Etiket içermeyen lenfosit alt türlerinden üç boyutlu nicel faz Imaging'i kullanma tanımlaması ve öğrenme makine
19 Kasım 2018
Biz lenfosit alt türlerinden nicel faz görüntüleme ve bir makine öğrenimi algoritması kullanarak etiket içermeyen tanımlaması için bir iletişim kuralı tanımlamak. 3D kırılma indisi tomograms lenfositlerin ölçümleri sonra hücre tiplerinin tanımlanması için bir makine-öğrenme algoritması ile analiz edilir 3D morfolojik ve biyokimyasal bilgilerini tek tek hücreler, mevcut.
Bu yöntem, zaman alan, maliyetli ve numunelerin hücresel işlevini değiştirme riskitaşıyan geleneksel floresan etiketleme ve akış sitometri sitometrisi analizi prosedürüne alternatif sağlar. Bu tekniğin en büyük avantajı, hızlı ve doğru lenfosit tanımlamasını sağlayan etiketsiz ve nicel yöntemler olan üç boyutlu refraktif indeks tomografisi ve makine öğrenimidir. Lenfositlerin belirlenmesi gibi bu tekniğin etkileri kan kanserlerinin ve otoimmün hastalıkların tedavisine doğru uzanır hastalık tanısı ve uygun tedavi uygulaması için çok önemli olabilir.
Bu yöntem lenfosit popülasyonları içine fikir sağlayabilir rağmen, aynı zamanda bakteriler de dahil olmak üzere ilgi diğer tek hücrelerin analizi için uygulanabilir. Tekniğin nasıl gerçekleştirilebileceğine dair net bir talimatı kolaylaştıran ve uygulamalarına ışık verebildiği için, 3B nicel faz görüntüleme teknolojisinin görsel gösterimi çok önemlidir. Floresan aktive hücre sıralama ile her lenfosit alt toplayarak başlayın.
Optimal görüntüleme için, her hücre örneğini RPMI ortamının mikrolitresi başına 180 hücre konsantrasyonuna seyreltin ve yavaş yavaş ilk seyreltilmiş numunenin 120 mikrolitresini bir görüntüleme odasına enjekte edin. Oda içinde kabarcıkların eksikliğini doğruladıktan sonra, 3B kantitatif faz mikroskobunun objektif merceği üzerine bir damla distile su yerleştirin ve görüntüleme odasını mikroskobun çeviri aşamasına yerleştirin. Aşamayı, numunenin nesnel lensle aynı hizaya uyacak şekilde ayarlayın ve sırasıyla nesnel ve kondansatör lenslerin eksenel konumlarını ayarlamak için görüntüleme yazılımının mikroskop perspektifinin kalibrasyon sekmesinde odak ve yüzeye tıklayın.
Objektif ve kondansatör lensleri hizalamak için Otomatik mod'a tıklayın. Hizalamayı optimize etmek için Tarama modunu açın ve dijital mikroayna cihaz desenini merkeze hizalamak için lensleri manuel olarak ayarlayın. Ardından, Normal moduna dönün ve görünüm alanında bir hücre bulmak için çeviri aşamasını ayarlayın.
Ekranda görselleştirilen örnek sınır neredeyse görünmez olana kadar odak düzlemini bulmak için objektif lensin eksenel konumunu ayarlayın. En iyi 3DRI tomogramı oluşturmak için hücrenin odak noktasını mükemmel bir şekilde ayarlamak önemlidir. Görüntü düzgün alınmazsa, 3D rekonstrüksiyon bozulur ve bu da gürültülü bir tomograma neden olur.
Hücresi olmayan bir konumu bulmak için çeviri aşamasını ayarlayın ve farklı aydınlatma açılarına sahip birden fazla 2D hologramı ölçmek için Kalibrasyon'u tıklatın. Görünüm alanının merkezinde bir hücre bulmak için çeviri aşamasını ayarlayın. Ve Edinme sekmesinin altında, görüntüalınan örneği adlandırın.
Sadece ölçülen 2B hologramlar için aynı aydınlatma açıları kullanarak hücrenin hologramları ölçmek için 3B Snapshot'ı tıklatın. Elde edilen veriler Veri Yönetimi panelinde göründüğünde, görüntüleme yazılımında uygulanan kınık tomografi algoritmasını kullanarak 2B hologramlardan 3B kırılma indisi tomogramını yeniden oluşturmak için verileri sağ tıklatın ve İşlem'i tıklatın. Görüntülemeden sonra, Veri Yönetimi panelinde, verilere sağ tıklayın ve verileri görselleştirmek için Aç'ı tıklatın.
