यह लेख बताता है कि निश्चित कोशिकाओं की प्रतिदीप्ति माइक्रोस्कोपी छवियों में माइटोकॉन्ड्रिया आकृति विज्ञान का विश्लेषण करने के लिए सिमुलेशन-पर्यवेक्षित मशीन लर्निंग का उपयोग कैसे करें।
सेल फ्लोरेसेंस माइक्रोस्कोपी छवियों में माइटोकॉन्ड्रिया जैसे उपकोशिकीय जीवों का मात्रात्मक विश्लेषण इन छोटे और रूपात्मक रूप से विविध संरचनाओं के विभाजन में अंतर्निहित चुनौतियों के कारण एक मांग वाला कार्य है। इस लेख में, हम निश्चित कोशिकाओं की प्रतिदीप्ति माइक्रोस्कोपी छवियों में माइटोकॉन्ड्रियल आकृति विज्ञान की मात्रा का ठहराव के लिए एक मशीन लर्निंग-एडेड विभाजन और विश्लेषण पाइपलाइन के उपयोग का प्रदर्शन करते हैं। डीप लर्निंग-आधारित विभाजन उपकरण को नकली छवियों पर प्रशिक्षित किया जाता है और पर्यवेक्षित गहरी शिक्षा के लिए जमीनी सच्चाई एनोटेशन की आवश्यकता को समाप्त करता है। हम फ्लोरोसेंट माइटोकॉन्ड्रिया मार्करों की स्थिर अभिव्यक्ति के साथ निश्चित कार्डियोमायोब्लास्ट्स की फ्लोरेसेंस माइक्रोस्कोपी छवियों पर इस उपकरण की उपयोगिता का प्रदर्शन करते हैं और माइटोकॉन्ड्रियल आकृति विज्ञान में परिवर्तन को प्रेरित करने के लिए विशिष्ट सेल संस्कृति स्थितियों को नियोजित करते हैं।
इस पेपर में, हम फ्लोरोसेंट माइटोकॉन्ड्रिया मार्करों को व्यक्त करने वाले निश्चित कार्डियोमायोब्लास्ट्स की फ्लोरेसेंस माइक्रोस्कोपी छवियों में उपकोशिकीय विभाजन1 के लिए भौतिकी-आधारित मशीन लर्निंग टूल की उपयोगिता का प्रदर्शन करते हैं।
माइटोकॉन्ड्रिया स्तनधारी कोशिकाओं में मुख्य ऊर्जा उत्पादक जीव हैं। विशेष रूप से, माइटोकॉन्ड्रिया अत्यधिक गतिशील ऑर्गेनेल हैं और अक्सर नेटवर्क में पाए जाते हैं जो लगातार लंबाई और शाखाओं में बदल रहे हैं। माइटोकॉन्ड्रिया का आकार उनके कार्य को प्रभावित करता है, और कोशिकाएं पर्यावरण में बदलाव के अनुकूल होने के लिए अपने माइटोकॉन्ड्रियल आकृति विज्ञान को जल्दी से बदल सकतीहैं। इस घटना को समझने के लिए, माइटोकॉन्ड्रिया का रूपात्मक वर्गीकरण डॉट्स, रॉड या नेटवर्क केरूप में अत्यधिक जानकारीपूर्ण है।
कोशिकाओं में माइटोकॉन्ड्रियल आकृति विज्ञान के विश्लेषण के लिए माइटोकॉन्ड्रिया का विभाजन महत्वपूर्ण है। माइटोकॉन्ड्रिया की प्रतिदीप्ति माइक्रोस्कोपी छवियों को विभाजित और विश्लेषण करने के वर्तमान तरीके मैनुअल विभाजन या पारंपरिक छवि प्रसंस्करण दृष्टिकोण पर निर्भर करते हैं। माइक्रोस्कोपी छवियों में उच्च शोर के स्तर के कारण ओत्सु4 जैसे थ्रेसहोल्डिंग-आधारित दृष्टिकोण कम सटीक हैं। आमतौर पर, माइटोकॉन्ड्रिया के रूपात्मक विश्लेषण के लिए छवियों में बड़ी संख्या में माइटोकॉन्ड्रिया होते हैं, जिससे मैनुअल विभाजन थकाऊ हो जाता है। मोर्फोलिबजे5 जैसे गणितीय दृष्टिकोण