Schnelle Analyse und Exploration von Fluoreszenzmikroskopie Images
Summary
Hier beschreiben wir einen Arbeitsablauf für die schnelle Analyse und Erforschung von Sammlungen Fluoreszenzmikroskopiebilder mit PhenoRipper, eine kürzlich entwickelte Bild-Analyse-Plattform.
Abstract
Trotz der raschen Fortschritte in der Hochdurchsatz-Mikroskopie, quantitative Bild-basierte Assays stellen immer noch erhebliche Herausforderungen. Während eine Vielzahl von Fachbildanalyse-Tools zur Verfügung, die meisten traditionellen Bild-Analyse-basierte Workflows haben steile Lernkurven (für die Feinabstimmung der Analyse-Parameter) und führen zu langen Laufzeiten zwischen Abbildung und Analyse. Insbesondere Zellsegmentierung, der Prozess der Identifizierung einzelner Zellen in einem Bild ist ein Flaschenhals in dieser Hinsicht.
Hier präsentieren wir Ihnen eine alternative, zellfreie Segmentierung Workflow basierend auf PhenoRipper, einem Open-Source-Software-Plattform für die schnelle Analyse und Exploration von Mikroskopie-Aufnahmen ausgelegt. Die hier vorgestellte Pipeline für Immunfluoreszenz-Mikroskopie-Aufnahmen von Zellkulturen optimiert und erfordert nur minimale Benutzereingriffe. Innerhalb einer halben Stunde können PhenoRipper Daten aus einer typischen 96-Loch-Experiment analysieren und Bildprofile. Benutzer könnendann visuell ihre Daten zu erforschen, führen die Qualitätskontrolle auf ihren Versuch sicherzustellen, Reaktion auf Störungen und überprüfen Reproduzierbarkeit der Wiederholungen. Dies ermöglicht eine schnelle Feedback-Zyklus zwischen Analyse und Experiment, das während der Assay-Optimierung entscheidend. Dieses Protokoll ist nützlich, nicht nur in einem ersten Pass-Analyse für die Qualitätskontrolle, sondern kann auch als End-to-End-Lösung verwendet werden, insbesondere für das Screening. Die hier beschriebene Arbeitsablauf skaliert, um große Datenmengen, wie sie durch Hochdurchsatz-Screens erzeugt und wurde zur Gruppe experimentellen Bedingungen Phänotyp genau über einen weiten Bereich von biologischen Systemen gezeigt worden. Die PhenoBrowser Schnittstelle bietet eine intuitive Rahmen, um die phänotypische Raum zu erkunden und beziehen Bildeigenschaften, biologische Anmerkungen. Zusammengenommen wird die hier beschriebenen Protokoll, die Hindernisse für die Annahme quantitative Analyse von Bild-Screens senken.
Introduction
In den vergangenen zehn Jahren haben rasche Fortschritte in der Bildgebung Technologie viele Labors angesichts der Möglichkeit, Hochdurchsatz-Mikroskopie durchzuführen. Die Herausforderung ist nun von einer der Abbildungs einem der Analyse verschoben. Wie können wir zu charakterisieren, zu vergleichen, und erkunden Sie die Flut von komplexen und doch subtil Phänotypen durch eine typische Hochdurchsatz-Imaging-Bildschirm erzeugt?
Eine Reihe von Bildanalyse-und Informatik-Plattformen haben die Nutzer anspruchsvolle Toolboxen 1-3 für das Extrahieren von Informationen aus großen biologischen Sammlungen von Bildern gegeben. Doch viele bleiben erhebliche Hindernisse bei der Analyse von Daten aus Hochdurchsatz-Image-basierte Bildschirme. Schwierigkeiten mit der Auswahl geeigneter Charakterisierungen der Bilder und die Feinabstimmung der algorithmischen Parameter (zum System der Zinsen) beteiligt oft in langen Rüstzeiten, insbesondere für Anwender ohne Bildanalyse-Know-how führen. Insbesondere Zellsegmentierung, der Prozess der Identifizierung von Einzelzellen imBild n, ist ein Engpass in dieser Hinsicht. Segmentierung kann sehr empfindlich auf experimentellen Parameter wie Zelltyp, Zelldichte und Biomarker sein und erfordert häufig wiederholte Einstellung für eine große Datenmenge. Aus diesen Gründen ist die Bildanalyse häufig eine unabhängige Terminal Schritt durch Spezialisten und nicht integrierter Bestandteil des Versuchsablauf durchgeführt. Dies schließt die schnelle Feedback-Zyklus zwischen Analyse und Experiment, ein entscheidender Teil der Assay-Entwicklung.
