المستندة إلى علم التشكل التمييز بين صحية ومرضية الخلايا استخدام فورييه التحويلات وخرائط التنظيم الذاتي

* These authors contributed equally
Cancer Research
 

Summary

هنا، نحن نقدم سير عمل الذي يتيح تحديد خلايا صحية ومرضية استناداً على شكل ثلاثي الأبعاد. ونحن تصف عملية استخدام الإسقاط 2D الخطوط العريضة على أساس على الأسطح ثلاثية الأبعاد لتدريب "سيلفورجانيزينج الخارطة" التي سوف توفر تجميع موضوعي للسكان خلية التحقيق.

Cite this Article

Copy Citation | Download Citations | Reprints and Permissions

Kriegel, F. L., Köhler, R., Bayat-Sarmadi, J., Bayerl, S., Hauser, A. E., Niesner, R., Luch, A., Cseresnyes, Z. Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps. J. Vis. Exp. (140), e58543, doi:10.3791/58543 (2018).

Please note that all translations are automatically generated.

Click here for the english version. For other languages click here.

Abstract

المظهر وتحركات الخلايا المناعية هي مدفوعة ببيئتهم. كرد فعل للقيام بغزو ممرض، يعينون للموقع لالتهاب الخلايا المناعية ويتم تنشيطها لمنع نشر المزيد من الغزو. وهذا ينعكس أيضا بالتغيرات في السلوك ومظهر المورفولوجية للخلايا المناعية. في الأنسجة السرطانية، لوحظت تغييرات مماثلة مورفوكينيتيك في سلوك خلايا microglial: microglia داخل الأورام الأشكال ثلاثية الأبعاد أقل تعقيداً، وقد تشعبت أقل العمليات الخلوية، والتحرك في سرعة أكبر من تلك الموجودة في صحة جيدة الأنسجة. ويتطلب دراسة هذه الخصائص مورفوكينيتيك تقنيات مجهرية ثلاثية الأبعاد المعقدة، والتي يمكن أن تكون صعبة للغاية عندما أعدم طوليا. ولذلك، تسجيل شكل ثلاثي الأبعاد ثابتة من خلية أبسط بكثير، لأن هذا لا يتطلب قياسات إينترافيتال ويمكن أن يؤديها على قصت الأنسجة، وكذلك. ومع ذلك، أنها ضرورية لامتلاك أدوات التحليل التي تسمح وصف سريع ودقيق للأشكال ثلاثية الأبعاد ويسمح التصنيف التشخيصي لعينات الأنسجة صحية والمسببة للأمراض التي تستند فقط إلى المعلومات الثابتة، والمتصلة بشكل. هنا، فإننا نقدم مجموعة من أدوات التي يحلل مكونات فورييه المنفصل للخطوط العريضة لمجموعة من الإسقاطات 2D و 3D السطوح الخلية عن طريق "خرائط سيلفورجانيزينج". يسمح تطبيق أساليب الذكاء الاصطناعي إطارنا للتعرف على الأشكال المختلفة من الخلية كما يتم تطبيقه على عينات الأنسجة أكثر وأكثر، بينما تظل سير العمل بسيطة.

Introduction

التصميم في الوقت المناسب، وبسيطة ودقيقة للحالة المرضية للأنسجة البيولوجية المصلحة العليا في البحوث الطبية الحيوية. نماذج الماوس توفير الوسائل اللازمة لدراسة مجموعة من الحالات المرضية، مثل ردود الفعل المناعي أو تطوير السرطان، في تركيبة مع 3D المعقدة وتقنيات الفحص المجهري د 4 (3 الأبعاد المكانية والزمنية). دراسات مجهرية يمكن تنفيذه عن طريق إينترافيتال أو الأنسجة اقتطعت 2-فوتون مجهرية، الضوء-ورقة الفحص المجهري، وعمق أنسجة محدودة لما يقرب من 100 ميكرومتر-بالفحص المجهري [كنفوكل]. من أجل الحصول على المعلومات المتعلقة بالوقت عن السلوك الخلايا تحت الظروف الفسيولوجية أو المرضية، من الضروري رصد الأنسجة لفترة ممتدة من الوقت، الأمر الذي يتطلب عادة التصوير إينترافيتال1،2 . وبطبيعة الحال، وانطباق هذا الأسلوب يقتصر على النماذج الحيوانية بسبب ما اختزاع. تقنيات عدم الغازية متاحة أيضا للتطبيقات البشرية، بما في ذلك مجموعة متنوعة من أساليب التصوير المقطعي (MSOT، المقطعية، إلخ)، ولكن تفتقر إلى هذه الأساليب كافة اللازمة المكانية-وغالباً ما يكون الأزمنة لدراسة السلوك على المستوى الخلوي.

معلومات ثابتة فيما يتعلق بالمظهر الخلايا يمكن الوصول إليها بسهولة أكبر عن طريق تنفيذ مختلف 3D تقنيات التصوير على اقتطعت عينات الأنسجة. هنا، لا يقاس سلوك الخلايا الحركية، وبالتالي من الضروري أن تعتمد تقنيات تحليل الرواية التي تكون قادرة على تحديد حالة الخلايا بحث يستند فقط على مورفولوجيا3المسببة للأمراض. واستخدمت هذا نهج لربط الأشكال الخلايا والأنسجة القوام بالسلوك المرضية4،،من56.

