여기, 우리는 그들의 3 차원 모양에 따라 건강 하 고 병 적인 세포의 식별을 허용 하는 워크플로 제공 합니다. 우리는 객관적인 조사 세포 인구의 클러스터링 하는 것을 제공할 것입니다 Self-Organizing 지도 훈련 3D 표면에 따라 2D 투영 윤곽선을 사용 하는 프로세스를 설명 합니다.
모양 및 면역 세포의 움직임은 그들의 환경에 의해 구동 됩니다. 병원 체 침입에 반응으로 면역 세포 염증의 사이트에 보충 하 고 침공의 추가 확산을 방지 하기 위해 활성화 됩니다. 이 또한 면역 세포의 형태학 모양과 동작에 변화에 의해 반영 됩니다. 암 조직에서 유사한 morphokinetic 변경 microglial 셀의 동작에서 관찰 되었습니다: 내부 종양 microglia 세포질 과정 덜 분기 하는 데 덜 복잡 한 3 차원 모양, 그리고 건강에 보다 더 빠르게 이동 조직입니다. 해당 morphokinetic 속성의 시험 경도 실행 될 때 매우 도전적 일 수 있다 복잡 한 3D 현미경 검사 법 기술을 필요 합니다. 따라서, 셀의 정적 3D 모양의 기록 이므로 훨씬 간단이 intravital 측정을 필요로 하지 않습니다 및 뿐만 아니라 삭제 조직에서 수행할 수 있습니다. 그러나, 필수적인 3D 도형의 신속 하 고 정확한 설명에 허용 하는 분석 도구를 보유 하 고 정적, 모양 관련 정보에 전적으로 기반으로 하는 건강 하 고 병원 성 조직 샘플의 진단 분류 있습니다. 여기, 우리 이산 푸리에 구성 요소를 분석 하는 도구 키트를 현재 3D의 2D 계획의 집합의 개요의 셀 Self-Organizing 지도 통해 표면. 인공 지능 방법의 응용 프로그램 우리의 프레임 워크를 워크플로 간단한 유지 하는 동안에 점점 더 많은 조직 샘플에 적용 되어 다양 한 셀 모양에 대해 배울 수 있습니다.
생물 학적 조직의 병 적인 상태, 간단 하 고 정확한 결정의 생물 의학 연구에 높은 관심입니다. 마우스 모델 병 적인 조건, 면역 반응 등 복잡 한 3D와 4d (3 차원 공간 및 시간) 현미경 검사 법 기술을 함께에서 암 개발의 범위를 연구 하는 수단을 제공 합니다. 현미경 연구 수행 을 통해 intravital 또는 excised 조직 2 광자 현미경, 빛 시트 현미경 검사 법, 수 고-약 100 µ m의-confocal 현미경 검사 법에 의해 제한 된 조직 깊이. 생리 적 또는 병 적인 조건 하에서 세포의 행동에 대 한 시간 관련 정보를 위해, 그것은 조직은 보통 intravital 이미징1,2 시간의 연장된 기간에 대 한 모니터링 필요 . 당연히,이 기술은 적용 동물 모델의 침입 때문에 제한 됩니다. 비-침략 적 기법 (MSOT, CT, 등), 단층 촬영 방법의 다양 한을 포함 하 여 인간의 응용 프로그램에 사용할 수도 있지만 이러한 메서드를 모든 부족 필요한 공간-그리고 종종 시간적 해상도 세포 수준에서 행동을 공부 하.
셀의 외관에 대 한 정적 정보 더 쉽게 액세스할 수 있습니다 통해 다양 한 3D 이미징 기법에 실행 조직 샘플 excised. 여기, 세포의 운동 동작 측정 되지 않습니다, 그리고 따라서 그것은 그들의 형태학3을 기준으로 시험된 셀의 병원 성 상태를 확인할 수 있는 새로운 분석 기법을 채택 하는 데 필요한. 이러한 접근은 병 적인 행동4,,56셀 모양 및 조직 텍스처를 연결할 사용 되었다.