और वेका6 जैसे अर्ध-पर्यवेक्षित मशीन लर्निंग दृष्टिकोण अत्यधिक मांग वाले हैं और विशेषज्ञ ज्ञान की आवश्यकता होती है। माइटोकॉन्ड्रिया7 के लिए छवि विश्लेषण तकनीकों की समीक्षा से पता चला है कि कार्य के लिए गहरी सीखने-आधारित तकनीक उपयोगी हो सकती है। दरअसल, स्व-ड्राइविंग जैसे अनुप्रयोगों के लिए रोजमर्रा की जिंदगी की छवियों में छवि विभाजन को गहन शिक्षण-आधारित मॉडल के उपयोग के साथ क्रांतिकारी बनाया गया है।
डीप लर्निंग मशीन लर्निंग का एक उप-समूह है जो एल्गोरिदम प्रदान करता है जो बड़ी मात्रा में डेटा से सीखता है। पर्यवेक्षित गहन शिक्षण एल्गोरिदम छवियों के बड़े सेटों से संबंध सीखते हैं जो उनके जमीनी सत्य (जीटी) लेबल के साथ एनोटेट किए जाते हैं। फ्लोरेसेंस माइक्रोस्कोपी छवियों में माइटोकॉन्ड्रिया को विभाजित करने के लिए पर्यवेक्षित गहरी शिक्षा का उपयोग करने में चुनौतियां दो गुना हैं। सबसे पहले, पर्यवेक्षित गहरी शिक्षा के लिए प्रशिक्षण छवियों के एक बड़े डेटासेट की आवश्यकता होती है, और, प्रतिदीप्ति माइक्रोस्कोपी के मामले में, इस बड़े डेटासेट को प्रदान करना अधिक आसानी से उपलब्ध पारंपरिक कैमरा-आधारित छवियों का उपयोग करते समय एक व्यापक कार्य होगा। दूसरे, प्रतिदीप्ति माइक्रोस्कोपी छवियों को प्रशिक्षण छवियों में रुचि की वस्तुओं के जीटी एनोटेशन की आवश्यकता होती है, जो एक थकाऊ कार्य है जिसके लिए विशेषज्ञ ज्ञान की आवश्यकता होती है। फ्लोरोसेंटली लेबल उपकोशिकीय संरचनाओं के साथ कोशिकाओं की एकल छवि के लिए यह कार्य आसानी से विशेषज्ञ के समय के घंटे या दिन ले सकता है। इसके अलावा, एनोटेटर के बीच भिन्नताएं एक समस्या पैदा करती हैं। मैनुअल एनोटेशन की आवश्यकता को दूर करने के लिए, और गहरी सीखने की तकनीकों के बेहतर प्रदर्शन का लाभ उठाने में सक्षम होने के लिए, यहां एक गहरी सीखने-आधारित विभाजन मॉडल का उपयोग किया गया था जिसे नकली छवियों पर प्रशिक्षित किया गया था। भौतिकी-आधारित सिमुलेटर एक माइक्रोस्कोप में छवि निर्माण की प्रक्रिया की नकल और नियंत्रण करने का एक तरीका प्रदान करते हैं, जिससे ज्ञात आकृतियों की छवियों के निर्माण की अनुमति मिलती है। भौतिकी-आधारित सिम्युलेटर का उपयोग करते हुए, इस उद्देश्य के लिए माइटोकॉन्ड्रिया के सिम्युलेटेड फ्लोरेसेंस माइक्रोस्कोपी छवियों का एक बड़ा डेटासेट बनाया गया था।
