodig zijn. Voorbeelden van overdreven geconcentreerd, verdund overdreven-, en passende deeltje concentraties zijn afgebeeld in Figuur 5 als referentie. Kleuring wordt ook beïnvloed door de concentratie van het deeltje. Overmatige verdunning kan leiden tot overdreven gebeitst, wazig deeltjes terwijl onder verdunning niet deeltjes met voldoende contrast voor optimale drempelmethode kan produceren.

Figure 5
Figuur 5: Referentie beelden weergegeven: deeltje concentraties die te geconcentreerd, aanvaardbaar en overdreven verdunde zijn. Vergroting 15 x. Klik hier voor een grotere versie van dit cijfer.

Kleurstof concentratie
Het bedrag van de vlek toegevoegd aan het monster is cruciaal en het juiste bedrag kan variëren tussen slib. Ongeveer 5 µL van 1% (m/v) methyleenblauw per 0,5 tot 2 mL monster voorziet voldoende contrast drempelmethode zonder 'bloeden' en verduisterend het deeltje van vorm.

Er is geen enkele ideale concentratie; een evenwicht tussen het contrast en helderheid moet worden gekozen. Figuur 6 illustreert deze afweging in drie monsters gekleurd met 5, 25 en 50 µL van 1% methyleenblauw per 2 mL van slib. Wanneer weegt deze afweging en heeft het occasionele slecht contrasterende deeltje (Figuur 6a) de voorkeur over slecht omgezet BLOB's (Figuur 6 c).

Figure 6
Figuur 6: Verhoogde vlek concentratie verbetert deeltje contrast, maar ook verstoort de waargenomen grens. Vergroting 15 x. Klik hier voor een grotere versie van dit cijfer.

Plaat-opslag
Na immobilisatie, kunnen platen worden opgeslagen in de koelkast (4 ° C) gedurende ten minste 3 dagen. Dit is een conservatieve periode gedurende welke het is onwaarschijnlijk dat verontreiniging van het groei- en kleurstof diffusie plaatsvindt. Platen niet het tonen van de hieronder beschreven problemen kunnen nog steeds worden beeld na 3 dagen. Wanneer opgeslagen te lang, bestaande deeltjes kunnen blijven groeien en zal verschijnen in het brandvlak van andere deeltjes met behoud van de kleurtoon van de vlek, zoals te zien is in figuur 7a. Oppervlakte contaminanten, zoals schimmelsporen, kunnen ook groeien na een lange periode van opslag. Deze over het algemeen zal niet nemen de kleur van de vlek en zal verschijnen in een verschillende brandvlak, zoals te zien is in figuur 7b. In sommige gevallen is het onduidelijk of begroeiing of verspreiding van de vlek heeft plaatsgevonden, zoals de onderkant van de figuur 7b en centrum van Figuur 7 c. Ongeacht de oorzaak, vlekken zoals die aangeven dat de plaat is ouder dan de gebruiksduur

Figure 7
Figuur 7: Referentie afbeeldingen ter illustratie van de begroeiing signalering dat een plaat is opgeslagen buiten de gebruiksduur. Vergroting 15 x. Klik hier voor een grotere versie van dit cijfer.

Voorbereiding van de plaat
Er zijn twee kwesties in verband met fysiek voorbereiden de agar-platen - overdreven dikke agar en buitensporige zwenken. In het eerste geval (Figuur 8), worden de deeltjes geschorst op verschillende dieptes, waardoor het moeilijk te verwerven van beelden met de meerderheid van de deeltjes in focus.

Figure 8
Figuur 8: Met behulp van buitensporige hoeveelheden agar zal produceren een steekproef dikker dan het brandvlak, resulterend in wazige deeltjes. Vergroting 15 x. Klik hier voor een grotere versie van dit cijfer.

