Summary

Sağlıklı ve patolojik arasında ayrım morfoloji tabanlı kullanarak Fourier dönüşümleri ve kendi kendini düzenleyen haritalar hücreleri

Published: October 28, 2018
doi:

Summary

Burada, sağlıklı ve patolojik hücreleri üzerinde 3 boyutlu onların şekil alarak tanımlamasını sağlayan bir iş akışı sağlar. İncelenen hücre olasılığını tarafsız kümeleme sağlayacak bir Self-Organizing harita eğitmek için 3B yüzeyler üzerinde temel 2D projeksiyon anahatları kullanma işlemi açıklanmaktadır.

Abstract

Görünümü ve bağışıklık hücreleri hareketleri çevreleri tarafından tahrik edilmektedir. Bir tepki bir patojen işgali için bağışıklık hücreleri iltihap siteye askere ve Avusturya’nın daha fazla yayılmasını önlemek için aktif hale gelir. Bu aynı zamanda davranış ve bağışıklık hücrelerinin morfolojik görünümü değişiklikleri yansıtır. Kanserli doku içinde mikroglial hücreleri davranışlara benzer morphokinetic değişiklikleri gözlenmiştir: içi tumoral microglia hücresel süreçler, daha az dallı sahip daha az karmaşık 3 boyutlu şekiller ve daha fazla olan sağlıklı daha hızlı hareket doku. Gibi morphokinetic özellikleri incelenmesi boyuna kullanıldığında son derece zor olabilir karmaşık 3D mikroskobu teknikler gerektirir. Çünkü bu intravital ölçümleri gerektirmez ve de çıkarılan doku üzerinde gerçekleştirilen bu nedenle, bir hücrenin statik bir 3D şekil daha basit kaydıdır. Ancak, bu 3D şekiller hızlı ve hassas açıklaması izin analiz araçları sahip olmak çok önemlidir ve sağlıklı ve patojenik doku örnekleri yalnızca statik, şekli ile ilgili bilgilere dayanarak tanı sınıflandırılması sağlar. Burada, Ayrık Fourier bileşenleri analiz eder bir araç mevcut 2D projeksiyonlar 3D bir dizi özetini cep üzerinden Self-Organizing haritalar yüzeyler. Yapay zeka yöntemleri uygulama iş akışı basit iken daha fazla ve daha fazla doku örneği için uygulandığı gibi çeşitli hücre şekilleri hakkında bilgi edinmek bizim çerçevesi sağlar.

Introduction

Zamanında, basit ve hassas biyolojik doku patolojik durumu Biyomedikal araştırma en yüksek ilgi belirlenmesidir. Fare modelleri bağışıklık tepkileri veya karmaşık 3D ve 4 D (3 mekansal boyutları ve saat) mikroskopi teknikleri ile birlikte kanser geliştirme gibi patolojik koşullar bir dizi çalışma olanağı sağlar. Mikroskopisi çalışmaları gerçekleştirilen yoluyla intravital veya eksize-doku 2-foton mikroskobu, ışık sayfalık mikroskobu, olabilir ve – bir sınırlı doku derinlik yaklaşık 100 µm-confocal mikroskobu tarafından için. Fizyolojik veya patolojik şartlar altında hücre davranış hakkında saat ile ilgili bilgi için doku genellikle gerektirir intravital görüntüleme1,2 saat uzun bir süre için izlemek gereklidir . Doğal olarak, bu teknik uygulanabilirliği onun invasiveness nedeniyle hayvan modelleri sınırlıdır. Non-invaziv teknikler de tomografi Yöntemler (MSOT, CT, vb) dahil olmak üzere insan uygulamalar için kullanılabilir ancak bu yöntemleri tüm gerekli kayma – ve genellikle geçici çözünürlüklü davranış hücresel düzeyde çalışmaya.

Hücre görünümü ile ilgili statik bilgi erişilebilir olabilir daha kolay yolu ile çeşitli 3D görüntüleme teknikleri idam eksize doku örnekleri. Burada, hücreleri kinetik davranışını değil ölçülür, böylece sadece onların morfolojisi3dayalı muayene hücreleri patojenik durumunu tespit edebiliyoruz roman analiz teknikleri benimsemeye gereklidir. Böyle bir yaklaşım hücre şekil ve doku dokular için patolojik davranış4,5,6bağlamak için kullanıldı.

