Automatisering van de micronucleustest met behulp van beeldvorming, flowcytometrie en kunstmatige intelligentie
Summary
De micronucleus (MN) assay is een gevestigde test voor het kwantificeren van DNA-schade. Het scoren van de test met behulp van conventionele technieken zoals handmatige microscopie of op functies gebaseerde beeldanalyse is echter bewerkelijk en uitdagend. Dit artikel beschrijft de methodologie om een kunstmatig intelligentiemodel te ontwikkelen om de MN-test te scoren met behulp van imaging flow cytometriegegevens.
Abstract
De micronucleus (MN) assay wordt wereldwijd gebruikt door regelgevende instanties om chemicaliën te evalueren op genetische toxiciteit. De test kan op twee manieren worden uitgevoerd: door MN te scoren in eenmaal verdeelde, cytokinese-geblokkeerde binucleated cellen of volledig gedeelde mononucleated cellen. Historisch gezien is lichtmicroscopie de gouden standaardmethode geweest om de test te scoren, maar het is bewerkelijk en subjectief. Flowcytometrie is de afgelopen jaren gebruikt om de test te scoren, maar wordt beperkt door het onvermogen om belangrijke aspecten van cellulaire beelden visueel te bevestigen. Imaging flow cytometry (IFC) combineert high-throughput beeldopname en geautomatiseerde beeldanalyse en is met succes toegepast om snel beelden te verzamelen van en alle belangrijke gebeurtenissen in de MN-test te scoren. Onlangs is aangetoond dat kunstmatige intelligentie (AI) -methoden op basis van convolutionele neurale netwerken kunnen worden gebruikt om MN-testgegevens te scoren die door IFC zijn verkregen. Dit artikel beschrijft alle stappen om AI-software te gebruiken om een deep learning-model te maken om alle belangrijke gebeurtenissen te scoren en om dit model toe te passen om automatisch aanvullende gegevens te scoren. De resultaten van het AI deep learning-model zijn goed te vergelijken met handmatige microscopie, waardoor een volledig geautomatiseerde score van de MN-test mogelijk is door IFC en AI te combineren.
Introduction
De micronucleus (MN) assay is fundamenteel in de genetische toxicologie om DNA-schade te evalueren bij de ontwikkeling van cosmetica, farmaceutische producten en chemicaliën voor menselijk gebruik 1,2,3,4. Micronuclei worden gevormd uit hele chromosomen of chromosoomfragmenten die na deling niet in de kern worden opgenomen en condenseren in kleine, cirkelvormige lichamen die gescheiden zijn van de kern. MN kan dus worden gebruikt als een eindpunt om DNA-schade te kwantificeren in genotoxiciteitstests1.
De voorkeursmethode voor het kwantificeren van MN is binnen eenmaal verdeelde binucleated cellen (BNC’s) door de deling te blokkeren met behulp van Cytochalasine-B (Cyt-B). In deze versie van de test wordt de cytotoxiciteit ook beoordeeld door mononucleated (MONO) en polynucleated (POLY) cellen te scoren. De test kan ook worden uitgevoerd door MN te scoren in niet-geblokkeerde MONO-cellen, wat sneller en gemakkelijker te scoren is, waarbij cytotoxiciteit wordt beoordeeld met behulp van celtellingen vóór en na blootstelling om proliferatie 5,6 te beoordelen.
Fysieke scoring van de test is historisch uitgevoerd door middel van handmatige microscopie, omdat dit visuele bevestiging van alle belangrijke gebeurtenissen mogelijk maakt. Handmatige microscopie is echter uitdagend en subjectief1. Zo zijn geautomatiseerde technieken ontwikkeld, waaronder microscoopglaasscanning en flowcytometrie, elk met hun eigen voordelen en beperkingen. Terwijl diascanmethoden het mogelijk maken om belangrijke gebeurtenissen te visualiseren, moeten dia’s worden gemaakt met een optimale celdichtheid, wat moeilijk te bereiken kan zijn. Bovendien ontbreekt het deze techniek vaak aan cytoplasmatische visualisatie, wat de score van MONO- en POLO-cellen 7,8 in gevaar kan brengen. Hoewel flowcytometrie gegevensverzameling met een hoge doorvoer biedt, moeten de cellen worden gelyseerd, waardoor het gebruik van de Cyt-B-vorm van de test niet mogelijk is. Bovendien biedt conventionele flowcytometrie, als een niet-beeldvormende techniek, geen visuele validatie van belangrijke gebeurtenissen 9,10.
Daarom is imaging flow cytometrie (IFC) onderzocht om de MN-test uit te voeren. De ImageStreamX Mk II combineert de snelheid en statistische robuustheid van conventionele flowcytometrie met de hoge resolutie beeldvormingsmogelijkheden van microscopie in één systeem11. Het is aangetoond dat door gebruik te maken van IFC, beelden met hoge resolutie van alle belangrijke gebeurtenissen kunnen worden vastgelegd en automatisch kunnen worden gescoord met behulp van feature-based 12,13 of kunstmatige intelligentie (AI) technieken 14,15. Door IFC te gebruiken om de MN-test uit te voeren, is het automatisch scoren van veel meer cellen in vergelijking met microscopie in een kortere tijd haalbaar.
