Görüntüleme Akış Sitometrisi ve Yapay Zeka Kullanılarak Mikronükleus Testinin Otomasyonu

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.