Burada açıklanan yeni teknik 3B yüzey hücreleri yeniden ve şekillerini karakterize yolu ile 3D 2D projeksiyonlar ve art arda gelen Fourier dayalı çevre-şekil analiz7,8‘ dir. Boyutları 3’ten 2’ye azaltarak, sorun basitleştirilmiştir. Tıbbi görüntüleri9için yaptığı gibi 3D hücre yüzeyleri Küresel harmonik analizi, uygulama tarafından karakterize etmek mümkündür. Ancak, Küresel harmonik keskin ve engebeli şekilleri de, birim küre üzerinde kurulacak bir çoklu ölçek tablo gerektiren işleyemez. Buna ek olarak, gerekli Küresel harmonik bileşenlerin sayısını çok büyük (50-70), temel hesaplamalar ile olabilir talep ve sonuçları10,11,12yorumlamak zor.

Bizim yeni önerilen yöntem ile 2D şekil açıklamalar, burada 2D projeksiyonlar sayısı kadar analist ve 3D şekil karmaşıklığına göre ayarlanabilir bir dizi görev azalır. Yansımalar otomatik olarak oluşturulan üzerinden bir 3D animasyon aracı içinde çalışan bir Python komut dosyası. 2D projeksiyonlar sağlanan bir Fiji13 eklenti tarafından hesaplanan onların çevre, Ayrık Fourier dönüşümü (DFT) bileşenleri tarafından açıklanan burada bizim yazılım paketinin bir parçası olarak. DFT burada karmaşık anahat hücrenin günah ve cos fonksiyonları bir dizi ayrıştırmak için uygulanır. Bu şekilde, biz böylece sorun (daha fazla ayrıntı denklemler bölümüne bakın) karmaşıklığını azaltarak DFT bileşenleri, nispeten az sayıda ile anahat tanımlayabiliriz. DFT bileşenleri bir eğitimli Self-Organizing harita (SOM14), nereye kümeleri objektif olabilir şekil varlığını8test konur. SOM’larda yapay zeka alanından bir rekabetçi ve denetimsiz öğrenme aracı sağlar. Bunlar birbirleri ile iletişim yolu ile ağırlıklı mahalle mesafe işlevi yapay nöronlar bağlantılı bir dizi oluşur. Nöronal sistem giriş veri kümesi ilk öğeye yanıt verir ve kimin yanıt güçlü olduğu nöronlar gruplandırılmış olan”birbirine yakın”. Sinir sistemi daha fazla giriş aldığı gibi tekrar tekrar güçlü yanıt veri nöronlar sistemi içinde iyi tanımlanmış küme oluşturmak başlamak. DFT bileşenleri bir dizi şeklinde 2B şekil bilgileri içeren büyük bir veri kümesi uygun eğitim sonra tek hücreleri’nın DFT bileşenleri eğitimli SOM konabilir ve hücre büyük olasılıkla sağlıklı veya patojenik hücre grubuna ait olup olmadığını ortaya koyuyor. Klinik ve bilimsel açıdan teşhis yöntemleri için harika bir ilave olmak için böyle araç bekliyoruz.