Dit werk wijkt af van een eerder beschreven beeldanalyseworkflow16 en bespreekt alle stappen die nodig zijn om een Random Forest (RF) en/of convolutioneel neuraal netwerk (CNN) model te ontwikkelen en te trainen met behulp van de Amnis AI-software (hierna “AI-software” genoemd). Alle noodzakelijke stappen worden beschreven, inclusief het invullen van ground truth-gegevens met behulp van AI-ondersteunde tagging-tools, interpretatie van modeltrainingsresultaten en toepassing van het model om aanvullende gegevens te classificeren, waardoor berekening van genotoxiciteit en cytotoxiciteit15 mogelijk is.
Protocol
Representative Results
Discussion
Het hier gepresenteerde werk beschrijft het gebruik van deep learning-algoritmen om de scoring van de MN-test te automatiseren. Verschillende recente publicaties hebben aangetoond dat intuïtieve, interactieve tools het mogelijk maken om deep learning-modellen te maken om beeldgegevens te analyseren zonder de noodzaak van diepgaande computationele kennis18,19. Het protocol dat in dit werk wordt beschreven met behulp van een softwarepakket met gebruikersinterface,…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Geen.
Materials
| 15 mL centrifuge tube | Falcon | 352096 | |
| Cleanser – Coulter Clenz | Beckman Coulter | 8546931 | Fill container with 200 mL of Cleanser. https://www.beckmancoulter.com/wsrportal/page/itemDetails?itemNumber=8546931#2/10//0/25/ 1/0/asc/2/8546931///0/1//0/ |
| Colchicine | MilliporeSigma | 64-86-8 | |
| Corning bottle-top vacuum filter | MilliporeSigma | CLS430769 | 0.22 µm filter, 500 mL bottle |
| Cytochalasin B | MilliporeSigma | 14930-96-2 | 5 mg bottle |
| Debubbler – 70% Isopropanol | MilliporeSigma | 1.3704 | Fill container with 200 mL of Debubbler. http://www.emdmillipore.com/US/en/product/2-Propanol-70%25-%28V%2FV%29-0.1-%C2%B5m-filtred,MDA_CHEM-137040?ReferrerURL=https%3A%2F%2Fwww.google.com%2F |
| Dimethyl Sulfoxide (DMSO) | MilliporeSigma | 67-68-5 | |
| Dulbecco's Phosphate Buffered Saline 1X | EMD Millipore | BSS-1006-B | PBS Ca++MG++ Free |
| Fetal Bovine Serum | HyClone | SH30071.03 | |
| Formaldehyde, 10%, methanol free, Ultra Pure | Polysciences, Inc. | 04018 | This is what is used for the 4% and 1% Formalin. CAUTION: Formalin/Formaldehyde toxic by inhalation and if swallowed. Irritating to the eyes, respiratory systems and skin. May cause sensitization by inhalation or skin contact. Risk of serious damage to eyes. Potential cancer hazard. http://www.polysciences.com/default/catalog-products/life-sciences/histology-microscopy/fixatives/formaldehydes/formaldehyde-10-methanol-free-pure/ |
| Guava Muse Cell Analyzer | Luminex | 0500-3115 | A standard configuration Guava Muse Cell Analyzer was used. |
| Hoechst 33342 | Thermo Fisher | H3570 | 10 mg/mL solution |
| Mannitol | MilliporeSigma | 69-65-8 | |
| MEM Non-Essential Amino Acids 100X | HyClone | SH30238.01 | |
| MIFC – ImageStreamX Mark II | Luminex, a DiaSorin company | 100220 | A 2 camera ImageStreamX Mark II eqiped with the 405 nm, 488 nm, and 642 nm lasers was used. |
| MIFC analysis software – IDEAS | Luminex, a DiaSorin company | 100220 | "Image analysis sofware" The companion software to the MIFC (ImageStreamX MKII) |
| MIFC software – INSPIRE | Luminex, a DiaSorin company | 100220 | "Image acquisition software" This is the software that runs the MIFC (ImageStreamX MKII) |
| Amnis AI software | Luminex, a DiaSorin company | 100221 | "AI software" This is the software that permits the creation of artificial intelligence models to analyze data |
| Mitomycin C | MilliporeSigma | 50-07-7 | |
| NEAA Mixture 100x | Lonza BioWhittaker | 13-114E | |
| Penicllin/Streptomycin/Glutamine solution 100X | Gibco | 15070063 | |
| Potassium Chloride (KCl) | MilliporeSigma | P9541 | |
| Rinse – Ultrapure water or deionized water | NA | NA | Use any ultrapure water or deionized water. Fill container with 900 mL of Rinse. |
| RNase | MilliporeSigma | 9001-99-4 | |
| RPMI-1640 Medium 1x | HyClone | SH30027.01 | |
| Sheath – PBS | MilliporeSigma | BSS-1006-B | This is the same as Dulbecco's Phosphate Buffered Saline 1x Ca++MG++ free. Fill container with 900 mL of Sheath. |
| Sterile water | HyClone | SH30529.01 | |
| Sterilizer – 0.4%–0.7% Hypochlorite | VWR | JT9416-1 | This is assentually 10% Clorox bleach that can be made by deluting Clorox bleach with water. Fill container with 200 mL of Sterilzer. |
| T25 flask | Falcon | 353109 | |
| T75 flask | Falcon | 353136 | |
| TK6 cells | MilliporeSigma | 95111735 |
References
- Fenech, M., et al. HUMN project initiative and review of validation, quality control and prospects for further development of automated micronucleus assays using image cytometry systems. International Journal of Hygiene and Environmental Health. 216 (5), 541-552 (2013).