In het tweede geval, wervelende produceert een niet-uniforme verdeling van de deeltjes (figuur 9a), vertekenende resultaten uit de verschillende gedeelten van de plaat (figuur 9b, c. In het algemeen niet meer dan 7 mL agar is vereist ter dekking van een petrischaal 100 mm en alleen zachte hand bewegingen zijn nodig om het gerecht gelijkmatig te dekken.

Figure 9
Figuur 9: Overdreven-krachtige wervelende tijdens de voorbereiding van de plaat verschijnt als niet-uniforme deeltje distributies (een), vertekenende secties van de plaat naar grotere (b) en kleinere (c) deeltje distributies. Plaat heeft een diameter van 100 mm, microfoto 15 x vergroot. Klik hier voor een grotere versie van dit cijfer.

Microscopische beeldvorming
Er zijn twee grote afbeelding overname kwesties op het gebied van kwaliteit. De eerste kwestie is ervoor te zorgen dat de meerderheid van de deeltjes in het brandvlak. Zelfs op lage vergroting is de grootte van vele actiefslibinstallatie deeltjes zodanig dat zonder kleine aanpassingen aan grof focus, veel deeltjes enigszins onscherp zullen, invoering van onjuiste deeltje meting. Geen afbeelding bevat 100% perfect gericht deeltjes; Figuur 8 en Figuur 5b zijn respectieve voorbeelden van slechte en aanvaardbare focus.

Blootstellingsniveaus vormen de tweede belangrijke kwestie. Slecht blootgesteld beelden leiden tot verlies van gegevens en slechte segmentatie11. Verder, het hoge contrast van de kleurstof kan produceren een smalle histogram, vermindering van het effectieve dynamische bereik van de gegevens. De bovenste en onderste grenzen van het histogram kunnen worden aangepast voor het vastleggen van een afbeelding als u wilt voorkomen dat slechte blootstelling en het dynamisch bereik verhogen. Voorbeelden van over, onder, en aanvaardbaar posities zijn hieronder opgenomen in Figuur 10.

Figure 10
Figuur 10: Referentie afbeeldingen tonen arme en acceptabel beeld posities. Klik hier voor een grotere versie van dit cijfer.

Voordelen van deze methode zijn dat het specifieke criteria omvat het hele proces. Verder hebben we een pijpleiding van de software binnen-laboratoriumanalyse versoepeling en het bevorderen van vergelijkbare tussen-lab gegevens verstrekt. De belangrijkste beperking van deze methode is dat de eis om te houden van alle deeltjes gericht hoge vergrotingen voorkomt, beperking van het nut ervan voor deeltjes met kleine kleine afmetingen - met name filamenteuze structuren. Toekomstige richtingen van deze methode konden opnemen geavanceerde beeld-analysetechnieken (specifiek ruis vermindering24,25, hoog dynamisch bereik beeldvorming, focus stacking26,27, en machine-leren gesubsidieerde drempelmethode, segmentatie en classificatie28. De grote afbeelding overname verbetering zou nemen software om te bepalen van mechanische fasen8 en produceren 'hele plaat' Mozaïek archieven.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

De auteurs hebben niets te onthullen.

Acknowledgments

Dit werk werd gesteund door een subsidie van de National Science Foundation CBET 1336544.

De FIJI, R en Python logo's worden gebruikt met het overeenkomstig de volgende handelsmerk-beleid:
Python: https://www.python.org/psf/trademarks/
R: https://www.r-project.org/Logo/ , volgens de CC-BY-SA 4.0 licentie vermeld op: https://creativecommons.org/Licenses/by-sa/4.0/
Fiji: https://imagej.net/Licensing