सिमुलेशन आकार पीढ़ी के लिए पैरामीट्रिक वक्रों का उपयोग करके ज्यामिति पीढ़ी के साथ शुरू होता है। उत्सर्जकों को यादृच्छिक रूप से आकार की सतह पर समान रूप से वितरित तरीके से रखा जाता है ताकि घनत्व प्रयोगात्मक मूल्यों से मेल खाता हो। माइक्रोस्कोप के एक 3 डी पॉइंट स्प्रेड फ़ंक्शन (पीएसएफ) की गणना गिब्सन-लैनी मॉडल9 के कम्प्यूटेशनल रूप से कुशल सन्निकटन8 का उपयोग करके की जाती है। प्रयोगात्मक छवियों के साथ नकली छवियों का बारीकी से मिलान करने के लिए, फोटो यथार्थवाद प्राप्त करने के लिए अंधेरे प्रवाह और शॉट शोर दोनों का अनुकरण किया जाता है। भौतिक जीटी एक द्विआधारी मानचित्र के रूप में उत्पन्न होता है। डेटासेट उत्पन्न करने और सिमुलेशन मॉडल को प्रशिक्षित करने के लिए कोडउपलब्ध है 10, और इस सिम्युलेटेड डेटासेट को बनाने के लिए चरण चित्रा 1 में उल्लिखित है।
हम निश्चित कार्डियोमायोब्लास्ट्स की कॉन्फोकल माइक्रोस्कोपी छवियों का विश्लेषण करके पूरी तरह से एक सिम्युलेटेड डेटासेट पर प्रशिक्षित गहन शिक्षण-आधारित विभाजन की उपयोगिता का प्रदर्शन करते हैं। इन कार्डियोमायोब्लास्ट्स ने माइटोकॉन्ड्रियल बाहरी झिल्ली में एक फ्लोरोसेंट मार्कर व्यक्त किया, जिससे फ्लोरेसेंस माइक्रोस्कोपी छवियों में माइटोकॉन्ड्रिया के विज़ुअलाइज़ेशन की अनुमति मिली। यहां एक उदाहरण के रूप में दिए गए प्रयोग का संचालन करने से पहले, कोशिकाओं को ग्लूकोज से वंचित किया गया था और संस्कृति में 7 दिनों के लिए गैलेक्टोज के लिए अनुकूलित किया गया था। गैलेक्टोज के साथ विकास मीडिया में ग्लूकोज को बदलने से संस्कृति में कोशिकाएं अधिक ऑक्सीडेटिव हो जाती हैं और इस प्रकार, ऊर्जा उत्पादन के लिए उनके माइटोकॉन्ड्रिया पर निर्भरहोती हैं। इसके अलावा, यह कोशिकाओं को माइटोकॉन्ड्रियल क्षति के प्रति अधिक संवेदनशील बनाता है। माइटोकॉन्ड्रियल आकृति विज्ञान परिवर्तनों को कोशिका संस्कृति माध्यम13 में कार्बोनिल साइनाइड एम-क्लोरोफेनिल हाइड्राज़ोन (सीसीसीपी) जैसे माइटोकॉन्ड्रियल अनकपलिंग एजेंट को जोड़कर प्रयोगात्मक रूप से प्रेरित किया जा सकता है। सीसीसीपी माइटोकॉन्ड्रियल झिल्ली क्षमता (एयूएम) के नुकसान की ओर जाता है और इस प्रकार, माइटोकॉन्ड्रिया में अधिक ट्यूबलर (रॉड जैसी) से अधिक गोलाकार (डॉट-जैसे) आकृति विज्ञानमें परिवर्तन होता है। इसके अलावा, सीसीसीपी उपचार 15 के दौरान माइटोकॉन्ड्रिया सूजजाते हैं। हम माइटोकॉन्ड्रिया परिवर्तनों के रूपात्मक वितरण को प्रदर्शित करते हैं जब गैलेक्टोज-अनुकूलित कार्डियोमायोब्लास्ट्स को माइटोकॉन्ड्रियल अनकपलर सीसीसीपी के साथ इलाज किया गया था। माइटोकॉन्ड्रिया के गहरे सीखने के विभाजन ने हमें उन्हें डॉट्स, रॉड या नेटवर्क के रूप में वर्गीकृत करने में सक्षम बनाया। फिर हमने विभिन्न माइटोकॉन्ड्रियल फेनोटाइप्स की शाखा लंबाई और बहुतायत का आकलन करने के लिए मात्रात्मक मैट्रिक्स प्राप्त किए। विश्लेषण के चरणों को चित्रा 2 में उल्लिखित किया गया है, और सेल संस्कृति, इमेजिंग, गहरी शिक्षा-आधारित विभाजन के लिए डेटासेट निर्माण, साथ ही माइटोकॉन्ड्रिया के मात्रात्मक विश्लेषण का विवरण नीचे दिया गया है।