Protocol

1. protokol şartları Yüksek çözünürlüklü deconvolved üç boyutlu (3D) mikroskopi verileri örnekleme aralığı en az iki kez yüksek uzamsal frekans yüksek çözünürlüklü bir görüntü elde etmek için numune ile Nyquist kriteri ile uyumlu deconvolved alır. 3D render yazılımı yüzey imar ve ihracat için kullanın. 3D animasyon yazılımı Python komut dosyalarını çalıştırabilen kullanın (Python komut dosyası-ebilmek var olmak downloaded–dan github repository: https://github.com/zcseresn/ShapeAnalysis) 2D projeksiyonlar oluşturmak için. Fiji13 2D projeksiyonlar çözümlemek ve DFT bileşenlerini ayıklamak için kullanın. Geçerli Fiji dağılımı kullanın. Orada zaten Fiji yüklü bir sürümü varsa, yüklü sürümü son olduğundan emin olun. Bu kolayca Yardım çalıştırarak elde edilebilir | Güncelleştirme seçeneği. Hangi http://imagejdocu.tudor.lu/doku.php?id=plugin:segmentation:active_contour:start–dan-ebilmek var olmak downloaded ve eklentiler klasörüne kopyalanmalıdır Active Contour eklenti15, kullanın. Github repository ve kopya plugins klasörü içine gölge Fiji eklenti indirmek. Self-Organizing haritalar hesaplama yeteneğine sahip hesaplama matematik yazılımı kullanın. 2. 3D görüntü yeniden. Not: sınama amacıyla, bir örnek veri kümesi github repository (yukarı bakın) sağlanır. 3D imar yazılım başlatın ve 3D görüntü verilerini açın. (Tümü) nesneleri 3D bir yüzey oluşturmak. 3D Görünüm seçeneğini seçin ve yüzeylerüzerinde tıklatın. Sonraki düğmesini (beyaz üçgen mavi daire) yüzey oluşturma Sihirbazı ile devam etmek için tıklayın. Yüzey yeniden inşası için görüntü kanalı seçin. Gözenekli yüzeyler önlemek için düzeltme işlevi uygular. Yüzey ayrıntılarını gizlemek değil ama gözenekli yüzeyler önler bir düzeltme değeri seçin. Yüzeyler bulmak için bir eşik yöntemi seçin. Nesneleri arka plandan iyi ayrılmış ve bir yaklaşık Tekdüzen parlaklık düzeyine sahip bir mutlak yoğunluğu eşik değeri kullanın. Nesneleri kendi şiddeti değişir ama hala yerel kökenli ve onları çevreleyen diğer nesnelerden ayrılabilir yerel kontrast eşik uygulanır. Yerel eşik arama alanını yeniden oluşturulan nesneleri beklenen çapını değerine göre ayarlayın. Yeniden oluşturulan yüzeyler faiz, Örneğin, cilt, Küresellik, yüzey hacim oranı, vbmorfolojik parametrelere göre filtre ve yüzey imar bitirmek. Kaydedin ve bir sonraki adımda kullanılan 3D animasyon yazılımı ile uyumlu bir biçimde oluşturulan yüzeyler dışa aktarın. 3. dönüşüm 3D yüzeyler 2D projeksiyonlar içine yeniden Blender başlatın ve sağdaki pencerede çıktı sekmesine gidin. TIFF biçimi açılan menüden seçin ve renk derinliği için 8 bit RGBA ayarlayın. Komut dosyası çalıştırma moduna geçiş yapmak ve bu eser (https://github.com/zcseresn/ShapeAnalysis) ile sağlanan deposundan “GUI_AutoRotate.py” sağlanan komut dosyasını açın. Komut dosyası Çalıştır’ ı tıklatın. Giriş için istendiğinde wrl dosyaları klasörü seçin. Gerekirse, daha karmaşık yüzeyleri ile çalışırken daha fazla rotasyonlar oluşturun: GUI için gidin ve döndürme kutusunu 6 üzerinde bir değere ayarlayın.Not: Bir rotasyon 6 farklı açıların farklı hücre popülasyonlarının ayırt etmek için yeterli olabilir. Bu yüzey, başına daha az altı rotasyonlar potansiyel bilgi kaybı nedeniyle oluşturmak için tavsiye edilmez. GUI Döndür düğmesini tıklatarak komut dosyasını çalıştırın. Bireysel yüzeylerde yansımalar (adım 2.3) giriş klasörü olarak kullanılan aynı klasöre kaydedin. Varsayılan olarak, bir 8 bit TIFF görüntüleri kaydedilir (bkz. Adım 2.1) biçimlendirmek, Fiji eklentisi gölge tarafından gerekli biçimidir. 