여기서 설명 하는 새로운 기술을 셀 3D 표면으로 재건 되 고 그들의 도형은 3D 2D 투영 특징이 통해 및 연속 푸리에 기반 주변 모양 분석7,8. 2 3에서 크기를 줄이면, 문제가 간단 합니다. 그것은 또한 의료 이미지9완료 되었습니다으로 둥근 고조파 분석, 적용 하 여 3d에서 셀 표면 하 수 있습니다. 그러나, 둥근 고조파 취급 하지 마시오 샤 프 하 고 견고한 모양을 잘, 다중 스케일 눈금 단위 구면에 설립을 요구. 또한, 필요한 둥근 고조파 부품 수 대형 (50-70), 기본 계산으로 매우 요구 및 결과 해석10,,1112어렵다.
우리의 새로 제안 된 방법으로 작업은 일련의 2D 모양 설명, 2D 계획의 수는 분석까지 이며 3D 도형의 복잡성에 따라 조정 될 수 있습니다 감소 됩니다. 계획 안은 자동으로 생성 됩니다 통해 3D 애니메이션 도구 내에서 실행 되는 파이썬 스크립트를. 2D 계획 그들의 주변, 피지13 플러그인을 제공 하는 계산의 이산 푸리에 변환 (DFT) 구성 요소에 의해 설명 되어 있습니다 여기에 우리의 소프트웨어 패키지의 일환으로. DFT 여기 일련의 죄악 그리고 cos 함수에 셀의 복잡 한 개요를 분해 하기 위해 적용 됩니다. 이 방법에서는, 우리 (대 한 자세한 내용은 섹션 참조 하십시오 방정식) 문제 복잡성 감소 상대적으로 적은 수의 DFT 구성 요소와 개요를 설명할 수 있습니다. DFT 구성 요소 모양 클러스터 수 있는 객관적 존재8을 테스트 훈련된 Self-Organizing 지도 (SOM14)에 배치 됩니다. SOMs 인공 지능의 분야에서 경쟁 하 고 자율 학습 도구를 제공합니다. 통신 기능을 통해 한 중된 동네 거리는 인공 뉴런의 연결 된 배열 구성 됩니다. 신경 시스템 입력된 데이터 집합의 첫 번째 요소에 응답 하 고 그 응답은 가장 강한 신경 “” 서로 향해 그룹화 됩니다. 신경 시스템 더 많은 입력을 받으면 반복적으로 강하게 응답 데이터 뉴런 시스템 내에서 잘 정의 된 클러스터를 형성 하기 시작 합니다. DFT 구성 요소 집합의 형태로 2D 모양 정보를 포함 하는 큰 데이터 집합에 대 한 적절 한 교육, 후 개별 셀의 DFT 구성 요소 훈련된 솜을 넣을 수 있습니다 하 고 가능성이 세포는 건강 한 또는 병원 성 셀 그룹에 속하는지 여부를 공개. 우리는 과학 및 임상 진단의 방법에 큰 도움이 될 수 같은 도구를 기대 합니다.
작은, 그대로 조직 샘플을 사용 하 여 잠재적으로 병 적인 조건 식별 높은 중요성 이다. 이러한 기술은 전염병 및 적극적인 유형의 암에 대 한 적시 응답을 보장 합니다. 다양 한 면역 세포, 예를 들어, microglia 및 대 식 세포, 운동 및 형태학 응답 본문에 대 한 면역 반응의 특성이 있다. 비록 대부분의 경우에서 아니에요 실용적 또는 심지어 이러한 세포의 운동 동작 모니터링 수, 그것은 상당히 3 차원 이미지를 그들의 모양을 검색 간단 합니다. 일반적으로, 면역 세포는 건강 한 조직에 염증이 나 암 조건18에서 훨씬 간단한 양식 복잡 한 도형을 가정합니다. 같은 모양 변경의 시간에 따른 특성 면역 반응의 개발에 대 한 우리의 이해에 추가할 것 이라고, 하는 동안만 셀의 대표 그룹의 3 차원 모양을 사용 하 여 수도 있습니다 건강 또는 병 적인 성격을 결정 하는 충분 한 조직의.
셀의 3 차원 표면 특성화 하는 것은 간단한 업무가 아니다. 둥근 고조파의 응용 프로그램은 3D 표면 구성 요소11,12의 비교적 큰 숫자 (50-70)를 대표 하는 방법. 또한, 둥근 고조파를 결정 하는 것은 계산 비싼; 불가능 하거나 매우 어려운 단위 영역;에 다양 한 입도의 여러 격자를 적용할 필요성 때문 이다 단위 구면에 매우 복잡 한 모양을 투영 마지막으로, 둥근 고조파 성분의 스펙트럼의 의미 해석 하 찮은 멀리 이다.