हम “ज्यामिति पीढ़ी” और “सिम्युलेटर मापदंडों” पर पैराग्राफ में प्रोटोकॉल में महत्वपूर्ण चरणों से संबंधित सावधानियों पर चर्चा करते हैं। “ट्रांसफर लर्निंग” शीर्षक वाले पैराग्राफ में कई माइक्रोस्कोप के अनुकूल होने पर उच्च थ्रूपुट के लिए संशोधनों पर चर्चा की गई है। “कण विश्लेषण” और “अन्य उपकोशिकीय संरचनाओं को उत्पन्न करना” पर पैराग्राफ इस पद्धति के भविष्य के अनुप्रयोगों को संदर्भित करते हैं। “जैविक सत्य से अंतर” पर पैराग्राफ विभिन्न कारणों पर चर्चा करता है कि सिमुलेशन वास्तविक डेटा से अलग क्यों हो सकते हैं और क्या ये कारण हमारे आवेदन को प्रभावित करते हैं। अंत में, हम “घनी संरचनाओं” पैराग्राफ में हमारी विधि के लिए एक चुनौतीपूर्ण परिदृश्य पर चर्चा करते हैं।
ज्यामिति उत्पादन
माइटोकॉन्ड्रिया की 3 डी ज्यामिति उत्पन्न करने के लिए, कंकाल के रूप में बी-स्लाइन वक्रों से बनाई गई एक सरल 2 डी संरचना सिंथेटिक डेटासेट के निर्माण के लिए अच्छी तरह से काम करती है। ये सिंथेटिक आकृतियाँ 2 डी सेल संस्कृतियों में देखे गए माइटोकॉन्ड्रिया के आकार का बारीकी से अनुकरण करती हैं। हालांकि, हृदय ऊतक जैसे 3 डी ऊतक के मामले में, माइटोकॉन्ड्रिया का आकार और व्यवस्था काफी अलग है। ऐसे मामलों में, सिम्युलेटेड छवियों में दिशात्मकता के अतिरिक्त विभाजन मॉडल के प्रदर्शन में सुधार हो सकता है।
सिम्युलेटर पैरामीटर
सिम्युलेटर के मापदंडों को सेट करते समय सावधानी बरतनी चाहिए ताकि यह सुनिश्चित किया जा सके कि वे अनुमान चलाने के लिए डेटा से मेल खाते हैं, क्योंकि ऐसा करने में विफलता से विभाजन पर कम प्रदर्शन हो सकता है। ऐसा ही एक पैरामीटर सिग्नल-टू-शोर अनुपात (एसएनआर) रेंज है। परीक्षण किए जाने वाले डेटा के एसएनआर की सीमा सिम्युलेटेड डेटासेट के मूल्यों से मेल खानी चाहिए। इसके अतिरिक्त, उपयोग किए गए पीएसएफ को लक्ष्य परीक्षण डेटा से मेल खाना चाहिए। उदाहरण के लिए, एक कॉन्फोकल पीएसएफ से मॉडल-प्रशिक्षित छवियों का उपयोग एपि-फ्लोरोसेंट माइक्रोस्कोप से छवियों का परीक्षण करने के लिए नहीं किया जाना चाहिए। ध्यान देने के लिए एक और पैरामीटर परीक्षण डेटा में अतिरिक्त आवर्धन का उपयोग है। यदि परीक्षण डेटा में अतिरिक्त आवर्धन का उपयोग किया गया है, तो सिम्युलेटर को भी उचित रूप से सेट किया जाना चाहिए।
स्थानांतरण शिक्षा
ट्रांसफर लर्निंग एक कार्य पर प्रशिक्षित एक सीखे हुए मॉडल का दूसरे कार्य में उपयोग के लिए लाभ उठाने की घटना है। यह घटना विभिन्न प्रकार के माइक्रोस्कोप डेटा के संबंध में हमारी समस्या पर भी लागू होती है। विभाजन मॉडल (स्रोत कोड के साथ प्रदान किया गया) के वजन जो एक प्रकार के माइक्रोस्कोपी डेटा पर प्रशिक्षित होते हैं, का उपयोग किसी अन्य प्रकार के ऑप्टिकल माइक्रोस्कोप डेटा पर उपयोग किए जाने वाले विभाजन मॉडल को शुरू करने के लिए किया जा सकता है। यह हमें प्रशिक्षण डेटासेट (10,000 की तुलना में 3,000 छवियों) के काफी छोटे उप-समूह पर प्रशिक्षित करने की अनुमति देता है, जिससे सिमुलेशन की कम्प्यूटेशनल लागत कम हो जाती है।