في هذه التقنية الجديدة الموصوفة هنا، يتم بناؤها في الخلايا الأسطح ثلاثية الأبعاد وشكلها تتميز عن طريق الإسقاطات 3D إلى 2D وتحليل فورييه-على أساس هامش المتعاقبة-الشكل7،8. بتخفيض الأبعاد من 3 إلى 2، يتم تبسيط المشكلة. من الممكن أيضا تميز السطوح الخلية في 3D بتطبيق تحليل التوافقيات الكروية، كما فعلت للصور الطبية9. ومع ذلك، التوافقيات الكروية لا تتعامل مع الأشكال الحادة ووعرة جيدا، تتطلب شبكة متعددة المستويات التي ستنشأ في مجال الوحدة. وبالإضافة إلى ذلك، يمكن العدد من المكونات الضرورية التوافقيات الكروية الكبيرة (50-70)، مع العمليات الحسابية الأساسية جداً يطالب ونتائج يصعب تفسيره10،،من1112.

مع أسلوبنا الجديد المقترح، يتم تقليل المهمة إلى سلسلة من الأوصاف الشكل ثنائي الأبعاد، حيث عدد الإسقاطات 2D متروك المحلل ويمكن تعديلها وفقا لمدى تعقيد الشكل الثلاثي الأبعاد. الإسقاطات التي يتم إنشاؤها تلقائياً عبر نصي بايثون يعمل داخل أداة للرسوم متحركة ثلاثية الأبعاد. الإسقاطات 2D موصوفة بمكونات التحويل (إدارة مكافحة الجريمة المنظمة) فورييه المنفصل على الهامش، حساب بواسطة البرنامج المساعد13 فيجي التي يتم توفيرها هنا كجزء من حزمة برامج أعمالنا. تطبق في إدارة مكافحة الجريمة المنظمة هنا كي تتحلل مخطط معقد من الخلية إلى سلسلة من المهام sin و cos. وبهذه الطريقة، يمكننا وصف التفصيلي مع عدد صغير نسبيا من عناصر إدارة مكافحة الجريمة المنظمة، مما يقلل من تعقيد المشكلة (لمزيد من التفاصيل، انظر قسم المعادلات). توضع مكونات إدارة مكافحة الجريمة المنظمة في "الخارطة سيلفورجانيزينج" المدربين (سوم14)، حيث وجود الشكل يمكن أن تكون مجموعات موضوعية اختبار8. SOMs توفر أداة لتعلم التنافسي ودون إشراف من مجال الذكاء الاصطناعي. وهي تتألف من مجموعة مرتبطة من الخلايا العصبية الاصطناعية التي تتصل مع بعضها البعض عن طريق دالة مسافة حي مرجح. نظام الخلايا العصبية تستجيب للعنصر الأول من مجموعة بيانات الإدخال والخلايا العصبية التي استجابة هو الأقوى "مجمعة" أقرب إلى بعضهما البعض. الجهاز العصبي يستقبل المزيد والمزيد من المدخلات، تبدأ البيانات من الخلايا العصبية التي تستجيب مرارا وتكرارا بشدة لتشكيل كتلة محددة تحديداً جيدا داخل النظام. بعد الحصول على التدريب المناسب في مجموعة بيانات كبيرة تحتوي على معلومات الشكل ثنائي الأبعاد في شكل مجموعة من عناصر إدارة مكافحة الجريمة المنظمة، يمكن وضعها في اجتماع كبار المسؤولين المدربين مكونات إدارة مكافحة الجريمة المنظمة أي خلايا فردية وتكشف ما إذا كانت الخلية المحتمل ينتمي إلى الأصحاء أو مجموعة الخلايا المسببة للأمراض. ونحن نتوقع مثل هذه الأداة لتصبح كبيرة، بإضافة إلى الأساليب التشخيص العلمي والسريري.

Protocol

1-بروتوكول متطلبات

  1. الحصول على بيانات عالية الاستبانة مجهرية (3D) ثلاثي الأبعاد ديكونفولفيد ديكونفولفيد وفقا لمعيار نايكست مع أخذ عينات فاصل مرتين على الأقل التردد المكاني أعلى من العينة للحصول على صورة عالية دقة.
  2. استخدام برامج تقديم ثلاثي الأبعاد لتعمير السطحية والتصدير.
  3. استخدام برامج الرسوم المتحركة 3D قادرة على تشغيل البرامج النصية بيثون (يمكن تحميل البرنامج النصي بيثون من مستودع github: https://github.com/zcseresn/ShapeAnalysis) لإنشاء 2D الإسقاطات.
  4. استخدم فيجي13 لتحليل الإسقاطات 2D واستخراج عناصر إدارة مكافحة الجريمة المنظمة.
    1. استخدام التوزيع فيجي الحالي. إذا كان يوجد بالفعل إصدار مثبت من فيجي، تأكد من أن تثبيت الإصدار الأحدث. ويمكن تحقيق ذلك بسهولة عن طريق تشغيل تعليمات | خيار التحديث .
    2. استخدام "كفاف نشط" البرنامج المساعد15، التي يمكن تحميلها من http://imagejdocu.tudor.lu/doku.php?id=plugin:segmentation:active_contour:start، ويجب أن يتم نسخها إلى مجلد الإضافات.
    3. تحميل البرنامج المساعد فيجي الظل من مستودع github ونسخة إلى مجلد الإضافات.
  5. استخدام برنامج الرياضيات المحوسبة قادر على حساب "خرائط سيلفورجانيزينج".

2-إعادة بناء صورة ثلاثية الأبعاد.

ملاحظة: لأغراض الاختبار، يتم توفيرها سبيل مثال dataset في المستودع github (انظر أعلاه).