4. çevre bulun ve Fiji kullanarak Fourier bileşenlerini hesaplamak. Fiji açın ve Gölge Eklentiler menüsünden seçin. Varsayılan değerleri ile başlamak ve daha sonra parametreleri ayarlama. Tamam hazır olduğunuzda programı çalıştırmak ‘ ı tıklatın. Giriş görüntüsünün eşik için bir Degrade eşik değerini seçin. Yinelemelerin sayısı ne kadar Yineleme sayısı değeri yüksek, daha kesin çevre yeniden inşası. Basit şekiller için daha düşük bir sayı genellikle yeterli olur. Dilations numarasını parametre başlangıç maske gerçek hücre kıyasla ne kadar büyük belirlemek için kullanın. Genellikle daha karmaşık şekiller uygun çevre bulma için daha fazla genişleme adımları gerekir. Eğer öngörülen şekiller arka plan daha parlak Koyu arka plan onay kutusunu işaretleyin. Sadece küçük bir test veri kümesi gölge performansını belirlemek için kullanırken Ara sonuçları göster onay kutusunu etkinleştirin. Daha büyük veri kümeleri için bu seçeneği aktive Hesaplamalı verimliliği azaltır ve muhtemelen bir sistem ile video belleği yetersiz durdurmak. Adım 5 için giriş olarak gölge sonuçlarını kullanılacak Sonuç tabloları kaydet onay kutusunu işaretleyin. Onay kutusu, tüm sonuçları bireysel csv dosyalarında kaydedilir. Çıkış veri özetini her zaman “Result_collection_of_all_DFT_calculations.csv” adı verilen bir dosyada oluşturulur. 3. adımda oluşturulan TIFF dosyalarını içeren giriş veri klasörü seçin. Çıkış veri klasörü sağlar. Eklenti başlatmak için Tamam ‘ ı tıklatın. 5. kendini örgütleyen haritalar Not: SOM ağları sadece giriş tüm beklenen hücre tipleri ve koşullar içeren büyük bir veri kümesi üzerinde eğitilmiş verileri sınıflandırmak edebiliyoruz. Gösterim amacıyla böyle bir veri kümesi sağlanır ve bizim depo (“AllCells_summary_normalised.csv” dan https://github.com/zcseresn/ShapeAnalysis bulunabilir Eğer hiçbir eğitimli SOM aşağıdaki yönergeleri izleyin henüz için giriş veri; Aksi takdirde 5.2 adıma geçin. Neural ağ sınıflandırmalar sahip bir hesaplama matematiksel yazılımını başlatın. SOM ağ eğitim için kullanılacak bir veri dosyası seçin. Bu veri kümesi tüm SOM belirli hücre türleri hakkında eğitmek için deneysel koşullar ve deneysel koşullar bulunması gerekmektedir.Not: Sistem test etmek için sağlanan AllCells_summary_normalised.csv kullanmak mümkündür. Eğitimi ve eğitim devam etmeden önce tamamlanır kadar bekle. Varsayılan olarak, komut dosyası 2000 yineleme (“dönemini”) çalışacak şekilde ayarlanmıştır.Not: Yineleme sayısını som öğrenme oranı üzerinde bağlıdır. Giriş verileri bağlı olarak bu dönemini daha yüksek ve daha düşük sayıda test etmek ve istikrar som desen gözlemlemek için tavsiye edilir Sağlanan komut dosyasını kullanırken, yineleme sayısını satır altında 32 değiştirilebilir. Ağ boyutu satır 34 (varsayılan 12 12 tarafından ayarlanmış) olarak değiştirilebilir. Eğitim bittikten sonra ağ topolojisi (komşu mesafeleri, giriş uçaklar, örnek sayısı, vb) inceleyin. Ağ şimdi eğitimli ve gelecekte kullanılmak üzere kaydedilebilir. SOM içinde zaten eğitimli bir harita (Bu adım 5.1 veya diğer kaynaklardan gelebilir) bir veri kümesi küme için kullanırken yükleyin. Önceden yüklenmiş eğitimli som ile test edilmesi için csv dosyasını içe GÖLGE eklenti csv çıktı adım 4 gölge plugin tarafından hazırlanan veri kullanırken seçin.Not: “InteractingCells_summary_normalised.csv”, “MobileCells_summary_normalised.csv” veya “PhagocytosingCells_summary_normalised.csv” dosyaları github üzerinden sağlanan örnek veri kullanmak mümkündür. Sınıflandırma bittikten sonra adım 5.1.5 olduğu gibi SOM sonuçlarını değerlendirmek. Csv dosyasından oluşturulan hitmap inceleyin. Her hücre harita veri kümesi kaç kez gösterir “eğitimli som o belirli hücre sayısı” Ne zaman bir grup hücre kümelenmiş bu harita küçük bir alanda, bu veri kümesi oldukça homojen olduğunu gösterir. Birden çok küme alt gruplar büyük olasılıkla veri kümesi içinde bulunduğunu belirtir. Mahalle ağırlık mesafeler inceleyin. Bu harita de ayrılmış alanları SOM’ın bakış açısına göre çok farklı davranış gösteren nesne grupları karşılık gelir. DFT bileşenleri giriş veri olarak, bu hücre gruplarının ilgili 3B yüzeyler çok farklı şekiller olduğu anlamına gelir. Ağırlık uçaklar katkı hakkında bilgi için özellik vektör her öğe tarafından inceleyin. Daha önce açıklandığı gibi 20 DFT bileşenleri kullanma durumunda, 19 haritalar burada görünür. Sağlanan örnek veri kümesi kullanırken, ilk 5-6 kilo uçaklar farklı olacaktır, ancak geri kalanı oldukça benzer görünür. Bu durumda yaklaşık 7 DFT bileşenleri kullanmak için yeterli olacağını söylenebilir.