कण विश्लेषण
खंडित मुखौटे पर कण विश्लेषण भी किया जा सकता है। यह व्यक्तिगत माइटोकॉन्ड्रिया के क्षेत्र और वक्रता आदि पर जानकारी प्रदान कर सकता है। यह जानकारी माइटोकॉन्ड्रिया की मात्रात्मक तुलना के लिए मैट्रिक्स के रूप में भी काम कर सकती है (इस प्रयोग के लिए उपयोग नहीं किया जाता है)। उदाहरण के लिए, वर्तमान में, हम माइटोकॉन्ड्रिया की लंबाई के आधार पर एक सीमा का उपयोग करके डॉट आकृति विज्ञान को परिभाषित करते हैं। कुछ मामलों में, छोटे रॉड जैसे माइटोकॉन्ड्रिया को पंक्टा या डॉट-जैसे माइटोकॉन्ड्रिया से बेहतर ढंग से अलग करने के लिए अंडाकारता को शामिल करना उपयोगी हो सकता है। वैकल्पिक रूप से, यदि कुछ जैविक स्थितियां माइटोकॉन्ड्रिया को घुंघराले करने का कारण बनती हैं, तो माइटोकॉन्ड्रियल आबादी का विश्लेषण करने के लिए वक्रता परिमाणीकरण रुचि का हो सकता है।
अन्य उप-सेलुलर संरचनाओं का निर्माण
माइटोकॉन्ड्रिया और पुटिकाओं के लिए उपकोशिकीय संरचनाओं के भौतिकी-आधारितविभाजन का प्रदर्शन किया गया है। यद्यपि पुटिकाएं अलग-अलग आकार प्रदर्शित करती हैं, उनके आकार छोटे होते हैं, और प्रतिदीप्ति माइक्रोस्कोप के माध्यम से देखे जाने पर वे सरल गोले के रूप में दिखाई देते हैं। इसलिए, पुटिकाओं की ज्यामिति को एक उपयुक्त व्यास सीमा की गोलाकार संरचनाओं का उपयोग करके अनुकरण किया जाता है। इसका तात्पर्य है कि फ़ंक्शन में परिवर्तन संरचनाओं और संबंधित मापदंडों (प्रोटोकॉल अनुभाग में चरण 5.4) की ज्यामिति (माइटोकॉन्ड्रिया के मामले में सिलेंडर और पुटिकाओं के मामले में गोले) उत्पन्न करता है। ज्यामितीय रूप से, एंडोप्लाज्मिक रेटिकुलम और सूक्ष्मनलिकाएं भी ट्यूबलर संरचनाओं के रूप में अनुकरण की गईहैं। 150 एनएम व्यास के साथ एंडोप्लाज्मिक रेटिकुलम और 25 एनएम के औसत बाहरी व्यास और 15 एनएम व्यास की आंतरिक खोखले ट्यूब के साथ सूक्ष्मनलिकाएं मॉडलिंग इन संरचनाओं के आकार का अनुमान प्रदान करती है। एक अन्य पैरामीटर जो इन उप-सेलुलर संरचनाओं में से प्रत्येक के लिए भिन्न होगा, वह है फ्लोरोफोरे घनत्व। इसकी गणना बायोमोलेक्यूल के वितरण के आधार पर की जाती है जिसमें फ्लोरोफोरे बंधते हैं और बंधन की संभावना होती है।
जैविक जमीनी सच्चाई से अंतर