Yeniden konumlandırmak için hücrenin ortasını tıklatın ve Veri Yöneticisi panelinde RI Tomogram'ı tıklatın. Önceden Ayarlanmış sekmesinde Yükle'yi tıklatın ve lenfositi çift tıklatın. 3DRI dağılımlarına göre tomogramı görselleştirmek için görüntüleme yazılımı tarafından sağlanan önceden tanımlanmış bir aktarım fonksiyonu olan xml.
Yakınlaştırmak için fareyi kaydırın ve hücreyi herhangi bir yöne döndürmek için sürükleyin. Kantitatif morfolojik ve biyokimyasal özellik çıkarma için tüm tomografik verileri tek bir klasöre yerleştirin ve hücre türlerini ana klasördeki tek tek alt klasörler içinde bölün. Ardından, uygun görüntüleme yazılımındaki ek özellik çıkarma dosyasını açın ve verilerin ayıklanması gereken tomogram klasörünü belirlemek için satır 14'ü düzenleyin.
Ayıklanan özellik verilerinin kaydedilen klasörü belirlemek ve kodu yürütmek için satırı 15'i düzenleyin. Veri kümesindeki her tomogram için kod yüzey alanını, hücresel hacmi, herbiri kadar olan protein yoğunluğunu ve kırılma indisi başına kuru kütleyi hesaplar. Denetimli öğrenme ve tanımlama için, çıkarılan özellik verilerini rasgele ayrı eğitim ve test seti klasörlerine bölmek için MATLAB'daki basit rasgele bölme algoritmasını kullanın.
Ek eğitim dosyasını açın ve eğitim kümesi klasörünü belirlemek için satırı 14'ü, eğitilen sınıflayıcıyı kaydetmek için klasörü belirlemek için 16 satırını ve sınıflandırıcı için bir dosya adı ayarlamak için 17 satırını düzenleyin. O zaman kodu çalıştır. Eğitim kümesinin seçili özelliklerini kullanarak, kod K en yakın komşu algoritması ile bir sınıflandırıcı eğitir ve sınıflandırıcıyı belirlenen klasöre kaydeder.
Ardından, ek test dosyasını üç açın ve test edilecek eğitilmiş sınıflandırıcıyı belirlemek için 14 ile 15 arası satırları ve eğitilmiş test kümesini belirlemek için 17. O zaman kodu çalıştır. Sınıflandırıcı test kümesinde bireysel lenfositlerin hücre tiplerini tanımlar.
Burada temsili 3D b lenfositlerin kırılma indeksi tomogramları, CD4 pozitif T lenfositler ve farklı renk şemaları ile CD8 pozitif T lenfositler, görüntüleme yazılımı ile atanan kırılma indeks değerlerine göre tahsis gösterilmiştir. Kırılma indisi değerlerinden nicel morfolojik ve biyokimyasal özellikler hesaplanabilir. Bu deneyde eğitim ve test olgularında T ve B lenfosit sınıflamının doğruluğu sırasıyla %93.15 ve %89.81 idi.
CD4 pozitif ve CD8 pozitif T lenfositleri istatistiksel olarak sınıflandırıldı ve doğruluk oranı sırasıyla eğitim ve test setleri için %87.41 ve %84.38 idi. Son olarak, çok sınıflı, hücre tipi sınıflandırıcının doğruluğu eğitim ve test aşamaları için sırasıyla %80,65 ve %75,93 idi. Görüntü kalitesi ve sayısı bu tekniğin başarısı için gereklidir.
Görüntü kalitesi ne kadar iyi ve veri hacmi ne kadar yüksekse, tanımlamanın doğruluğu da o kadar iyi. Derin öğrenme, tomogramların karmaşık verilerini daha iyi analiz etmek ve tanımlama performansını artırmak için kullanılabilir. Ayrıca, floresan ve 3D kantitatif faz görüntüleme tanımlanan lenfositlerin fizyolojik rollerinin yolunu araştırmak için kullanılabilir.
Bu teknik, geliştirildikten sonra hücre biyolojisi ve biyotıp alanlarında ki araştırmacıların farklı organizmalar içinde belirli ilgi çekici hastalıkları keşfetmelerinin önünü açmıştır. Gerçekten de, özellikle immünolojistler, ilgi nüfusunu tanımlamak için bu yeni teknolojiyi kullanarak yararlanabilir.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu makale, makine öğrenimi ile birleştirilmiş kantitatif faz görüntüleme kullanarak lenfosit alt tiplerini tanımlamak için etiketsiz bir yöntem sunmaktadır. Bu teknik, geleneksel floresan etiketleme ve akış sitometrisine hızlı ve doğru bir alternatif sunar.
