Görüntüleme Akış Sitometrisi ve Yapay Zeka Kullanılarak Mikronükleus Testinin Otomasyonu
January 27th, 2023
Mikroçekirdek (MN) testi, DNA hasarını ölçmek için iyi kurulmuş bir testtir. Bununla birlikte, manuel mikroskopi veya özellik tabanlı görüntü analizi gibi geleneksel teknikleri kullanarak tahlilin puanlanması zahmetli ve zordur. Bu makalede, görüntüleme akışı sitometri verilerini kullanarak MN testini puanlamak için bir yapay zeka modeli geliştirme metodolojisi açıklanmaktadır.
Mikronükleus testinin görüntüleme akış sitometrisi kullanılarak gerçekleştirilmesi, düşük verim, skor değişkenliği ve olayların görsel olarak doğrulanmaması gibi geleneksel yöntemlerin birçok sınırlamasının üstesinden gelir. Bu tekniğin temel avantajı, tüm önemli olayların görüntüleme akış sitometrisi kullanılarak elde edilebilmesi ve yapay zeka kullanılarak analiz edilebilmesidir. Bu yöntem, şu anda mevcut olandan daha yüksek verimde toksisiteyi test etmek için kimyasalların ve diğer bileşiklerin büyük ölçekli taranmasında kullanılma potansiyeline sahiptir.
Yeni bir AI modeli oluştururken, asıl zorluk mikroçekirdekli hücrelerin yeterli görüntülerini elde etmektir, bu nedenle görüntü etiketleme algoritmalarını kullanmak önemlidir. Başlamak için Yapay Zeka veya AI yazılımını başlatın. Deneme Türü altında, Evrişimli Sinir Ağı veya CNN modelini oluşturmaya yönelik bir eğitim denemesi başlatmak için Eğit'in yanındaki radyo düğmesini tıklatın ve İleri'yi tıklatın.
Sınıf Adları'nda, Ekle'ye tıklayın. Açılır pencerede, Mononucleated yazın ve mononucleated sınıfı sınıf adları listesine eklemek için Tamam'a tıklayın. MN ile Mononükleated, Binucleated, MN ile Binükleated, Polynucleated ve Irregular morfoloji gibi diğer sınıf adlarını eklemek için bu işlemi tekrarlayın.
Dosya Seç altında, Dosya Ekle'ye tıklayın ve temel doğruluk verilerini oluşturmak için AI yazılımına eklenmesi istenen dosyalara göz atın. Ardından, Temel Popülasyon Seç ekranında, popülasyon hiyerarşisinden apoptotik olmayan popülasyonu bulun. Ardından apoptotik olmayan popülasyona sağ tıklayın, Tüm Eşleşen Popülasyonları Seç'i seçin ve İleri'ye tıklayın.
Mikronükleuslu mononüklee hücrelerin etiketli bir doğruluk popülasyonunu atamak için, soldaki Model Sınıfları altındaki MN sınıfı ile mononükleated öğesine tıklayın ve ardından sağdaki uygun etiketli doğruluk popülasyonuna tıklayın. Tüm uygun gerçek popülasyonları atandıktan sonra, İleri'ye tıklayın. Kanalları Seç ekranında, deneme için uygun kanalların seçildiğinden emin olun.
Burada, birinci kanal olarak Parlak Alan veya BF'yi, kanal yedi olarak DNA sürülerini seçin ve ardından İleri'ye tıklayın. Son olarak, Onay ekranında Deneme Oluştur'a tıklayın. Etiketleme aracı arayüzünü başlatmak için Etiketleme'ye tıklayın.
Ardından, daha kolay görüntüleme için görüntüleri kırpmak üzere yakınlaştırma araçlarına tıklayın. Görüntü boyutunu ayarlamak ve galeride gösterilecek görüntü sayısına karar vermek için kaydırma çubuğuna tıklayın. Ekran Ayarı seçeneğine tıklayın ve tüm önemli olayları tanımlamak için en iyi kontrast görüntüsünü sağlayan min-max'i seçin.