डीप लर्निंग मॉडल के सिमुलेशन-पर्यवेक्षित प्रशिक्षण के लिए उपयोग किए जाने वाले सिम्युलेटेड डेटा कई मायनों में वास्तविक डेटा से भिन्न होते हैं। (i) नकली आंकड़ों में गैर-विशिष्ट लेबलिंग की अनुपस्थिति वास्तविक डेटा से भिन्न होती है, क्योंकि वास्तविक डेटा में अक्सर फ्री-फ्लोटिंग फ्लोरोफोरे होते हैं। यह वास्तविक छवि में उच्च औसत पृष्ठभूमि मूल्य का कारण बनता है। इस अंतर को एसएनआर का मिलान करके और पृष्ठभूमि मूल्य को इस तरह सेट करके कम किया जाता है कि यह देखे गए वास्तविक मूल्यों से मेल खाता है। (ii) उपकोशिकीय संरचनाओं की गति और फोटोकाइनेटिक्स प्रणाली में गतिशीलता के दो स्रोत हैं। जीवित कोशिकाओं में चलती संरचनाएं (जो कुछ मिलीसेकंड की सीमा में चलती हैं) गति धुंधला हो जाती हैं। धुंधले प्रभाव से बचने के लिए वास्तविक डेटा अधिग्रहण के दौरान एक्सपोजर समय कम हो जाता है। दूसरी ओर, हम टाइमलैप्स का अनुकरण नहीं करते हैं और गतिहीन संरचनाओं को मानते हैं; यह धारणा तब मान्य होती है जब वास्तविक डेटा में एक्सपोजर समय छोटा होता है। हालांकि, यह धारणा आउटपुट में त्रुटि पैदा कर सकती है यदि वास्तविक डेटा का एक्सपोजर समय गति धुंधला पेश करने के लिए पर्याप्त बड़ा है। दूसरी ओर, फोटोकाइनेटिक्स माइक्रोसेकंड के लिए नैनोसेकंड के क्रम में है और सिमुलेशन में छोड़ा जा सकता है, क्योंकि प्रयोगों के सामान्य एक्सपोजर समय फोटोकाइनेटिक्स के प्रभावों को औसत करने के लिए पर्याप्त (मिलीसेकंड के क्रम में) हैं। (iii) माइक्रोस्कोप छवियों में शोर के अलग-अलग स्रोत होते हैं, और इन स्रोतों में अलग-अलग संभाव्यता घनत्व कार्य होते हैं। शोर के इन व्यक्तिगत स्रोतों को मॉडलिंग करने के बजाय, हम इसे एक निरंतर पृष्ठभूमि पर गॉसियन शोर के रूप में अनुमानित करते हैं। यह अंतर कम सिग्नल-टू-बैकग्राउंड अनुपात (2-4 की सीमा में) की स्थितियों के लिए डेटा वितरण को महत्वपूर्ण रूप से नहीं बदलता है और फ्लोरोफोरेस1 के मैक्रो घनत्व से निपटते समय। (iv) इमेजिंग में कलाकृतियां विपथन, बहाव और व्यवस्थित धुंध से उत्पन्न हो सकती हैं। हम माइक्रोस्कोप को अच्छी तरह से संरेखित मानते हैं और वास्तविक डेटा में विश्लेषण के लिए चुने गए क्षेत्र इन कलाकृतियों से रहित हैं। पीएसएफ 18,19,20 में इनमें से कुछ कलाकृतियों को मॉडलिंग करने की संभावना भी है।
घनी आबादी वाली संरचनाएं
नेटवर्क से ओवरलैपिंग रॉड को अलग करने में सक्षम नहीं होने के साथ कठिनाइयां 2 डी माइक्रोस्कोपी डेटा के विभाजन में एक लगातार समस्या है। चित्रा 5 में एक अत्यंत चुनौतीपूर्ण परिदृश्य प्रस्तुत किया गया है, जहां माइटोकॉन्ड्रिया घनी पैक होते हैं, जो विभाजन मॉडल और निम्नलिखित विश्लेषण में उप-इष्टतम परिणामों की ओर जाता है। इस चुनौती के बावजूद, कंकालीकरण को पतला करने के लिए ऐसी स्थितियों में रूपात्मक ऑपरेटरों का उपयोग करने से इन अत्यधिक जुड़े नेटवर्क को तोड़ने में मदद मिल सकती है, जबकि सभी माइटोकॉन्ड्रियल आकृति विज्ञान श्रेणियों में