  1. بدء تشغيل البرنامج 3D التعمير وفتح بيانات الصورة ثلاثية الأبعاد.
  2. إنشاء سطح ثلاثي الأبعاد من كائن (كائنات) (الكل).
    1. حدد خيار العرض ثلاثي الأبعاد ، وانقر فوق السطوح. انقر فوق الزر التالي (دائرة زرقاء مع مثلث أبيض) المضي قدما في معالج إنشاء السطح.
    2. قم بتحديد القناة صورة لإعادة بناء سطح.
    3. تطبيق دالة تجانس لتجنب الأسطح المسامية.
      1. اختر قيمة تجانس لا تخفي تفاصيل السطح ولكنه يتجنب الأسطح المسامية.
    4. حدد طريقة عتبة للعثور على السطوح.
      1. استخدام حد كثافة مطلقة عند الكائنات يتم فصل جيدا من الخلفية ويكون مستوى سطوع موحدة تقريبا.
      2. تطبيق عتبة تباين محلي عند الكائنات تختلف في قوتها ولكن لا يزال يمكن أن تفصل من الخلفية المحلية ومن الكائنات الأخرى المحيطة بها. تعيين منطقة البحث عتبة المحلية وفقا لقيمة القطر المتوقعة من الكائنات أعيد بناؤها.
    5. تصفية السطوح أعيد بناؤها وفقا لمعلمات المورفولوجية للفائدة، مثلاً، حجم، كروية، نسبة السطح إلى الحجم، إلخ، والانتهاء من إعادة بناء السطح.
  3. حفظ وتصدير السطوح التي تم إنشاؤها في تنسيق متوافق مع برامج الرسوم المتحركة ثلاثية الأبعاد التي سيتم استخدامها في الخطوة التالية.

3-تحويل 3D تعمير الأسطح في 2D الإسقاطات

  1. بدء تشغيل خلاط وانتقل إلى علامة التبويب الإخراج في الإطار الأيمن. حدد تنسيق TIFF من القائمة المنسدلة وتعيين عمق الألوان إلى 8 بت RGBA.
  2. قم بالتبديل إلى "وضع البرمجة" وفتح ملف البرنامج النصي المقدمة "GUI_AutoRotate.py" من مستودع المقدمة مع هذا العمل (https://github.com/zcseresn/ShapeAnalysis).
  3. انقر فوق تشغيل البرنامج النصي. اختر مجلد ملفات معمل عند مطالبتك بإدخال.
  4. إذا لزم الأمر، إنشاء تناوب أكثر عند العمل مع السطوح أكثر تعقيداً: انتقل إلى واجهة المستخدم الرسومية ، وتعيين مربع تناوب إلى قيمة 6 أعلاه.
    ملاحظة: أوب زوايا مختلفة 6 يمكن أن تكون كافية للتمييز بين السكان خلية مختلفة. لا يوصي بإنشاء تناوب ستة أقل من كل سطح، بسبب فقدان المعلومات المحتملة.
  5. تشغيل البرنامج النصي بالنقر على زر استدارة في واجهة المستخدم الرسومية. حفظ إسقاطات السطوح الفردية في نفس المجلد الذي تم استخدامه كمجلد الإدخال (الخطوة 2، 3). بشكل افتراضي، يتم حفظ الصور في 8 بت Tiff تنسيق (راجع الخطوة 2، 1)، الذي يتم بالتنسيق المطلوب من البرنامج المساعد فيجي الظل.

4-إيجاد المحيط وحساب المكونات فورييه استخدام فيجي.

  1. فتح فيجي وحدد الظل في قائمة الإضافات. ابدأ مع القيم الافتراضية وضبط المعلمات في وقت لاحق. انقر فوق "موافق" عندما تكون جاهزاً لتشغيل البرنامج.
    1. اختر قيمة عتبة التدرج لمستوى العتبة الصورة المدخلة.
    2. اختر عدد مرات التكرار. كلما زادت قيمة عدد مرات التكرار ، أدق إعادة بناء المحيط. لأبسط الأشكال، وعدد أقل عادة ما تكون كافية.
    3. استخدم المعلمة عدد من ديليشنز لتحديد كم أكبر مقارنة القناع الانطلاق إلى الخلية الفعلية. عادة ما تحتاج إلى أشكال أكثر تعقيداً أكثر تمدد خطوات لإيجاد هامش مناسب.
    4. تحقق من خانة الاختيار خلفية داكنة إذا الأشكال المتوقعة أكثر إشراقا من الخلفية.
    5. تنشيط خانة الاختيار إظهار النتائج المتوسطة فقط عند استخدام إحدى وحدات dataset اختبار صغير لتحديد أداء الظل. تفعيل هذا الخيار لمجموعات البيانات الكبيرة يخفض كفاءة الحسابية، وربما يمكن أن توقف نظام مع ذاكرة الفيديو منخفضة.
    6. تحقق من خانة الاختيار حفظ الجداول نتيجة لاستخدام نتائج الظل كمدخل للخطوة 5. إذا كان المربع محدداً، يتم حفظ كافة النتائج في ملفات csv الفردية. يتم دائماً إنشاء ملخص لبيانات الإخراج في ملف يسمى "Result_collection_of_all_DFT_calculations.csv".
  2. حدد المجلد بيانات الإدخال الذي يحتوي على ملفات TIFF التي تم إنشاؤها في الخطوة 3.
  3. يوفر مجلد بيانات الإخراج.
  4. انقر فوق موافق لبدء تشغيل البرنامج المساعد.

