Hızlı Analiz ve Floresans Mikroskopi Görüntüler Exploration
Summary
Burada hızla PhenoRipper, son zamanlarda geliştirilmiş görüntü analiz platformu kullanarak floresan mikroskopi görüntülerin koleksiyonları analiz ve keşfetmek için bir iş akışını açıklar.
Abstract
Yüksek verimli mikroskopi hızlı gelişmelere rağmen, kantitatif görüntü-tabanlı deneyler hala önemli sorunlar oluşturmaktadır. Özel görüntü analiz çeşitli araçlar mevcut olmakla birlikte, en geleneksel görüntü analizi tabanlı iş akışları (analiz parametreleri ince ayar için) dik bir öğrenme eğrileri ve görüntüleme ve analiz arasında uzun sürelerde sonuçlanır. Özellikle, hücre bölümleme, bir görüntüde tek hücrelerin belirlenmesi işlemi, bu konuda önemli bir darboğazdır.
Burada PhenoRipper, hızlı analiz ve mikroskopi görüntüleri keşif için tasarlanmış bir açık kaynak yazılım platformu dayalı bir alternatif, hücre-segmentasyon serbest iş akışı mevcut. Burada sunulan boru hattı hücre kültürlerinin immünofluoresans mikroskopi görüntüler için optimize edilmiş ve en az kullanıcı müdahalesi gerektirir. Yarım saat içinde, PhenoRipper tipik bir 96-kuyu deney verileri analiz ve görüntü profillerini oluşturabilir. Kullanıcılardaha sonra görsel, kendi veri keşfetmek onların deney kalite kontrolünü gerçekleştirmek, tedirginlikler tepki sağlamak ve suretin tekrarlanabilirlik kontrol edin. Bu analiz ve tahlil optimizasyonu sırasında önemlidir deney arasında hızlı bir geri besleme döngüsü kolaylaştırır. Bu protokol, sadece kalite kontrol için bir birinci geçiş analiz olarak yararlıdır, ama aynı zamanda bir uç uca bir çözüm olarak kullanılabilir, özellikle de taranması için kullanılabilir. Burada tarif edilen bu tür bir iş akışı, yüksek verimli taramalara tarafından üretilenler gibi büyük veri setleri için ölçekler, ve doğru bir biyolojik sistemlerin geniş bir aralık içinde bir fenotip ile grup, deney şartlarının gösterilmiştir. PhenoBrowser arayüzü fenotipik alanı keşfetmek ve biyolojik açıklamalar görüntü özelliklerini ilgili sezgisel bir çerçeve sağlar. Birlikte ele alındığında, burada açıklanan protokol görüntü tabanlı ekranların kantitatif analiz benimsenmesi için engelleri düşürecektir.
Introduction
Geçtiğimiz on yıl içinde, görüntüleme teknolojisindeki hızlı gelişmeler birçok laboratuarlara yüksek verimli mikroskobu gerçekleştirme yeteneğini verdik. Şimdi sorun analizi birine görüntüleme birinden kaymıştır. Nasıl karşılaştırmak, karakterize, ve tipik bir yüksek verimli görüntüleme ekranında tarafından üretilen karmaşık henüz ince fenotipleri sel keşfedebilirsiniz?
Görüntü analizi ve bilişim platformları bir dizi büyük koleksiyon görüntüleri biyolojik bilgi ayıklamak için kullanıcılar gelişmiş avadanlıklarını 1-3 verdik. Ancak birçok önemli engel yüksek verimli görüntü-tabanlı ekranlar verileri analiz kalır. (Faiz sistemi) görüntüler ve algoritmik parametrelerin ince ayar uygun karakterizasyonlarını seçimi ile ilgili zorluklar sık sık özellikle görüntü analiz uzmanlığı olmayan kullanıcılar için uzun kurulum süreleri, neden. Özellikle, hücre bölümleme, bir tek tek hücrelerin belirlenmesi sürecin görüntü, bu konuda önemli bir darboğaz olduğunu. Segmentasyon, hücre tipi, hücre yoğunluğu ve biyo-belirteçler gibi deneysel parametreler son derece duyarlı olması ve sık sık büyük bir veri kümesi için tekrarlanan ayar gerektirir. Bu nedenlerden dolayı, görüntü analizi genellikle oldukça deney akışı ayrılmaz bir parçası daha uzmanlarca yapılan bağımsız terminal adımdır. Bu analiz ve deney, tahlil kalkınmanın önemli bir parçası arasındaki hızlı geri besleme döngüsünü engellemektedir.