여기 우리의 작업에 우리 pathologic 상태를 식별 하기 위해 충분 한 형태학 정보를 얻을 원본 표면의 2D 투영을 사용 하 여 훨씬 더 간단한 방식으로 직접 3 차원 표면 분석의 어려운 작업을 교체 합니다. 우리가 골수성 세포에서 3D 현미경 데이터를 사용 하 여이 작업의 모든 단계를 보여주는, 명확 하 게 지적 하는 동안 모든 단계를 완료 하려면, 간단 했다 그리고 결과 2 차원 지도 했다 해석 하기 쉬운.
물론, 3D-2D 투영 표면 구조에 대 한 정보 손실을 이어질 것입니다. Microglia 마우스 대뇌 피 질의 종양 모델에서의 우리의 예제 데이터 집합에서 2D 계획을 만들 때 6 각도 사용 하 여 충분 했다. 그러나, 더 복잡 한 도형 또는 덜 눈에 띄는 형태학 변화 예측의 많은 수는 솜으로 셀 그룹이 안정적으로 식별할 수 있도록 만들어집니다 필요할 수 있습니다. 이러한 이유로, 우리의 접근 방법 생성 하 고 계획의 어떤 수를 분석할 수 있도록 설계 되었습니다. 더 복잡 한 모양에 대 한 예측의 높은 수를 선택 하 여 간단 하 게 쾌활 최소한 정보 손실을 확장 가능 하다. 예를 들어, 그림 4a 와 4b 에 상호 작용 세포 유형을 복잡 한 서피스를 제대로 대표 하기 위하여 계획을 더 많이 필요 합니다.
대략 어떤 방법으로 이로써 제안된 워크플로 microglia18수동 분류 과정의 결과 대해 테스트 했다. 이전 제시 결과 자동된 워크플로의 신뢰성을 확인 했다. 또한,이 워크플로 기존 분석에 비해 더 많은 시간 효율적인. Microglia 셀을 수동으로 분류는 의료 전문가 반면 우리의 워크플로 필요에 약 1 일 약 4 주 dataset의 그의 분석에 대 한 필요 합니다. 우리의 접근 방법의 견고성 또한 명확 하 게 동일한 셀 형식에 속한 했지만 솜, 그림 3c에서 표시로 훈련을 사용 하지 않은 데이터의 하위 집합에 훈련 된 솜의 재현성에 의해 입증 되었다.
우리의 접근은 운동 정보를 고려 하지 않았다, 비록 우리 DFT-기반 형태 분석에 타이밍의 효과 검사 합니다. 시간에 따라 행동의 가장 전형적인 예 모바일 셀 인구 사이 높은 인덱싱된 DFT 구성 요소에서 기여 했다 명확 하 게 관찰 하 고, 그림 4a에서 발견 됐다. 이 매우 시간에 따른 방식에서으로 행동 가능성이 셀 형식을 처리할 때 충분히 높은 DFT 부품 수를 활용의 중요성에 관심을 호출 합니다. 자동된 자연 및 우리의 소프트웨어 툴의 높은 실행 속도, DFT 구성 요소 및 계획의 증가 수 증가할 것 이다 정밀도 신뢰성, 결과의 그들은 분명 계산 성능을 방해 하지 것입니다 하는 동안.
The authors have nothing to disclose.
저자는 유익한 논의 그의 지원에 대 한 벤자민 크 라우 스 감사합니다. 더 저자는 라이브 셀 현미경 그의 지원에 대 한 로버트 귄터 감사합니다.
작품 DFG 재정 지원 NI1167/3-1 (지미) 치료에 의해 지원 되었다, Z.C., DFG 금융 지원 Z.C., C01 치료와 SFB633, TRR130, A.E.H. 및 J.B.S. Exc257를 TRR130에 대 한 CRC 1278 PolyTarget 프로젝트 Z01 BfR 제공 F.L.K 및 앨 러 배 마 교내 지원 SFP1322-642
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 |