5-التنظيم الذاتي الخرائط

ملاحظة: شبكات سوم فقط قادرة على تصنيف البيانات عندما يتم تدريبهم على مجموعة بيانات كبيرة التي تحتوي على مدخلات من جميع أنواع الخلايا المتوقعة والشروط. لأغراض العرض التوضيحي، هذه مجموعة من بيانات يتم توفيرها ويمكن العثور في مستودع لدينا ("AllCells_summary_normalised.csv" من https://github.com/zcseresn/ShapeAnalysis

  1. اتبع هذه الإرشادات إذا لم يكن هناك لا سوم المدربة المتوفرة حتى الآن لإدخال البيانات؛ وإلا انتقل إلى الخطوة 5، 2.
    1. بدء تشغيل برامج رياضية حسابية قادرة على أداء الشبكة العصبية التصنيفات.
    2. حدد ملف بيانات التي ستستخدم لتدريب الشبكة سوم. ينبغي أن تحتوي dataset هذه جميع الظروف التجريبية لتدريب المسئولين عن أنواع خلية معينة والظروف التجريبية.
      ملاحظة: من الممكن أيضا استخدام AllCells_summary_normalised.csv المتوفرة لاختبار النظام.
    3. بدء التدريب والانتظار حتى اكتمال التدريب قبل المتابعة. بشكل افتراضي، يتم تعيين البرنامج النصي تشغيل تكرارات 2000 ("اعصر").
      ملاحظة: عدد مرات التكرار يعتمد على معدل التعلم سوم. اعتماداً على البيانات المدخلة فإنه من المستحسن اختبار كل من أعلى وأدنى عدد من العهود ومراقبة استقرار نمط سوم. عند استخدام البرنامج النصي المقدمة، يمكن تغيير عدد مرات التكرار تحت خط 32. يمكن تغيير حجم الشبكة في خط 34 (بشكل افتراضي يتم تعيينها إلى 12 من 12).
    4. بعد الانتهاء من التدريب فحص طبولوجيا الشبكة (مسافات الجار، طائرات الإدخال، يضرب عينة، إلخ). يتم الآن تدريب الشبكة ويمكن حفظها لاستخدامها في المستقبل.
  2. تحميل سوم، عند استخدام مخطط الفعل مدربين (وهذا يمكن أن تأتي أما من 5.1 خطوة أو من مصادر أخرى) من أجل المجموعة dataset.
    1. استيراد ملف csv التي تختبر مع مسبقة سوم المدربين. حدد إخراج csv البرنامج المساعد الظل من الخطوة 4 عند استخدام البيانات التي أعدها البرنامج المساعد الظل.
      ملاحظة: من الممكن أيضا استخدام ملفات البيانات مثال "InteractingCells_summary_normalised.csv" أو "MobileCells_summary_normalised.csv" أو "PhagocytosingCells_summary_normalised.csv" التي يتم توفيرها عن طريق github.
    2. بعد الانتهاء من التصنيف تقييم نتائج اجتماع كبار المسؤولين كما في الخطوة 5.1.5.
      1. دراسة هيتماب التي تم إنشاؤها من ملف csv. كل خلية الخريطة يظهر عدد المرات dataset "يضرب" أن خلية خاصة من خلال تدريب عندما يتم تجميع مجموعة من الخلايا في منطقة صغيرة من هذه الخريطة، وهذا يشير إلى أن dataset متجانسة إلى حد ما. عدة كتل سوف تشير إلى وجود مجموعات فرعية المحتمل في dataset.
      2. دراسة المسافات وزن حي. مجالات هذه الخريطة التي تكون مفصولة بشكل جيد يتوافق مع مجموعات من الكائنات التي تتصرف بطريقة مختلفة جداً من وجهة نظر في اجتماع كبار المسؤولين. مع مكونات إدارة مكافحة الجريمة المنظمة كإدخال البيانات، وهذا يعني أن هذه المجموعات خلية تحتوي على أشكال متباينة جداً الأسطح ثلاثية الأبعاد المطابق.
      3. فحص الطائرات الوزن للحصول على معلومات حول المساهمة بكل عنصر من عناصر مكافحة ناقلات الميزة. في حالة استخدام مكونات إدارة مكافحة الجريمة المنظمة 20 كما هو موضح سابقا، خرائط 19 سوف تظهر هنا. عند استخدام مجموعة البيانات المثال المتوفر، أول 5 أو 6 طائرات الوزن ستكون مختلفة، ولكن بقية منهم سوف تظهر مشابهة إلى حد ما. وفي هذه الحالة يمكن استنتاج أنه سيكون كافياً لاستخدام حوالي 7 من عناصر إدارة مكافحة الجريمة المنظمة.