Burada yüksek verimli floresan mikroskobu için optimize edilmiş ve yukarıda bahsedilen zorluklarını bertaraf eder alternatif bir iş akışını açıklar. Bu amaçla, biz PhenoRipper 4, hızlı arama ve mikroskopi görüntülerin analizi için bir açık kaynak yazılım platformu faydalanmak. Anlamlı, PhenoRipper tek hücreleri tanımlamak için çalışan değil, hücre segmentasyon ile ilgili birçok zorlukla önler. Bunun yerine, PhenoRipper piksel içine görüntüleri bölerhücre içi büyüklükte bloklar ve içerdikleri bloklar cinsinden görüntüleri karakterize etmektedir. Özellikle, PhenoRipper işaretleyici-ko-tabanlı özellikleri açısından blokları profilleri ve otomatik eğitim görüntülerde en iyi temsil eden blok tipleri 4. tanımlar. PhenoRipper sonra her bloğun en benzer temsilcisi blok türü atar, ve nihayet içerdikleri blokların türlerine dayalı görüntüleri karakterize.
Daha geleneksel tek-hücreli-temelli yaklaşımlar ile karşılaştırıldığında, bu yaklaşım, minimal ince ayar ve uzmanlık gerektirir. Blok boyutu ve grafik geribildirim ile ayarlanır ikisi de bir eşik yoğunluğu (görüntü hücresel olmayan kısımlarını atmak için), gibi:, kullanıcıların yalnızca iki parametrelerini ayarlamak gerekir. Önemlisi, burada anlatılan iş akışı hız ve minimal ince ayar geniş zaman ve güvenilirlik artışı sağlar, çok büyük veri setleri, kolayca ölçek 4 gösterilmiştir. Uygulamada, biz bulmak Bu uygulamayıroach gerek büyüklük 4 çoklu emir tarafından kurulum ve çalıştırma için gerekli süreyi azaltır.
PhenoRipper birincil çıkış hücreleri benzer fonetipler görüntülemek için neden deneysel koşullar gruplarını belirlemek için kullanıcı sağlayan, görüntü benzerlik görsel bir sunumudur. Tipik bulur PhenoRipper gruplaşmalar daha zaman alıcı, hücre tabanlı yöntemler 4 tarafından oluşturulan kıyaslanabilir "biyolojik yorumlanabilirliğini" var. Uygulamada, bu genellikle, tipik bir 96-sıra floresan mikroskopi deneyi gerçekleştirmek yarım saat içinde, önce görüntü analiz deneyimi olmayan bir deneyci kendi deney performansı hakkında güvenilir bir okuma almak anlamına gelir. Deneyci daha sonra farklı deneysel koşullar arasındaki ilişkileri keşfetmek ve görüntü fenotiplere bu ilişkileri ile ilgili başlayabilirsiniz.
Biz etkilerini analiz ederek burada bu iş akışını göstermekDNA ve sitoskeletal belirteçler için boyanmış HeLa hücreleri üzerinde ayrı mekanik sınıflarında ilaçların. Ilaçların aynı sınıf ile tedavi hücreleri görüntüleri gruplanmış, ve (böylece odak hücreleri ve dışarı boyama eserler) kalitesiz görüntüler belirlemek ve potansiyel atmak için onları kolay hale aykırı olarak ortaya çıktı.
Bu iş akışı görüntü tabanlı deneylerde çok sayıda için yararlı olsa da, farklı bir yaklaşım potansiyel olarak daha bilgilendirici olabilir açıkça birçok durum vardır. Örneğin, PhenoRipper gelen çıkış temel deneysel koşullar arasında floresan desen göreli bir karşılaştırılmasıdır. Belirli bir özelliği, tek bir hücre mutlak karakterizasyonu (a hücrede beneklerin örneğin sayısı) gerekli ise, tek hücre esaslı analiz gerekli olacaktır. Bununla birlikte, hatta bu tür durumlar içinde, PhenoRipper bu tek hücre fenotipleri değişiklikleri algılamak olasıdır ve bu nedenle tahlil opti için yararlı bir araç olabilirmizasyon.