Ardından, DNA görüntüsünün rengini sarı veya beyaza değiştirmek için Galeri Ekranını Ayarla'ya tıklayın, bu da küçük nesnelerin görselleştirilmesini iyileştirecektir. Benzer morfolojiye sahip görüntüleri birlikte gruplandırmak üzere algoritmayı çalıştırmak için Küme'ye tıklayın. Kümeleme tamamlandıktan sonra, tek tek kümelere tıklayın ve görüntüleri uygun model sınıflarına atamaya başlayın.
Her model sınıfına en az 25 nesne atandıktan sonra, tahmin algoritması kullanılabilir hale gelir. Tahmin'e tıklayın. Tahmin algoritması çalışmayı tamamladıktan sonra, tahmin edilen sınıflardan nesneleri uygun model sınıflarına ekleyin.
Her model sınıfına en az 100 nesne atandıktan sonra, ekranın üst kısmındaki Eğitim sekmesine ve ardından Eğit düğmesine tıklayın. Model eğitimi tamamlandıktan sonra, model doğruluğunu değerlendirmek için Sonuçları Görüntüle'ye tıklayın. Model eğitimi tamamlandıktan sonra, yeni bir deneme tanımlamak için menü düğmesine tıklayın.
Deneme Türü altında, sınıflandırma denemesi başlatmak için Sınıflandır'ın yanındaki radyo düğmesini tıklatın ve İleri'yi tıklatın. Sınıflandırma için kullanılacak modele tıklayın, ardından İleri'ye tıklayın. Dosya Seç ekranında, Dosya Ekle'ye tıklayın.
CNN modeline göre sınıflandırılacak dosyalara göz atın ve ardından İleri'ye tıklayın. Ardından, Temel Popülasyon Seç ekranında, yüklenen dosyalardan birinde apoptotik olmayan popülasyonun yanındaki onay kutusuna tıklayın. Apoptotik olmayan popülasyona sağ tıklayın, yüklenen tüm dosyalardan bu popülasyonu seçmek için Tüm Eşleşen Popülasyonları Seç'e tıklayın ve ardından İleri'ye tıklayın.
Kanalları Seç ekranında, Parlak Alan için birinci kanalın ve DNA lekesi için yedinci kanalın seçildiğini doğrulayın ve İleri'yi tıklatın. Son olarak, onay ekranında Deneme Oluştur'a tıklayın. AI yazılımı, seçilen modeli ve seçilen veri dosyalarından tüm görüntüleri yükler.
Yükledikten sonra Son'a tıklayın. Ardından, sınıflandırma ekranını başlatmak için Sınıflandır'a tıklayın. Ayrıca, Rastgele Orman veya RF ve CNN kullanmayı seçmek için onay kutularını kullanın.
Ardından Sınıflandır düğmesine tıklayın. Bu, ek verileri sınıflandırmak ve belirtilen model sınıflarına ait tüm nesneleri tanımlamak için RF ve CNN modellerini kullanma işlemini başlatır. Sınıflandırma tamamlandıktan sonra, Sonuçları Görüntüle'ye tıklayın.
DAF'ları sınıflandırma sonuçlarıyla güncelleştir penceresini açmak için DAF'ları Güncelleştir düğmesini tıklatın ve ardından DAF dosyalarını güncelleştirmek için Tamam'ı tıklatın. Raporu oluşturmak için, sonuçlar ekranında Rapor Oluştur'a tıklayın. Her giriş DAF'ı için ayrı bir rapor gerekiyorsa, Her giriş DAF'ı için rapor oluştur'un yanındaki onay kutusunu işaretleyin.