Representative Results

قدمنا طلبا إدارة مكافحة الجريمة المنظمة لحساب المكونات الرئيسية للشكل المطابق للإسقاطات الخلية. واصفات فورييه تم الحصول عليها بتطبيق خوارزمية إدارة مكافحة الجريمة المنظمة لأزواج إحداثي س وص من محيط مزودة بالإسقاطات الخلية، التي تم الحصول عليها كإخراج الجزء أبسناكي من سير العمل لدينا. يمكن معالجة هذه أزواج إكسيكورديناتي كناقل 2D قيمتها مجمع "g":
Equation 1

من ناقلات "g"، نستخدم إدارة مكافحة الجريمة المنظمة لحساب طيف فورييه قيمتها المعقدة:
Equation 2
استناداً إلى الصيغ المعروفة طيف فورييه المنفصل، واستخدام العلامات العدد المركب "g":
Equation 3
نحصل على:
Equation 4(1)
يمكننا حساب الحقيقي ("A") وتخيلي مكونات ("B") Equation 5 :
Equation 6(2)
Equation 7(3)
هنا، يقابل المكون ز إدارة مكافحة الجريمة المنظمة الأولى0 م = 0، والذي يعطي:
Equation 8(4)
Equation 9(5)
ونتيجة لذلك، يصف هذا العنصر المركز الهندسي للكائن الأصلي.
العنصر الثاني من الطيف إدارة مكافحة الجريمة المنظمة إلى الأمام، ع1، يناظر m = 1:
Equation 10
Equation 11(6)

من Eq.6 ونحن نستنتج أن هذه النقاط تشكل دائرة نصف قطرها Equation 12 وزاوية انطلاق Equation 13 ، حيث يصف الدائرة ثورة كاملة واحدة بينما يتم تتبع الشكل مرة واحدة. يقع مركز الدائرة في الأصل (0، 0)، ودائرة نصف قطرها | ز1| ونقطة الانطلاق:

Equation 14Equation 15(7)

وبصفة عامة، لمعامل فورييه واحد Equation 16 ، الإحداثيات توصف بأنها:

Equation 17
Equation 18(8)

وبالمثل Eq.6، Eq.8 كما يصف دائرة، ولكن مع دائرة نصف قطرها Rm= | زم|، زاوية انطلاق Equation 19 ونقطة انطلاق في Equation 20 ، حيث يتم تعقب الكفاف مرة حين يخترق الدائرة "m" مدارات كامل16،17.

معلمات الشكل كمدخلات سوم
سير العمل، كما هو موضح في الشكل 1، وتم تطبيقها على ديكونفولفيد (استخدام "دالة انتشار نقطة" قياس) dataset إينترافيتال فوتون متعدد مجهرية من خلايا microglial لتوصيف تلك التغييرات الشكلية في صحية أو السرطانية القشرية 18من الأنسجة. حسبت عشرين من عناصر إدارة مكافحة الجريمة المنظمة لكل إسقاطات 2D الأسطح ثلاثية الأبعاد أعيد بناؤها واستخدمت النتائج كمدخل لتدريب سوم. في ظل الظروف الفسيولوجية، قدم microglia شكل معقد نوعا مع متعددة، الغاية تشعبت العمليات (الشكل 2a). عند وضعه في بيئة سرطانية (الورم القشرية النموذجي)، microglia تغيرت بشكل أبسط وأكثر مثل المغزل (الشكل 2).

تم اختبار كبار المدربين من أجل تقييم قدرتها على التمييز بين الخلايا السرطانية وصحية. تم إسقاط السكان خلية صحية على منطقة واحدة من سوم (الشكل 2 (ج)). سوم استجاب إلى dataset microglia سرطانية مع منطقة نشطة على شكل الدمبل (الشكل 2d). مجموعة بيانات إدخال عمياء مختلطة التي تتألف من مكونات الشكل إدارة مكافحة الجريمة المنظمة من الأصحاء ومجموعة سرطانية كان متوقعا قبل اجتماع كبار المسؤولين إلى مجموعتين متميزتين، مع إبقاء شكل على ملامح فردية مشابهة لتلك المجموعات المنفصلة ( الشكل 2e؛ قارن مع 2 ج و 2d). ويمكن استنتاج أن dataset مختلطة تمت بنجاح متفاوت المسافات قبل سوم.

نحن اختبار أداء سوم بمقارنة توقعاته مع التحليل اليدوي للبيانات نفسها من قبل خبير طبي، الذي يصنف dataset استناداً إلى سلوكها الزمانية. الخبير تحديد أربع مجموعات متميزة الخلية (الخلايا يستريح والخلايا فاجوسيتوسينج والتفاعل الخلايا والخلايا المتنقلة18)، التي أعيد بناؤها وتستخدم لتدريب 12 × 12 سوم. شبكة المدربين (الشكل 3a) يوضح المجموعات عالية القيمة ضرب الخلايا العصبية الاصطناعية، لا سيما في أسفل اليسار والمناطق الوسطى سوم. كما تم اختبار الاستجابة لشبكة المدربين مع أربعة فرعية مختارة بشكل عشوائي (والتي لم تكن جزءا من مجموعة بيانات التدريب) من الصور من أربع مجموعات مختلفة حددها الخبراء18. أدت إلى هذه المجموعات الفرعية صورة في أربعة ردود واضحة المعالم باجتماع كبار المسؤولين، كما هو موضح في الشكل 3 (ب). الخلايا يستريح يحمل الشكل الأكثر تعقيداً، وأظهرت أعلى مستوى الفصل داخل الشبكة العصبية (الشكل 3b "يستريح" الفريق). أنواع الخلايا المحددة الثلاثة الأخرى المشتركة منطقة مشتركة من سوم في الركن الأيسر السفلي، ولكن تم فصل خلاف ذلك سوم. وهكذا يناظر الركن الأيسر السفلي منطقة سوم القيم السفلي-مؤشر إدارة مكافحة الجريمة المنظمة.

متانة النهج سوم تم اختباره باستخدام كبار المدربين مع ثلاث مجموعات فرعية عشوائية من نفس-الراحة-خلية نوع (وليس جزءا من مجموعة بيانات التدريب). استجابة اجتماع كبار المسؤولين لهذا الإدخال يسلك استجابة مشابهة جداً (الشكل 3 جيم، مجموعات فرعية 1-3)، مما يدل على قوة النهج الذي نتبعه.