Materials

Name Company Catalog Number Comments
10% Bleach solution Chlorox 31009 For workspace disinfection.
15 mL centrifuge tube with cap Corning 430790 Per sample.
50 mL Erlenmeyer flask Corning 4980-50 Other vessels are suitable so long as they can contain > 40 mL of sample and allow mixing
500 mL Kimax Bottle Kimble-Chase 14395-50 Or otherwise sufficient for agar handling
Agar BD 214010 Solid, to prepare 7.5% gel. 7 mL per sample.
Data analysis software N/A N/A R or Python are suggested
Deionized water N/A N/A Sufficient to prepare stain and agar. If unavailable, tap should be fine.
Desktop computer N/A N/A Image analysis is not CPU intensive, any 'ordinary' desktop computer circa 2017 should be sufficient.
External hard drive Seagate STEB5000100 Not fully required, but extremely useful given the number an size of images. 2 or more TB of storage suggested.
FIJI NIH version 1.51d Version is ImageJ core. Plugins are updated as of writing. Available at: https://imagej.net/Fiji/Downloads
GIT Open Source version 2.19.1 or later Available at: https://git-scm.com/
Image capture software ToupView version 3.7.5177 Any compatible with camera, may come with camera. Should allow saving TIFF images with spatial calibration data.
Mechanical (X/Y) Stage OMAX A512 Not fully required, but greatly aids image acquisition.
Methylene blue Fisher M291-100 Solid, to prepare 1% w/v solution. 5 uL solution per sample.
Microscope camera OMAX A35140U Any digitial camera compatible with microscope. Resolution providing at least 5 um per pixel at 10x magnification and a dynamic range of at least 8 bits per pixel per color channel is suggested.
Optical Stage Micrometer OMAX A36CALM1 Or otherwise sufficient for spatial calibration.
Petri dish, 100 mm Fisher FB0875712 1 per sample.
PPE N/A N/A Standard lab coat, gloves, and eyewear.
Sparmoria macro NCSU version 0.2.1 Available at github repository : https://github.com/joeweaver/SParMorIA-Sludge-Particle-Morphological-Image-Analysis
Stereo/dissecting microscope Nikon SMZ-2T Should provide 10 to 20x magnficiation and allow digital photos either with a buit-in camera or profide a mounting point for a CCD.