Representative Results

Biz hücre projeksiyonları için karşılık gelen şekil ana bileşenlerini hesaplamak için bir DFT uygulanır. Fourier tanımlayıcıları bizim iş akışı AbSnake parçası çıktı olarak elde edilen hücre projeksiyonları monte çevre xy koordinat çiftleri DFT algoritma uygulanarak elde edilmiştir. Bu xycoordinate çiftleri karmaşık değerli 2D vektör olarak “g” ele alınabilir: Vektör “g”, karmaşık değerli Fourier spektrum hesaplamak için DFT kullanın:Ayrık Fourier spektrum ve karmaşık sayının “g” etiketleme olarak kullanan tanınmış formülleri temel alan:Biz olsun:(1)Biz gerçek (“A”) ve hayali (“B”) bileşenlerini hesaplayabilirsiniz :(2)(3)Burada, ilk DFT bileşeni G0 m için karşılık gelen = 0, veren:(4)(5)Sonuç olarak, bu bileşen orijinal nesnenin geometrik merkezi açıklar.DFT ileri spektrum, G1, ikinci unsuru m için karşılık gelen = 1:(6) EQ.6 biz bu noktaları yarıçaplı bir daire şeklinde sonucuna ve başlangıç açısı , daire şekli bir kez takip ederken tam bir devrim nerede anlatılmaktadır. Çemberin Merkezi (0, 0) kaynak bulunduğu, yarıçapı | G1| ve başlangıç noktasıdır: (7) Genel olarak, tek bir Fourier katsayısı için , koordinatları olarak açıklanmaktadır: (8) Benzer şekilde Eq.6 için Eq.8 da bir daire açıklar ama bir yarıçap Rmile = | Gm|, başlangıç açı ve bir başlangıç noktası, , nerede kontur tekrar daire “m” tam yörüngeler16,17çalışır iken olduğunu bir kez takip. SOM giriş olarak şekil parametreleriİş akışı, Şekil 1′ de açıklandığı gibi bir deconvolved (yayılmış bir ölçüm noktası işlevini kullanarak) uygulandığı intravital çok foton mikroskobu dataset onların morfolojik değişimler sağlıklı veya kanserli kortikal karakterize etmek için mikroglial hücre doku18. Yirmi DFT bileşenleri yeniden oluşturulan 3B yüzeyler her 2D projeksiyon için hesaplanan ve sonuçları SOM eğitim için bir giriş olarak kullanılmıştır. Fizyolojik koşullar altında microglia oldukça karmaşık bir şekil sunulan ile birden çok, son derece işlemleri (Şekil 2a) dallı. Kanserli bir ortamı (kortikal tümör modeli), daha basit, daha fazla iğ gibi şekle (2b rakam) değişti microglia yerleştirildiğinde. Eğitimli SOM sağlıklı ve kanserli hücreler arasında ayırt etmek için onun yetenek değerlendirmek için test edildi. Sağlıklı hücre nüfus SOM (Şekil 2 c) tek bir alan projelendirilen. SOM kanserli microglia veri kümesi bir dumbbell şeklindeki etkin bölge (Şekil 2B) ile yanıt verdi. DFT şekli bileşenleri hem sağlıklı hem de kanserli grup oluşuyordu körü körüne karışık bir giriş veri kümesi süre onların bireysel kontür şekli o ayrı gruplar ( benzer koruma iki farklı gruplara, SOM tarafından öngörülen yapıldı. Rakam 2e; 2 c ve 2Bile karşılaştırın). Karışık veri kümesi başarıyla som tarafından kümelenmiş söylenebilir SOM performansını spatio-temporal davranışlarını üzerinde temel veri kümesi gizli tıbbi uzman tarafından aynı verilerin el ile analizi ile onun projeksiyonlar karşılaştırarak test ettik. Uzman yeniden ve bir 12 x 12 eğitmek için kullanılan dört ayrı hücre gruplarını (resting hücreleri, phagocytosing hücreleri, etkileşen hücreleri ve telefon hücre18), tanımlanan som Özellikle alt sol ve som orta alanlarında yüksek isabet-değer yapay nöronlar, grupları eğitimli ağ (Şekil 3a) gösterir Eğitimli ağ yanıt da (ki eğitim dataset parçası değildi) dört rasgele seçilen alt kümeleri uzman18tarafından tanımlanan dört farklı gruplardan görüntülerin ile test edildi. Bu görüntü alt kümeleri tarafından SOM, dört iyi tanımlanmış yanıt Şekil 3b’ gösterildiği gibi sonuçlandı. Resting hücreleri en karmaşık şekil sergi ve ayrılık düzeyde neural ağ (“paneli dinlenme”Şekil 3b ) içinde gösterdi. Diğer üç tanımlı hücre tipleri alt sol köşedeki SOM ortak bir alanı paylaşılan, ama aksi takdirde som tarafından ayrı kaldık Sol alt köşedeki SOM alan böylece alt-dizin DFT değerine karşılık gelir. SOM yaklaşım sağlamlık eğitimli SOM üçüyle kullanarak test edildi rasgele alt kümeleri