يتغير شكل الخلية تعتمد على الوقت وتتميز تحديداً بإدارة مكافحة الجريمة المنظمة
بغية دراسة أثر التغيرات تعتمد على الوقت الشكل الخلية على مكونات إدارة مكافحة الجريمة المنظمة، (انظر الشكل 3) تم تعقب خلايا واحد إلى ثلاثة كل فريق فرعي للنقاط الزمنية 13 إلى 28. ويبين الشكل 4 تجهيز الدوائر العشر الأولى عناصر خلية متحركة (الشكل 4a) وخلية متفاعلة (الشكل 4 باء)، التي تم رسمها كدالة للزمن. الخلية المتنقلة يسلك شكل تغيير بشكل دائم (انظر الفيديو التكميلية 4 في 8)، الذي يتجلى بوعورة سطح إدارة مكافحة الجريمة المنظمة. رشقات نارية السعة إدارة مكافحة الجريمة المنظمة في الثلث الأول من دورة الوقت للخلية متفاعلة يتزامن مع تغييرات الشكل خلية سريعة وواسعة كما هو موضح في التكميلي فيديو 5 في 8.

دورة الوقت جميع عناصر إدارة مكافحة الجريمة المنظمة 19 اتسم أيضا لهذه الخلايا اثنين في ثلاث نقاط زمنية منفصلة أثناء تعقب خلية متحركة (الشكل 5a) وخلية المتفاعلة (الشكل 5 (ب)). تمثل هذه الوثيقة الزوايا تناوب ستة المحاور العمودية وتشير إلى أن جميع التوقعات بنفس القدر من الأهمية لوصف الشكل لكل أنواع الخلايا.

Figure 1
رقم 1. خطوة بخطوة سير العمل لتجهيز البيانات لتحديد الخلية تجميع استناداً إلى شكل الخلايا. الأسطح التي أعيد بناؤها في 3D استخدمت كمدخل الخلاط الآلي 3D إلى 2D الإسقاطات. كان يقع على هامش كل التوقعات وحسبت مكونات إدارة مكافحة الجريمة المنظمة. المكونات بمثابة مدخل أما سوم مدربين في Matlab، أو لتدريب سوم جديد. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم-

Figure 2
رقم 2. مظهر نموذجي لخلايا microglia القشرية الماوس تحت ظروف التحكم (أ) وفي الأنسجة السرطانية (ب) لقطات سطوح microglia أعيد بناؤها. إسقاطات سوم تم إنشاؤها من الفئات الثلاث لعينات ميكروجليا من قشرة الماوس: التحكم في الخلايا (غير توموروس) (ج)، والخلايا السرطانية (د)، وسكان مختلطة من الخلايا (ه). وقد تم تعديل هذا الرقم مع إذن8. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم-

Figure 3
الشكل 3- (من يسار) خريطة التنظيم الذاتي dataset microglia الفأرة تتكون من 768 ميزة إدخال ناقلات. استخدم dataset لتدريب شبكة العصبية اصطناعية 12 × 12، استخدام الهندسة حي سداسية والتهيئة العشوائية والعهود عام 2000. (حق أ،) سوم المقابلة إدخال طائرات مكونات إدارة مكافحة الجريمة المنظمة أول 10 (ب) ردود سوم صورت في (أ)، إلى أحد عشوائي VRML ملف فرعية كل من أنواع الخلايا الأربع "المتنقلة"، "التفاعل،" و "الراحة"، و "متجولة" كأول هو موضح في الشكل 5 من بيرل et al. 18-استجابة (ج) سوم نفسه كما هو الحال في (من يسار) إلى ثلاث مجموعات فرعية عشوائية من dataset كامل (التي لا ومن ثم جزءا من مجموعة بيانات التدريب) من "الخلايا يستريح"-نوع الأسطح ثلاثية الأبعاد. ومن الملاحظ التشابه بين ثلاث إجابات. وقد تم تعديل هذا الرقم مع إذن8. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم-

Figure 4
الشكل 4- (أ) الوقت الاعتماد على عناصر إدارة مكافحة الجريمة المنظمة أول 10 خلال تجربة تصوير إينترافيتال microglia الماوس. ويبين هذا الفريق البيانات لخلية من نوع "الخلايا المتنقلة". المحور س يناظر النقاط الزمنية للتجربة في 60 ثانية وقت القرار، يوضح المحور الصادي السعة لمكونات إدارة مكافحة الجريمة المنظمة في وحدات التعسفي (a.u.)، في حين محور ع يناظر عنصر إدارة مكافحة الجريمة المنظمة في الفترة من 1 إلى 10. (ب) كما في (أ)، ولكن لخلية "الخلايا التفاعل" اكتب. وقد تم تعديل هذا الرقم مع إذن8. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم-

Figure 5
الشكل 5- (أ) السلوك لجميع مكونات إدارة مكافحة الجريمة المنظمة 19 خلية من نوع "الخلايا المتنقلة" في البداية وفي الوسط وفي نهاية التجربة. وتناظر الأرقام على المحور السيني معرف المكون إدارة مكافحة الجريمة المنظمة من 1 إلى 19. يظهر المحور الصادي السعة مكون إدارة مكافحة الجريمة المنظمة في وحدات التعسفي (a.u.)، بينما ض-يمثل محور ستة زوايا دوران عشوائي. (ب) نفس كما هو الحال في (أ)، ولكن لخلية "الخلايا التفاعل" النوع. وقد تم تعديل هذا الرقم مع إذن8. الرجاء انقر هنا لمشاهدة نسخة أكبر من هذا الرقم-