Temel Çalışma Bileşenleri
Bilim Alanı
- Nörobilim
- Hücre Biyolojisi
- İmmünoloji
Arkaplan
- Lenfosit tanımlama için kullanılan geleneksel yöntemler zaman alıcı ve maliyetli olabilir.
- Floresan işaretleme, hücresel fonksiyonları değiştirebilir.
- 3D kırılma indisi tomografisi, ayrıntılı morfolojik ve biyokimyasal bilgiler sağlar.
- Makine öğrenimi, hücre tipi tanımlamanın doğruluğunu artırır.
Çalışmanın Amacı
- Lenfosit alt tip belirlemesi için etiketsiz bir teknik geliştirmek.
- Lenfosit analizinin hızını ve doğruluğunu artırmak.
- Kan kanseri ve otoimmün hastalık tedavilerindeki uygulamaları araştırmak.
Kullanılan Yöntemler
- 3B kırılma indisi tomografisi için kantitatif faz görüntüleme.
- Hücre tipi tanımlama için makine öğrenimi algoritmaları.
- Lenfosit alt küme koleksiyonu için floresanla aktive edilmiş hücre ayıklama.
- Tekniğin anlaşılmasını kolaylaştırmak için görsel gösterimler.
Temel Sonuçlar
- Yöntem, lenfosit alt tiplerinin hızlı ve doğru bir şekilde tanımlanmasına olanak tanır.
- Lenfosit popülasyonları ve diğer tek hücreler hakkında bilgiler sağlar.
- Teknik, immünolojinin ötesindeki çeşitli alanlara uygulanabilir.
- Görsel gösterimler, protokolün eğitici kalitesini artırmaktadır.
Sonuçlar
- Bu etiketsiz yöntem, lenfosit analizinde önemli bir ilerlemeyi temsil etmektedir.
- Kan kanserlerinin ve otoimmün hastalıkların teşhis ve tedavisi üzerinde potansiyel etkileri bulunmaktadır.
- Bu yaklaşım, uygulanabilirliğini genişleterek diğer hücre tiplerine de uyarlanabilir.
Sıkça Sorulan Sorular
Sektörel Uygulama ve Önemi
Lenfosit alt tiplerinin etiketsiz tanımlanması, hücresel fonksiyonları bozabilen ve değişkenliğe yol açabilen floresan işaretleme ihtiyacını ortadan kaldırarak immünoloji ve immüno-onkoloji araştırmalarındaki temel bir darboğazı çözer. Bu yöntem, tek hücre çözünürlüğünde bağışıklık hücrelerinin hızlı, kantitatif ve tekrarlanabilir fenotipik profillemesini sağlayarak, erken keşif aşamasındaki hedef doğrulama ve mekanistik risk azaltma süreçlerini destekler. 3D kırılma indisi tomografisinin makine öğrenimi ile entegrasyonu, kan kanserleri ve otoimmün hastalıkların preklinik modellerinde immün izleme için ölçeklenebilir bir platform sunar.
Biyofarma Ar-Ge'de Stratejik Uygulamalar
Erken Keşif ve Hedef Doğrulama
- Bilimsel Değer: Ekzojen etiketler olmadan lenfosit alt popülasyonlarının sorgulanmasına olanak tanıyarak, doğru hedef hipotezi testleri için doğal fenotip ve fonksiyonun korunmasını sağlar.
- Operasyonel Değer: Antikor boyamasıyla ilişkili analiz karmaşıklığını ve değişkenliğini azaltarak, laboratuvarlar ve zaman noktaları arasındaki tekrarlanabilirliği artırır.
- Öngörücü Değer: Etiketsiz bir bağlamda morfolojik ve biyokimyasal özellikleri hücre kimliği ile ilişkilendirerek, immünomodülatör hedeflerin fonksiyonel validasyonunu destekler.
Tarama ve Analiz Geliştirme
- Bilimsel Değer: 3D RI tomogramlarından kantitatif morfolojik ve biyokimyasal özellikler (örneğin hacim, küresellik, protein yoğunluğu) üreterek çok parametreli immün hücre fenotiplemesine olanak tanır.
- Operasyonel Değer: İntrinsik optik kontrast aracılığıyla analiz standardizasyonunu kolaylaştırır, antikor etiketlemesinden kaynaklanan parti etkilerini ve cihaz değişkenliğini ortadan kaldırır.