Aksi takdirde, raporları almak için Tamam'a tıklamanız yeterlidir. AI destekli küme algoritması, hem sınıflandırılmamış nesnelerin hem de temel doğruluk modeli sınıflarına atanan nesnelerin morfolojisine göre, bir segment içindeki benzer nesneleri birlikte gruplandırır. Monoçekirdekli hücreler içeren kümeler nesne haritasının bir tarafına düşerken, çok çekirdekli hücreler diğer taraftadır.
Binüklee hücre kümeleri, mono ve çok çekirdekli hücre kümeleri arasına girer. Son olarak, düzensiz morfolojiye sahip kümeler, nesne haritasının farklı alanlarına düşer. Tahmin algoritması, görüntülerdeki ince morfolojileri tanımlamada küme algoritmasından daha sağlamdır.
Örneğin, MN'li Mononüklee Hücrelere karşı MN'siz Mononüklee Hücreler. Modelin performansı, sınıf dağılımı histogramları, doğruluk istatistikleri ve etkileşimli bir karışıklık matrisi gibi araçlar kullanılarak değerlendirilebilir. Sınıf dağılımı histogramlarında, gerçek ve tahmin edilen popülasyonlar arasındaki yüzde değerleri ne kadar yakınsa, model o kadar doğru olur. Doğruluk istatistiklerinde, bu metrikler %100'e ne kadar yakınsa, model sınıflarındaki olayları tanımlamada model o kadar doğru olur.
Son olarak, etkileşimli karışıklık matrisi, modelin olayları nerede yanlış sınıflandırdığını gösterir. Genotoksisite, hem Sitokalasin B hem de Sitokalasin B yöntemleri kullanılarak, Mannitol, Etopositid ve Mitomisin C için 3 saatlik maruz kalma ve 24 saatlik iyileşmeyi takiben mikroskopi ile mikronükleus yüzdesi ile ölçüldü. Bir eğitim denemesi oluştururken, yüklenen verilerin pozitif ve negatif kontrol örneklerinden görüntüler içerdiğinden emin olun.
Mikroçekirdekler nadirdir ve doğru bir AI modeli oluşturmak için yeterli görüntü gereklidir. Bu prosedür, radyasyon biyodozimetrisi gibi herhangi bir çalışma alanındaki görüntüleme akışı mikronükleus verilerini analiz etmek için AI modellerinin oluşturulmasına izin verir. Mikroçekirdekleri tanımlamak için hızlı ve sağlam bir AI tabanlı yöntem, kanser gelişimi riski için öngörücü olabilecek mikroçekirdeklerin nicelleştirilmesi gibi diğer uygulamalara da uzanabilir.
View the full transcript and gain access to thousands of scientific videos
Genel Bakış
Mikronükleus tahlili, DNA hasarını değerlendirmek için kritik bir testtir, ancak geleneksel olarak emek yoğun puanlama yöntemleri ile zorlanmaktadır. Bu çalışma, görüntüleme akış sitometrisi ve yapay zekayı kullanarak tahlilin verimliliğini ve doğruluğunu artıran yeni bir yaklaşım sunar.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Nörobilim
- Biyoteknoloji
- Genetik
Arka Plan
- Mikronükleus tahlili, DNA hasarını kantitativleştirmek için yaygın olarak kullanılır.
- Geleneksel puanlama yöntemleri genellikle zaman alıcı ve özneldir.
- Görüntüleme akış sitometrisi, yüksek verimli analiz sağlayarak bir çözüm sunar.
- Yapay zeka, puanlama doğruluğunu ve tutarlılığını artırabilir.
Çalışmanın Amacı
- Mikronükleus tahlilinin puanlanması için bir yapay zeka modeli geliştirmek.
- Veri toplamayı artırmak için görüntüleme akış sitometrisini kullanmak.
- Toksisite testi için kimyasallarda geniş ölçekli tarama yapmayı kolaylaştırmak.
Kullanılan Yöntemler
- Önemli hücresel olayları yakalamak için görüntüleme akış sitometrisi.