Discussion

يتم تحديد الحالات المرضية المحتملة باستخدام عينات الأنسجة الصغيرة، سليمة ذات أهمية عالية. سوف أؤكد هذه التقنيات استجابة في الوقت المناسب للأمراض المعدية والعدوانية أنواع السرطان. الاستجابات الحركية والمورفولوجية لمختلف الخلايا المناعية، مثل microglia والضامة، سمة مميزة للاستجابة المناعية للجسم. على الرغم من أن في معظم الحالات ليس من العملي أو الممكن حتى لرصد سلوك هذه الخلايا الحركية، أنها واضحة إلى حد ما الحصول على صور ثلاثية الأبعاد لاسترداد شكلها. عادة، تحمل الخلايا المناعية شكل معقد في الأنسجة السليمة ونموذج أبسط بكثير تحت ظروف ملتهبة أو سرطانية18. في حين أن إضافة خصائص تعتمد على الوقت لمثل هذا التغيير في الشكل في فهمنا لتطوير الاستجابة المناعية، استخدام الشكل 3D فقط مجموعة تمثيلية من الخلايا يمكن أيضا أن تكون كافية لتحديد طبيعة صحية أو مرضية من الأنسجة.

تميز سطح ثلاثي الأبعاد لخلية ليس مهمة بسيطة. تطبيق التوافقيات الكروية وسيلة لتمثيل سطح ثلاثي الأبعاد مع عدد كبير نسبيا (50-70) من مكونات11،12. وبالإضافة إلى ذلك، تحديد التوافقيات الكروية مكلفة حسابياً؛ إسقاط الأشكال المعقدة للغاية على نطاق الوحدة أما مستحيلة أو صعبة جداً بسبب الحاجة إلى تطبيق شبكات متعددة من العيار مختلفة في مجال الوحدة؛ وأخيراً، تفسير معنى من أطياف مكونات التوافقيات الكروية أبعد ما تكون عن تافهة.

في عملنا هنا، نستبدل المهمة الصعبة المتمثلة في التحليل السطحي ثلاثي الأبعاد المباشر مع نهج أبسط بكثير استخدام الإسقاطات 2D السطح الأصلي للحصول على معلومات كافية المورفولوجية لتحديد شروط مرضية. أظهرنا كل خطوة لسير العمل هذا باستخدام بيانات 3D مجهرية من خلايا النقوي وحين وضوح مشيراً إلى أن جميع الخطوات كانت بسيطة لإكمال الخرائط 2-الأبعاد الناتجة من السهل تفسير.

وبطبيعة الحال، سيؤدي إلى فقدان المعلومات حول بنية السطح إسقاط 3D إلى 2D. في dataset المثال لدينا من ميكروجليا في نموذج ورم القشرية ماوس، كان كافياً لاستخدام زوايا الستة عندما خلق توقعات 2D. ومع ذلك، الأشكال الأكثر تعقيداً، أو التغييرات الشكلية أقل بروزا قد تتطلب أن يتم إنشاء عدد أكبر من التوقعات لكي تتمكن من تحديد موثوق خلية فرعية مع سوم. ولهذا السبب، تم تصميم نهجنا لتكون قادرة على توليد وتحليل أي عدد من التوقعات. ببساطة عن طريق اختيار عدد أكبر من التوقعات بالنسبة لأشكال أكثر تعقيداً، فمن الممكن لقياس فقدان المعلومات إلى الحد أدنى المسموح به. على سبيل مثال، يتطلب نوع الخلية متفاعلة فيما بينها في الشكل 4a و 4b عدد أكبر من التوقعات بغية تمثيل السطح المعقدة بشكل صحيح.

كأي طريقة تقريبية، قد سير العمل بموجب هذا المقترح لفحصها ضد نتائج عملية التصنيف اليدوي microglia18. وأكدت النتائج التي قدمت في وقت سابق موثوقية سير العمل الآلي. وعلاوة على ذلك، سير العمل وقت أكثر كفاءة مقارنة بالتحليل التقليدي. الخبير الطبي الذي تصنف الخلايا microglia يدوياً يلزم حوالي 4 أسابيع على تحليله لمجموعة البيانات، بينما لدينا سير العمل المطلوبة فقط حوالي 1 يوم. وقد ثبت متانة نهجنا أيضا بوضوح بإمكانية تكرار نتائج كبار المدربين لمجموعة فرعية بيانات التي تنتمي إلى نفس نوع الخلية ولكنها لم تستخدم لتدريب سوم، كما يظهر في الشكل 3 جيم.

على الرغم من أن النهج الذي نتبعه لا تعتبر المعلومات الحركية، قمنا بدراسة تأثير التوقيت على تحليل الشكل القائم على إدارة مكافحة الجريمة المنظمة. تم العثور على المثال الأكثر نموذجية للسلوك تعتمد على الوقت بين السكان الخلية المتنقلة، حيث كانت المساهمة من عناصر إدارة مكافحة الجريمة المنظمة المفهرسة أعلى وضوح يمكن ملاحظتها، كما هو الحال في الشكل 4a. وهذا يتطلب الانتباه إلى أهمية استخدام عدد عالية بما يكفي من عناصر إدارة مكافحة الجريمة المنظمة عند التعامل مع أنواع الخلايا التي من المحتمل أن تتصرف بطريقة تعتمد على الوقت جداً. نظراً للطابع الآلي وسرعة التنفيذ عالية لدينا أدوات البرمجيات، ستزيد العدد المتزايد من عناصر إدارة مكافحة الجريمة المنظمة والإسقاطات بدقة وموثوقية النتائج، في حين أنها لن تعيق الأداء الحسابي ملحوظ.