- Ölçeklenebilirlik: İlaç tarama kampanyalarında geniş ölçekli immün profilleme için yüksek içerikli görüntüleme iş akışları ve makine öğrenimi boru hatları ile uyumludur.
Translasyonel ve Preklinik Araştırmalar
- Translasyonel Süreklilik: Hücresel fizyolojiyi bozmadan preklinik hastalık modellerinde lenfosit alt tiplerinin boylamsal takibine olanak tanıyarak biyobelirteç uyumlu etkinlik sonuçlarını destekler.
- Mekanistik Risk Azaltma: Terapötik adaylara karşı immün hücre yanıtlarının etiketsiz doğrulamasını sağlayarak etiketleme artefaktlarından kaynaklanan yanlış pozitifleri azaltır.
- Öngörü Güveni: Çok sınıflı lenfosit sınıflandırmasında %80'in üzerinde doğruluk sağlayarak translasyonel çalışmalarda güvenilir immün monitöringi destekler.
Boru Hattı ve İş Akışı Entegrasyonu
Yöntem, immün hedef etkileşiminden fonksiyonel doğrulamaya kadar uzanan keşif sürekliliğine uyum sağlayarak, hit tanımlama ve öncü bileşik optimizasyon aşamaları arasında etiketsiz immün izlemeye olanak tanır.
- Keşif Biyolojisi: Kantitatif, etiketsiz immün hücre fenotiplemesi sağlayarak immünomodülatör mekanizmaların hipotez testlerini destekler.
- Tarama: Bileşiklerin lenfosit morfolojisi ve yoğunluğu üzerindeki etkilerinin karşılaştırılmasına olanak tanıyan tekrarlanabilir, kantitatif çıktılar (örneğin, kuru kütle, yüzey alanı) sunar.
- Analitik: Makine öğrenimi sınıflandırıcılarıyla uyumlu yapılandırılmış özellik veri setleri oluşturarak objektif, veri odaklı hücre tipi tanımlamasına imkan tanır.
- Translasyonel Araştırma: Hastalık modellerinde immün hücre dinamiklerinin invaziv olmayan izlenmesine izin vererek preklinik süreklilikle bağlantı kurar.
- Kurumsal Yeniden Kullanım: Terapötik alanlar ve model sistemler genelinde uygulanabilir, yeniden kullanılabilir etiketsiz bir immün profilleme platformu oluşturur.
Operasyonel ve Kurumsal Etki
- Bilimsel Değer: Etiketlemeden kaynaklanan artefaktların oluşturduğu mekanistik belirsizliği azaltarak, hedef doğrulamadaki öngörü güvenini artırır.
- Operasyonel Değer: Standartlaştırılmış, etiketsiz görüntüleme ve otomatik özellik çıkarımı yoluyla tekrarlanabilirliği ve işlem hacmini geliştirir.
- Stratejik Değer: Güvenilir immün yanıt verileri sağlayarak, immüno-onkoloji ve otoimmün hastalık programlarında geç evre başarısızlık riskini azaltır ve go/no-go kararlarını iyileştirir.
- Portföy Etkisi: Kantitatif, etiketsiz immün hücre fenotiplerine dayanarak, immünomodülatör adayların riske göre ayarlanmış önceliklendirmesini sağlar.
Uygulama Hususları
- Kantitatif faz görüntüleme, 3D tomogram rekonstrüksiyonu ve özellik çıkarımı ile sınıflandırma için makine öğrenimi iş akışları konusunda uzmanlık gerektirir.
- 3D kantitatif faz mikroskobuna ve kırılma indisi tomografisi ile tomogram görselleştirme yapabilen bir yazılıma erişime bağlıdır.
- Kullanıcılar ve merkezler arasında tomogram kalitesini ve tekrarlanabilirliğini sağlamak için standartlaştırılmış hücre hazırlama ve görüntüleme protokollerini zorunlu kılar.
- Özellik çıkarım hatlarının, kırılma indisi dağılımlarına bağlı olarak farklı lenfosit alt kümelerine veya model sistemlerine uyarlanmasını gerektirir.
- Yüksek kaliteli 3D RI tomogramlarına duyulan ihtiyaçla sınırlıdır; suboptimal odaklama veya örnek hazırlama, rekonstrüksiyonu bozabilir ve sınıflandırma doğruluğunu azaltabilir.
Biyofarma SSS
Chapters in this video
0:04
Title
1:17
3D Quantitative Phase Imaging
4:34
Quantitative Morphological and Biochemical Feature Extraction and Supervised Learning and Identification
6:42
Results: Representative Label-Free Lymphocyte Subtype 3D Phase Imaging Identification
7:56
Conclusion