- OECD. Test No. 487: In Vitro Mammalian Cell Micronucleus Test. Section 4. OECD Guidelines for the Testing of Chemicals. , (2016).
- Fenech, M. The in vitro micronucleus technique. Mutation Research/Fundamental and Molecular Mechanisms of Mutagenesis. 455 (1), 81-95 (2000).
- Bonassi, S., et al. An increased micronucleus frequency in peripheral blood lymphocytes predicts the risk of cancer in humans. Carcinogenesis. 28 (3), 625-631 (2007).
- Fenech, M. Cytokinesis-block micronucleus cytome assay. Nature Protocols. 2 (5), 1084-1104 (2007).
- Fenech, M. Commentary on the SFTG international collaborative study on the in vitro micronucleus test: To Cyt-B or not to Cyt-B. Mutation Research/Fundamental and Molecular Mechanisms of Mutagenesis. 607 (1), 9-12 (2006).
- Seager, A. L., et al. Recommendations, evaluation and validation of a semi-automated, fluorescent-based scoring protocol for micronucleus testing in human cells. Mutagenesis. 29 (3), 155-164 (2014).
- Rossnerova, A., Spatova, M., Schunck, C., Sram, R. J. Automated scoring of lymphocyte micronuclei by the MetaSystems Metafer image cytometry system and its application in studies of human mutagen sensitivity and biodosimetry of genotoxin exposure. Mutagenesis. 26 (1), 169-175 (2011).
- Bryce, S. M., Bemis, J. C., Avlasevich, S. L., Dertinger, S. D. In vitro micronucleus assay scored by flow cytometry provides a comprehensive evaluation of cytogenetic damage and cytotoxicity. Mutation Research/Genetic Toxicology and Environmental Mutagenesis. 630 (1), 78-91 (2007).
- Avlasevich, S. L., Bryce, S. M., Cairns, S. E., Dertinger, S. D. In vitro micronucleus scoring by flow cytometry: Differential staining of micronuclei versus apoptotic and necrotic chromatin enhances assay reliability. Environmental and Molecular Mutagenesis. 47 (1), 56-66 (2006).
- Basiji, D. A. Principles of Amnis imaging flow cytometry. Methods in Molecular Biology. 1389, 13-21 (2016).
- Rodrigues, M. A. Automation of the in vitro micronucleus assay using the Imagestream® imaging flow cytometer. Cytometry Part A. 93 (7), 706-726 (2018).
- Verma, J. R., et al. Investigating FlowSight® imaging flow cytometry as a platform to assess chemically induced micronuclei using human lymphoblastoid cells in vitro. Mutagenesis. 33 (4), 283-289 (2018).
- Wills, J. W., et al. Inter-laboratory automation of the in vitro micronucleus assay using imaging flow cytometry and deep learning. Archives of Toxicology. 95 (9), 3101-3115 (2021).
- Rodrigues, M. A., et al. The in vitro micronucleus assay using imaging flow cytometry and deep learning. Npj Systems Biology and Applications. 7 (1), 20 (2021).
- Rodrigues, M. A. An automated method to perform the in vitro micronucleus assay using multispectral imaging flow cytometry. Journal of Visualized Experiments. (147), e59324 (2019).
- Lovell, D. P., et al. Analysis of negative historical control group data from the in vitro micronucleus assay using TK6 cells. Mutation Research/Genetic Toxicology and Environmental Mutagenesis. 825, 40-50 (2018).
- Berg, S., et al. ilastik: interactive machine learning for (bio)image analysis. Nature Methods. 16 (12), 1226-1232 (2019).
- Hennig, H., et al. An open-source solution for advanced imaging flow cytometry data analysis using machine learning. Methods. 112, 201-210 (2017).