Protocol
Representative Results
Discussion
Burada anlatılan iş akışı, hızlı ve kolay karakterizasyonu ve mikroskopi görüntülerin karşılaştırılmasını sağlar. Biz öncelikle bu iş akışı hızlı mikroskopi görüntüleri kalite kontrolü gerçekleştirerek, örneğin deney optimizasyon, nasıl yardımcı olabileceğini gösterdi. Sonra, yüksek verimli tarama verilerini analiz etmek için kendi potansiyelini gösterdi: Biz etki mekanizmasına dayalı grup ilaçlarla başardık. Ilaçların grup PhenoRipper daha hızlı olan büyüklüklerdir o…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Biz Adam Coster ve yararlı geri bildirim ve tartışmalar için Altschuler ve Wu laboratuarları diğer tüm üyelerine teşekkür ediyorum. Bu araştırma, Ulusal Sağlık Enstitüsü tarafından desteklenen R01 GM085442 ve CA133253 (SJA), R01 GM081549 (LFW), CPRIT RP10900 (LFW) ve Welch Vakfı I-1619 (SJA) verir ve I-1644 (LFW).
Materials
| DMEM, High Glucose | Invitrogen | 11965 | High Glucose, L-Glutamine |
| Marker Hoechst 33342 | Invitrogen | H1399 | DNA stain, dilution 1:2000 of 5mg/ml stock |
| Marker phalloidin-Alexa488 | Invitrogen | A12379 | Conjugated phallotoxin, dilution 1:200 |
| Primary Antibody α-tubulin | Sigma | T9026 | Primary Ab, mouse monoclonal, dilution 1:200 |
| Secondary Antivody anti-Mouse TRITC | Jackson | 115-025-166 | Conjugated secondary Ab, 0.5mg in 1ml PBS + 1ml glycerol |
| Aldosterone | concentration used :0.2 μM | ||
| Apicidin | concentration used :20 μM | ||
| Colchicine | concentration used :0.16 μM | ||
| Cortisol | concentration used :0.2 μM | ||
| Dexamethasone | concentration used :0.2 μM | ||
| Docetaxel | concentration used :0.2 μM | ||
| M344 | concentration used :20 μM | ||
| MS-275 | concentration used :5 μM | ||
| Nocodazole | concentration used :0.3 μM | ||
| Prednisolone | concentration used :0.2 μM | ||
| RU486 | concentration used :0.2 μM | ||
| Scriptaid | concentration used :70 μM | ||
| Taxol | concentration used :0.3 μM | ||
| Trichostatin A | concentration used :0.2 μM | ||
| Vinorelbine | concentration used :0.3 μM |
References
- Collins, T. J. ImageJ for microscopy. Biotechniques. 43, 25-30 (2007).
- Carpenter, A. E., et al. CellProfiler: image analysis software for identifying and quantifying cell phenotypes. Genome Biol. 7, (2006).
- Shamir, L., Delaney, J. D., Orlov, N., Eckley, D. M., Goldberg, I. G. Pattern Recognition Software and Techniques for Biological Image Analysis. PLoS Comput. Biol. 6, (2010).
- Rajaram, S., Pavie, B., Wu, L. F., Altschuler, S. J. PhenoRipper: software for rapidly profiling microscopy images. Nat. Methods. 9, 635-637 (2012).
- Lundholt, B. K., Scudder, K. M., Pagliaro, L. A simple technique for reducing edge effect in cell-based assays. J. Biomol. Screen. 8, 566-570 (2003).
- Slack, M. D., Martinez, E. D., Wu, L. F., Altschuler, S. J. Characterizing heterogeneous cellular responses to perturbations. Proc. Natl. Acad. Sci. U.S.A. 105, 19306-19311 (2008).
- Wolf, D. E., Samarasekera, C., Swedlow, J. R. Quantitative analysis of digital microscope images. Methods Cell. Biol. 81, 365-396 (2007).
- Zwier, J. M., Van Rooij, G. J., Hofstraat, J. W., Brakenhoff, G. J. Image calibration in fluorescence microscopy. J Microsc. 216, 15-24 (2004).
- Shamir, L., et al. Wndchrm – an open source utility for biological image analysis. Source Code Biol. Med. 3, 13 (2008).
- Hamilton, N. A., Wang, J. T., Kerr, M. C., Teasdale, R. D. Statistical and visual differentiation of subcellular imaging. BMC Bioinform. 10, 94 (2009).
- Huang, K., Murphy, R. F. Automated classification of subcellular patterns in multicell images without segmentation into single cells. 2, 1139-1142 (2004).