महत्वपूर्ण परिवर्तनों का अभी भी पता लगाया जा सकता है। इसके अतिरिक्त, इमेजिंग के लिए वाइडफील्ड माइक्रोस्कोप के बजाय कॉन्फोकल का उपयोग आउट-ऑफ-फोकस प्रकाश को समाप्त करके इस समस्या को आंशिक रूप से कम करने का एक तरीका है। इसके अलावा, भविष्य में, रॉड जैसे माइटोकॉन्ड्रिया से प्रतिच्छेद (यानी, शारीरिक रूप से एक नेटवर्क बनाते हैं) को अलग करने के लिए 3 डी विभाजन करना उपयोगी होगा, जिनके एक विमान में अनुमान एक दूसरे के साथ ओवरलैप होते हैं।
डीप-लर्निंग विभाजन एक आशाजनक उपकरण है जो माइक्रोस्कोपी उपयोगकर्ताओं की विश्लेषण क्षमताओं का विस्तार करने की पेशकश करता है, इस प्रकार जटिल डेटा और बड़े मात्रात्मक डेटासेट के स्वचालित विश्लेषण की संभावना खोलता है, जो पहले अप्रबंधनीय होता।
The authors have nothing to disclose.
लेखक आरिफ अहमद शेख के साथ चर्चा को स्वीकार करते हैं। ज़म्बरलाल भुजबल को स्थिर H9c2 कोशिकाओं के निर्माण में मदद करने के लिए स्वीकार किया जाता है। हम निम्नलिखित वित्त पोषण को स्वीकार करते हैं: ईआरसी अनुदान संख्या 804233 (केए को), वैज्ञानिक नवीकरण अनुदान संख्या 325741 के लिए शोधकर्ता परियोजना (डीकेपी को), उत्तरी नॉर्वे क्षेत्रीय स्वास्थ्य प्राधिकरण अनुदान संख्या एचएनएफ 1449-19 (एबीबी), और यूआईटी की विषयगत वित्त पोषण परियोजना वर्चुअलस्टेन के साथ क्रिस्टिन प्रोजेक्ट आईडी 2061348 (डी.के.पी., ए.बी.बी.बी., के.ए., और ए.एच.)।
12-well plate | FALCON | 353043 | |
Aqueous Glutaraldehyde EM Grade 25% | Electron Microscopy Sciences | 16200 | |
Axio Vert.A1 | Zeiss | Brightfield microscope | |
CCCP | Sigma-Aldrich | C2759 | |
Computer | n/a | n/a | Must be running Linux/Windows Operating System having an NVIDIA GPU with at least 4GB of memory |
Coverslips | VWR | 631-0150 | |
DAPI (stain) | Sigma-Aldrich | D9542 | |
DMEM | gibco | 11966-025 | |
Fetal Bovine Serum | Sigma-Aldrich | F7524 | |
Glass Slides (frosted edge) | epredia | AA00000112E01MNZ10 | |
H9c2 mCherry-EGFP-OMP25 | In-house stable cell line derived from purchased cell line | ||
Incubator | Thermo Fisher Scientific | 51033557 | |
LSM 800 | Zeiss | Confocal Microscope | |
Mounting Media (Glass) | Thermo Fisher Scientific | P36980 | |
Paraformaldehyde Solution, 4% in PBS | Thermo Fisher Scientific | J19943-K2 | |
Plan-Apochromat 63x oil (M27) objective with an NA of 1.4 | Zeiss | 420782-9900-000 | |
Sterile laminar flow hood | Labogene | SCANLAF MARS | |
Trypsin | Sigma-Aldrich | T4049 | |
Vacusafe aspiration system | VACUUBRAND | 20727400 | |
ZEN 2.6 | Zeiss |