aynı – dinlenme – hücre türü (eğitim dataset parçası değil). SOM yanıt bu giriş için çok benzer bir yanıt (Şekil 3 c, alt kümeleri 1-3), sergiler yaklaşımımız sağlamlık gösteren. Saat-bağımlı hücre şekil değişiklikleri tam olarak DFT tarafından karakterizeDFT bileşenleri hücre şeklinin zamana bağımlı değişiklikleri etkisini incelemek amacıyla, alt grup başına bir ila üç hücre (bkz. Şekil 3b) 13-28 zaman puan için takip. Şekil 4 ilk on DFT telefon hücre (Şekil 4a) ve etkileşen bir hücre (Şekil 4b), zamanın bir fonksiyonu olarak çizildi, bileşenleri gösterilmiştir. Telefon hücre bir kaba DFT yüzey tarafından yansıtılır kalıcı olarak değiştirmek aşağıdaki sonuçlara yolaçabilir şekli (bakınız ek Video 4 8), sergiler. Takıma giren Video 5 ‘ 8’ de gösterildiği gibi hızlı ve geniş hücre şekil değişiklikleri ile etkileşen hücre için zaman tabii ilk üçüncü DFT genlik patlamaları denk. Tüm 19 DFT bileşenleri zaman seyri de telefon hücre (Şekil 5a) ile etkileşen bir hücre (Şekil 5b) izleme sırasında üç ayrı zaman noktalarda iki bu hücreler için karakterize edildi. Dikey ekseninin bu vesileyle altı döndürme açıları temsil eder ve tüm tahminler her iki hücre tipleri için şekil karakterizasyonu için eşit derecede önemli olduğunu gösteriyor. Şekil 1. Adım adım hücre kümeleme tanımlamak için veri işleme iş akışı hücreleri şeklin üzerinde dayalı. 3D yeniden yüzeyler Blender otomatik 3D 2D projeksiyonları için giriş olarak kullanılmıştır. Her projeksiyon çevre bulunduğu ve DFT bileşenler hesaplanmıştır. Bileşenleri bir giriş olarak hizmet de eğitimli bir SOM Matlab veya yeni bir som yetiştirmek için Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız. Şekil 2. Denetim koşullar altında (a) ve kanserli doku (b) fare kortikal microglia hücrelerinin tipik görünümü ekran görüntüleri yeniden microglia yüzeyler. SOM projeksiyonlar üzerinden fare korteks microglia örnekleri üç grupları oluşturuldu: (tümör olmayan) hücreleri (c), tümör hücreleri (d) ve (e) hücrelerin nüfus kontrolü. Bu rakam izni8ile değiştirildi. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız. Şekil 3. (a, solda) 768 giriş özelliği vektörlerinin oluşan bir fare microglia veri kümesi kendiliğinden organize haritası. Veri kümesi altıgen mahalle geometri, rastgele başlatma ve 2000 dönemini kullanan bir 12 x 12 yapay sinir ağı geliştirmek için kullanılan. (bir, sağ) Karşılık gelen SOM uçak ilk 10 DFT bileşenlerinin (b) tasvir SOM yanıt giriş içinde (a), bir rasgele VRML dosyasının alt her dört hücre türleri “mobil””dinlenme” ve “fagositik” olarak ilk bölümünde tanımlandığı Şekil 5 / etkileşim”,” Bayerl vd. 18. (c) yanıt aynı SOM, (a, solda) olduğu gibi üç rasgele alt kümeleri (ki böylece eğitim dataset parçası değildi) tüm veri kümesi “resting hücre” için-3B yüzeyler yazın. 3 yanıt-e doğru arasında benzerlik dikkat çekicidir. Bu rakam izni8ile değiştirildi. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız. Şekil 4. (a) zaman bağımlılık fare microglia bir intravital görüntüleme deney sırasında ilk 10 DFT bileşenleri. Bu panel bir hücreye “Hareket eden hücre” türü için verileri gösterir. Z ekseni DFT bileşenine 1-10 karşılık gelen ise x ekseni zaman puan deneme çözünürlükte 60 s zaman, y ekseni DFT bileşenleri genliği gösterir rasgele birimlerinde (yapıyordum), karşılık gelir. (b) olarak (bir) ama bir hücrenin hücrelerin”etkileşim” yazın. Bu rakam izni8ile değiştirildi. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız. Şekil 5. (a) tüm 19 DFT bileşenleri bir hücrenin başında, ortasında ve deneme sonunda “Cep hücreleri” türü davranışını. X ekseni üzerinde sayılar 1-19 DFT bileşen kimliğine karşılık gelir. Y ekseni DFT bileşen genlik rasgele birim (yapıyordum), gösterir iken z-ekseni altı rastgele döndürme açıları işaretler. (b) aynı hücrede hücrelerin”etkileşim” (bir) ama yazın. Bu rakam izni8ile değiştirildi. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.