Hier beschreiben wir einen alternativen Workflow, der für Hochdurchsatz-Fluoreszenz-Mikroskopie optimiert ist und vermeidet viele der oben genannten Schwierigkeiten. Dazu nutzen wir PhenoRipper 4, einem Open-Source-Software-Plattform für die schnelle Erforschung und Analyse von Mikroskopie-Bilder. Bezeichnenderweise PhenoRipper vermeidet viele der Herausforderungen, mit Zell Segmentierung nach nicht versuchen, einzelne Zellen zu identifizieren beteiligt. Stattdessen teilt PhenoRipper Bilder in PixelBlöcke von subzellulären Größe und charakterisiert Bilder in Bezug auf die Blöcke, die sie enthalten. Insbesondere PhenoRipper Profile Blöcke in Form von Marker-Kolokalisation-basierten Funktionen und identifiziert vier repräsentativsten Blocktypen in den Trainings Bilder automatisch ein. PhenoRipper ordnet dann jedem Block am ähnlichsten repräsentatives Blocktyp und schließlich charakterisiert Bilder basierend auf den Typen der Blöcke, die sie enthalten.
Im Vergleich zu herkömmlichen Single-Cell-basierte Ansätze erfordert dieser Ansatz minimale Feinabstimmung und Know-how. Als solche müssen die Anwender lediglich zwei Parameter: die Blockgröße und eine Schwellenintensität (bis zellulären Teile eines Bildes zu verwerfen), die beide mit grafische Rückmeldung gesetzt. Wichtig ist, dass die hier beschriebene Arbeitsablauf hat sich gezeigt, 4 leicht, viel größere Datenmengen, bei denen die Geschwindigkeit und minimale Feinabstimmung bietet große Zeitgewinne und Zuverlässigkeit zu skalieren. In der Praxis finden wir, dass diese AppPlötze reduziert die Zeit sowohl für das Setup und läuft durch mehrere Größenordnungen 4 erforderlich.
Die primäre Ausgabe des PhenoRipper ist eine visuelle Darstellung von Bildähnlichkeit, die dem Benutzer ermöglicht, Gruppen von Versuchsbedingungen, die Zellen zu ähnlichen Phänotypen führen anzuzeigen identifizieren. Die Gruppierungen PhenoRipper findet typischerweise vergleichbare "biologische Interpretierbarkeit" zu den von zeitaufwendiger, zellbasierte Verfahren 4 erzeugt. In der Praxis bedeutet dies, dass häufig innerhalb einer halben Stunde von der Durchführung einer typischen 96-Well-Fluoreszenzmikroskopie Experiment, ein Experimentator ohne vorherige Bildanalyse-Erfahrung kann eine zuverlässige Anzeige über die Leistung seines Experiments zu bekommen. Der Experimentator kann dann beginnen die Erkundung der Beziehungen zwischen den verschiedenen Versuchsbedingungen und in Bezug auf diese Beziehungen Bild Phänotypen.
Wir zeigen diesen Workflow hier durch die Analyse der Auswirkungenvon Drogen in verschiedenen mechanistischen Klassen auf HeLa-Zellen für die DNA-und Zytoskelett-Marker gefärbt. Bilder von Zellen mit der gleichen Klasse von Medikamenten behandelt wurden, zusammengefasst und schlechte Bildqualität (Artefakte Färbung, unscharf Zellen und so weiter) erschien als Ausreißer, so dass sie leicht zu identifizieren und möglicherweise verwerfen.
Während dieser Arbeitsablauf ist für eine große Anzahl von bildbasierten Assays, sind offensichtlich viele Situationen, in denen ein anderer Ansatz könnte informativer. Zum Beispiel ist der Ausgang von PhenoRipper hauptsächlich ein relativer Vergleich der Fluoreszenzmuster in den experimentellen Bedingungen. Wenn ein Absolut Charakterisierung eines bestimmten Einzelzellan anstelle erforderlich ist (zum Beispiel die Anzahl der Flecken in einer Zelle) würde eine Einzelzell-basierte Analyse erforderlich. Dennoch, auch in dieser Art von Situation ist PhenoRipper wahrscheinlich Veränderungen in diesen Einzelzellen-Phänotypen erkennen und daher ein nützliches Instrument zur Analyse opti seinmierung.
Protocol
Representative Results
Discussion
Die hier beschriebene Workflow ermöglicht eine schnelle und einfache Charakterisierung und Vergleich der Mikroskopie-Bilder. Wir haben zuerst gezeigt, wie dieser Workflow kann Experiment Optimierung, beispielsweise helfen, indem sie schnell die Qualitätskontrolle auf Mikroskopie-Aufnahmen. Weiter haben wir gezeigt, das Potential für die Analyse von Hochdurchsatz-Screening-Daten: Wir konnten Gruppe Medikamente auf ihren Wirkmechanismus. Die Gruppierung von Medikamenten vergleichbar war gefunden mit komplexeren Methode…
Declarações
The authors have nothing to disclose.
Acknowledgements
Wir danken Adam Coster und alle anderen Mitglieder der Altschuler und Wu Labors für hilfreiche Rückmeldungen und Diskussionen. Diese Forschung wurde durch das National Institute of Health gewährt R01 GM085442 und CA133253 (SJA), R01 GM081549 (LFW), CPRIT RP10900 (LFW) und die Welch Foundation I-1619 (SJA) und 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 |
Referências
- 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).