Disclosures

الكتاب يعلن أن لديهم لا تضارب المصالح المالية.

Acknowledgments

يشكر المؤلفون كراوس بنيامين للمناقشة المثمرة ودعمه. يشكر المؤلفون كذلك غونثر روبرت لمساعدته مع خلية حية المجهرية.

وأيده العمل الدعم المالي DFG NI1167/3-1 (الجيمي) إلى المعنية و Z.C.، DFG المالية ودعم لجنة حقوق الطفل عام 1278 بوليتارجيت المشروع Z01 Z.C.، C01 في TRR130 إلى المعنية و SFB633، TRR130، Exc257 A.E.H. و J.B.S. بي إف آر وقدمت الدعم الداخلية SFP1322-642 F.L.K والجامعة العربية

Materials

Name Company Catalog Number Comments
Imaris 9.1.2, software Bitplane, Zürich, Switzerland v.9.1.2 3D image reconstruction and surface generation; this was used by us!
Blender 2.75a, software https://www.blender.org/ v.2.75a 3D and 4D open source animation software; 2.75a is the required version for this Python
Fiji /ImageJ, software https://fiji.sc/ ImageJ v.1.52b Open source multi-D image analysis toolkit
MATLAB MathWorks, www.mathworks.com R2017b General computational mathematical software
MATLAB Machine Learning kit MathWorks, www.mathworks.com R2017b Can only be used together with MATLAB
Fiji plugins: SHADE https://github.com/zcseresn/ShapeAnalysis v.1.0
Fiji plugins: ActiveContour http://imagejdocu.tudor.lu/doku.php?
id=plugin:segmentation:active_contour:start
absnake2
Computer Any NA See Imaris instructions for minimum computer requirements

DOWNLOAD MATERIALS LIST

References

  1. Masedunskas, A., et al. Intravital microscopy: a practical guide on imaging intracellular structures in live animals. Bioarchitecture. 2, (5), 143-157 (2012).
  2. Niesner, R. A., Hauser, A. E. Recent advances in dynamic intravital multi-photon microscopy. Cytometry A. 79, (10), 789-798 (2011).
  3. Ho, S. Y., et al. NeurphologyJ: an automatic neuronal morphology quantification method and its application in pharmacological discovery. BMC Bioinformatics. 12, 230 (2011).
  4. Yin, Z., et al. A screen for morphological complexity identifies regulators of switch-like transitions between discrete cell shapes. Nature Cell Biology. 15, (7), 860 (2013).
  5. Yu, H. Y., Lim, K. P., Xiong, S. J., Tan, L. P., Shim, W. Functional Morphometric Analysis in Cellular Behaviors: Shape and Size Matter. Advanced Healthcare Materials. 2, (9), (2013).
  6. Johnson, G. R., Buck, T. E., Sullivan, D. P., Rohde, G. K., Murphy, R. F. Joint modeling of cell and nuclear shape variation. Molecular Biology of the Cell. 26, (22), 4046-4056 (2015).
  7. Wang, S. -H., Cheng, H., Phillips, P., Zhang, Y. -D. Multiple Sclerosis Identification Based on Fractional Fourier Entropy and a Modified Jaya Algorithm. Entropy. 20, (4), 254 (2018).
  8. Kriegel, F. L., et al. Cell shape characterization and classification with discrete Fourier transforms and self-organizing maps. Cytometry Part A. 93, (3), 323-333 (2017).
  9. Styner, M., et al. Framework for the Statistical Shape Analysis of Brain Structures using SPHARM-PDM. Insight Journal. (1071), 242-250 (2006).
  10. El-Baz, A., et al. 3D shape analysis for early diagnosis of malignant lung nodules. Medical Image Computing and Computer Assisted Intervention. 14, (Pt 3), 175-182 (2011).
  11. Williams, E. L., El-Baz, A., Nitzken, M., Switala, A. E., Casanova, M. F. Spherical harmonic analysis of cortical complexity in autism and dyslexia. Translational Neuroscience. 3, (1), 36-40 (2012).
  12. Kruggel, F. Robust parametrization of brain surface meshes. Medical Image Analysis. 12, (3), 291-299 (2008).
  13. Schindelin, J., et al. Fiji: an open-source platform for biological-image analysis. Nature Methods. 9, (7), 676-682 (2012).
  14. Kohonen, T. Essentials of the self-organizing map. Neural Networks. 37, 52-65 (2013).
  15. Andrey, P., Boudier, T. Adaptive Active Contours. ImageJ user and developer conference. Luxembourg. (2006).
  16. Burger, W., Burge, M. J. Principles of Digital Image Processing. Springer-Verlag. (2013).
  17. Lestrel, P. E. Fourier Descriptors and their Applications in Biology. Cambridge University Press. (2008).
  18. Bayerl, S. H., et al. Time lapse in vivo microscopy reveals distinct dynamics of microglia-tumor environment interactions-a new role for the tumor perivascular space as highway for trafficking microglia. Glia. 64, (7), 1210-1226 (2016).

Comments

0 Comments


    Post a Question / Comment / Request

    You must be signed in to post a comment. Please or create an account.

    Usage Statistics