DOWNLOAD MATERIALS LIST

References

  1. Show, K. Y., Lee, D. J., Tay, J. H. Aerobic granulation: Advances and challenges. Applied Biochemistry and Biotechnology. 167, (6), 1622-1640 (2012).
  2. Adav, S. S., Lee, D. -J., Show, K. -Y., Tay, J. -H. Aerobic granular sludge: Recent advances. Biotechnology Advances. 26, (5), 411-423 (2008).
  3. Williams, J. C. Initial Investigations of Aerobic Granulation in an Annular Gap Bioreactor. North Carolina State University. Available from: https://repository.lib.ncsu.edu/handle/1840.16/2162 (2004).
  4. Moghadam, B. K. Effect of Hydrodynamics on Aerobic Granulation. Available from: https://repository.lib.ncsu.edu/handle/1840.16/8761 (2012).
  5. Tay, J. H., Liu, Q. S., Liu, Y. Microscopic observation of aerobic granulation in sequential aerobic sludge blanket reactor. Journal of Applied Microbiology. 91, (1), 168-175 (2001).
  6. Kelly, R. N., et al. Graphical Comparison of Image Analysis and Laser Diffraction Particle Size Analysis Data Obtained From the Measurements of Nonspherical Particle Systems. AAPS Pharm SciTech. 7, (3), Available from: http://www.aapspharmscitech.org E1-E14 (2006).
  7. Walisko, R., et al. The Taming of the Shrew -Controlling the Morphology of Filamentous Eukaryotic and Prokaryotic Microorganisms. Advances in Biochemical Engineering/Biotechnology. 149, 1-27 (2015).
  8. Campbell, R. A. A., Eifert, R. W., Turner, G. C. Openstage: A Low-Cost Motorized Microscope Stage with Sub-Micron Positioning Accuracy. PLoS ONE. 9, (2), e88977 (2014).
  9. Dias, P. A., et al. Image processing for identification and quantification of filamentous bacteria in in situ acquired images. BioMedical Engineering OnLine. 15, (1), 64 (2016).
  10. Liao, J., Lou, I., de los Reyes, F. L. III Relationship of Species-Specific Filament Levels to Filamentous Bulking in Activated Sludge. Applied and Environmental Microbiology. 70, (4), 2420-2428 (2004).
  11. Cromey, D. W. Avoiding twisted pixels: ethical guidelines for the appropriate use and manipulation of scientific digital images. Science and Engineering Ethics. 16, (4), 639-667 (2010).
  12. Wickham, H. Tidy Data. Journal of Statistical Software. 59, (10), (2014).
  13. R Core Team. R: A language and environment for statistical computing. Available from: http://www.r-project.org (2017).
  14. van Rossum, G. Python tutorial. Amsterdam. CS-R9526 (1995).
  15. Schindelin, J., Arganda-Carreras, I., Frise, E. FIJI: an open-source platform for biological-image analysis. Nature Methods. 9, (7), 676-682 (2012).
  16. Weaver, J. E. SParMorIA: Sludge Particle Morphological ImageAnalysis. Available from: https://github.com/joeweaver/SParMorIA-Sludge-Particle-Morphological-Image-Analysis (2018).
  17. Ferreira, T., Rasband, W. ImageJ User Guide: IJ 1.42 r. National Institute of Health. (2012).
  18. Sezgin, M., Sankur, B. Survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic Imaging. 13, (1), 146-166 (2004).
  19. Kröner, S., Doménech Carbó, M. T. Determination of minimum pixel resolution for shape analysis: Proposal of a new data validation method for computerized images. Powder Technology. 245, 297-313 (2013).
  20. McKinney, W. Data Structures for Statistical Computing in Python. Proceedings of the 9th Python in Science Conference. 51-56 (2010).
  21. Waskom, M., et al. seaborn: v0.5.0 (November 2014). (2014).
  22. Wickham, H. dplyr: A Grammar of Data Manipulation. Available from: https://cran.r-project.org/web/packages/dplyr/index.html (2016).
  23. Wickham, H. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag. New York. Available from: http://ggplot2.org (2009).
  24. Riley, R. S., Ben-Ezra, J. M., Massey, D., Slyter, R. L., Romagnoli, G. Digital Photography: A Primer for Pathologists. Journal of Clinical Laboratory Analysis. 18, (2), 91-128 (2004).
  25. Singh, S., Bray, M. A., Jones, T. R., Carpenter, A. E. Pipeline for illumination correction of images for high-throughput microscopy. Journal of Microscopy. 256, (3), 231-236 (2014).
  26. Eastwood, B. S., Childs, E. C. Image Alignment for Multiple Camera High Dynamic Range Microscopy. Proceedings. IEEE Workshop on Applications of Computer Vision. 225-232 (2012).
  27. Bell, A. A., Brauers, J., Kaftan, J. N., Meyer-Ebrecht, D., Aach, T. High Dynamic Range Microscopy for Cytopathological Cancer Diagnosis. IEEE Journal of Selected Topics in Signal Processing (Special Issue on: Digital Image Processing Techniques for Oncology). 3, (1), Available from: https://www.lfb.rwth-aachen.de/en/ 170-184 (2009).
  28. Jain, V., et al. Supervised Learning of Image Restoration with Convolutional Networks. 2007 IEEE 11th International Conference on Computer Vision. 1-8 (2007).
Meten van de vorm en grootte van actief slib deeltjes vervoertechnische Agar met een Open Source Software pijpleiding
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Weaver, J. E., Williams, J. C., Ducoste, J. J., de los Reyes III, F. L. Measuring the Shape and Size of Activated Sludge Particles Immobilized in Agar with an Open Source Software Pipeline. J. Vis. Exp. (143), e58963, doi:10.3791/58963 (2019).More

Weaver, J. E., Williams, J. C., Ducoste, J. J., de los Reyes III, F. L. Measuring the Shape and Size of Activated Sludge Particles Immobilized in Agar with an Open Source Software Pipeline. J. Vis. Exp. (143), e58963, doi:10.3791/58963 (2019).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
simple hit counter