Discussion

Küçük, sağlam doku örnekleri kullanarak potansiyel olarak patolojik koşulları tanımlaması yüksek öneme sahiptir. Bu tür teknikler bulaşıcı hastalıklar ve agresif kanser türleri için zamanında yanıt sağlayacaktır. Çeşitli bağışıklık hücreleri, Örneğin, microglia ve makrofajlar, kinetik ve morfolojik yanıt vücudun bağışıklık yanıtının özelliği vardır. Çoğu durumda bu değil pratik veya bu hücreler kinetik davranışını izlemek bile mümkün olmasına rağmen onların şekil almak için 3 boyutlu görüntüleri oldukça basittir. Genellikle, bağışıklık hücreleri sağlıklı doku ve iltihaplı veya kanserli koşulları18altında çok basit bir formu karmaşık bir şekil varsayıyorum. Böyle şekil değişikliği saat-bağımlı özellikleri geliştirme bağışıklık yanıtının anlayışımızı eklersiniz iken, sadece 3D şekil temsili bir grup hücre kullanarak da sağlıklı veya patolojik sebebini bulmaya yeterli olabilir doku.

Bir hücrenin 3 boyutlu yüzey karakterize basit bir iş değil. Küresel harmonik uygulama bileşenleri11,12nispeten çok sayıda (50-70) ile 3B Yüzey göstermek için bir yoldur. Buna ek olarak, Küresel harmonik belirleme hesaplama açısından pahalıdır; çok karmaşık şekiller birim sphere üzerine Projelendirme imkansız ya da birden çok ızgaralar çeşitli inceliği, birim küre uygulamak için ihtiyaç nedeniyle çok zor olduğunu; son olarak, Küresel harmonik bileşenleri spectra anlamlı yorum önemsiz olmaktan uzak olduğunu.