- Görüntüleme verilerini analiz etmek için yapay zeka.
- Yapay zeka modeli için eğitim verisini geliştirmek için görüntü etiketleme algoritmaları.
- Puanlama için Konvolüsyonel Sinir Ağı (CNN) modeli geliştirilmesi.
Ana Sonuçlar
- Yapay zeka modeli, geleneksel yöntemlere kıyasla daha iyi puanlama tutarlılığı göstermiştir.
- Görüntüleme akış sitometrisi kullanılarak yüksek verimlilik elde edilmiştir.
- Hücre görüntülerinde mikronüklei başarıyla tanımlanmıştır.
- Yöntem, geniş ölçekli toksisite taraması için umut vaat etmektedir.
Sonuçlar
- Görüntüleme akış sitometrisi ile yapay zeka kombinasyonu, mikronükleus tahlilini geliştirir.
- Bu yaklaşım, geleneksel puanlama yöntemlerinin sınırlamalarını giderir.
- Çalışma, daha verimli toksisite testi metodolojilerinin önünü açar.
Sıkça Sorulan Sorular
Executive Industry Relevance
Automating the micronucleus assay with imaging flow cytometry and AI addresses longstanding challenges in genetic toxicity testing, including throughput, reproducibility, and subjective scoring. This workflow enables high-confidence, quantitative assessment of genotoxicity, supporting robust decision-making at critical discovery and preclinical inflection points. The integration of AI-driven image analysis positions the assay for scalable, enterprise-wide deployment in compound screening pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables rigorous interrogation of genotoxicity hypotheses for candidate compounds.
- Supports functional validation of toxicity pathways through quantitative micronucleus detection.
- Facilitates predictive confidence in early-stage portfolio triage by reducing scoring subjectivity.
Screening & Assay Development
- Delivers standardized, reproducible scoring of cellular events for assay development workflows.
- Prepares validated image-based systems for high-throughput compound screening.
- Enables scalable, automated evaluation of large chemical libraries for genotoxic risk.
Translational & Preclinical Research
- Aligns genotoxicity assessment with regulatory and translational biomarker requirements.
- Ensures continuity of quantitative endpoints from discovery through preclinical validation.
- Reduces mechanistic ambiguity in risk-adjusted advancement decisions.
Pipeline & Workflow Integration
This AI-enabled micronucleus assay integrates seamlessly from early discovery through lead identification and preclinical safety assessment.
- Discovery Biology: Provides robust hypothesis testing and pathway de-risking for genotoxicity liabilities.
- Screening: Offers reproducible, quantitative outputs for compound prioritization and hit triage.
- Analytics: Supplies detailed accuracy statistics, confusion matrices, and class distribution histograms for data-driven decision support.
- Translational Research: Maintains biomarker alignment and quantitative continuity across R&D stages.
- Enterprise Reuse: Establishes a scalable, automated platform for ongoing genotoxicity evaluation across programs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in genotoxicity assessment.
- Operational Value: Standardizes and automates scoring, improving reproducibility and throughput.
- Strategic Value: Enables more informed go/no-go decisions and capital-efficient portfolio management.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of safer candidates.
Implementation Considerations
- Requires expertise in imaging flow cytometry and AI model training.
- Demands robust instrumentation and computational infrastructure for image acquisition and analysis.
- Necessitates cross-team standardization of image tagging and model class definitions.
- Must ensure sufficient representation of rare events, such as micronuclei, in training datasets.
- Dependent on quality control of input imagery and validation against manual scoring benchmarks.
Biopharma FAQs
Chapters in this video
0:05
Introduction
0:49
Creating an Experiment in the Artificial Intelligence (AI) Software
2:41
Populating the Ground Truth Data Using A‐Assisted Tagging Tools and Training the Model
4:11
Classifying Data Using the Model and Generating Report
6:28
Results: Validation of the AI‐Assisted Cluster and Predict Algorithms
8:23
Conclusion