Burada sunulan çalışmamızda patolojik koşulları tanımlamak için yeterli morfolojik bilgi elde etmek için orijinal yüzeyinin 2D projeksiyonlar kullanarak çok daha basit bir yaklaşım ile zor bir görev doğrudan 3B Yüzey analiz değiştirin. Bu iş akışının her adımda myeloid hücrelerin 3D mikroskobu verileri kullanarak gösterdi, bunu açıkça işaret ederken tüm adımları tamamlamak basit ve elde edilen 2-boyutlu haritalar yorumlamak kolay vardı.

Doğal olarak, 3D 2D projeksiyon yüzey yapısı hakkında bilgi kaybına yol açar. Bizim örnek kümesi microglia bir fare kortikal tümör modelinde, altı açılar 2D projeksiyonlar oluştururken kullanmak için yeterliydi. Ancak, daha karmaşık şekiller veya daha az belirgin morfolojik değişiklikler projeksiyonlar daha çok sayıda hücre gruplarının som ile güvenilir bir şekilde tanımlamak edebilmek için oluşturulan gerekebilir Bu nedenle, bizim yaklaşım oluşturmak ve herhangi bir sayıda projeksiyonlar analiz edebilmek için tasarlanmıştır. Sadece projeksiyonlar daha karmaşık şekiller için daha yüksek bir sayı seçerek, bilgi kaybı tolere edilebilir en az ölçeklemek mümkündür. Örneğin, karmaşık yüzey düzgün göstermek için projeksiyonları daha çok sayıda Şekil 4a ve 4b etkileşen hücre tipi gerektirir.

Yaklaşık herhangi bir yöntemi olarak, bu vesile ile önerilen iş akışı microglia18el ile sınıflandırma işleminin sonuçlarını karşı test edilmesi gerekiyordu. Ve sonuçları daha önce sunulan otomatik iş akışı güvenilirliğini teyit. Ayrıca, iş akışı için geleneksel analiz kıyasla daha fazla verimli zamanı. Bizim iş akışı yalnızca yaklaşık 1 gün gerekli ise microglia hücreleri el ile gizli tıbbi uzman yaklaşık 4 hafta dataset, onun analiz için gerekli. Yaklaşımımız sağlamlık da açıkça aynı hücre türüne ait, ancak Şekil 3 cgösterdiği gibi SOM, eğitmek için kullanılan değil verilerin bir alt kümesini için eğitimli SOM tekrarlanabilirlik tarafından kanıtlanmış oldu.

Yaklaşımımız kinetik bilgileri dikkate değil olsa bile, biz zamanlama DFT dayalı şekil Analizi etkisi incelenmiştir. En tipik örnek saat-bağımlı davranışı için nerede daha yüksek dizin oluşturulmuş DFT bileşenlerinden katkı açıkça gözlemlenebilir, Şekil 4aolduğu gibi mobil cep nüfusun arasında bulundu. Bu bir çok saat-bağımlı şekilde davranmaya muhtemeldir hücre tipleri ile ilgili yeterince yüksek bir dizi DFT bileşen kullanan önemi dikkat gerektiriyor. Onlar kayda değer hesaplama performansını engel değil iken DFT bileşenleri ve projeksiyonlar sayısının artmasına otomatik doğa ve bizim yazılım araçları yüksek yürütme hızı nedeniyle, hassas ve sonuçları, güvenilirliğini artacaktır.

Disclosures

The authors have nothing to disclose.

Acknowledgements

Yazarlar Benjamin Krause verimli tartışma ve verdiği destek için teşekkür ederiz. Daha fazla yazar Robert Günther canlı cep mikroskobu ile yaptığı yardım için teşekkür ederiz.

İş DFG maddi destek NI1167/3-1 (JIMI) adında için tarafından desteklenen ve Z.C., DFG mali CRC 1278 PolyTarget proje Z01 Z.C., TRR130 adında ve SFB633, TRR130, Exc257 A.E.H. ve J.B.S. C01 için destek BfR intramural SFP1322-642 F.L.K ve desteği Al sağlanan

Materials

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

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. , (2006).
  16. Burger, W., Burge, M. J. . Principles of Digital Image Processing. , (2013).
  17. Lestrel, P. E. . Fourier Descriptors and their Applications in Biology. , (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).

Play Video

Cite This Article
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).

View Video