Summary

Mätning av form och storlek av aktiverat slam partiklar orörlig i Agar med en Open Source programvara Pipeline

Published: January 30, 2019
doi:

Summary

Storleken och formen av partiklar i det aktiva slammet är viktiga parametrar som mäts med olika metoder. Felaktigheter uppkommer icke-representativ provtagning, suboptimal bilder och subjektiva analysparametrar. För att minimera felen och underlätta mätning, presenterar vi ett protokoll som anger varje steg, inklusive en öppen källkod programvara gasledning.

Abstract

Experimentell bioreaktorer, såsom de behandlande avloppsvattnet, innehålla partiklar vars storlek och form är viktiga parametrar. Exempelvis kan storlek och form av aktiverat slam flockar ange villkor på den hur provtagningsutrustningen skall, och också direkt påverka hur väl slammet bosätter sig i en Hårblekningsmedel.

Partikelstorlek och form är både misleadingly ‘enkla’ mätningar. Många subtila frågor, ofta oadresserade i informella protokoll, kan uppstå när provtagning, imaging och analysera partiklar. Provtagning kan vara partisk eller ger inte tillräcklig statistisk power. Proverna som själva kan vara dåligt bevarad eller genomgå en förändring under immobilisering. Bilder får inte vara av tillräckligt god kvalitet; överlappande partiklar, kan skärpedjup, förstoringsgrad, och olika buller alla ger dåliga resultat. Dåligt specificerad analys kan införa bias, såsom som produceras av manuell bild tröskelvärde och segmentering.

Överkomliga priser och genomströmning är önskvärda vid sidan av reproducerbarhet. En prisvärd, hög genomströmning metod kan aktivera oftare partikel mätning, producerar många bilder som innehåller tusentals partiklar. En metod som använder billig reagenser, gemensamma dissekera mikroskopet och fritt tillgängliga open source analys programvara tillåter repeterbara, tillgänglig, reproducerbar och delvis automatiserad experimentella resultat. Produkten av en sådan metod kan dessutom vara väl formaterad, väldefinierade och lätt att förstå av data analysprogram, lätta både inom-lab analyser och delning av data mellan labs.

Vi presenterar ett protokoll som beskriver de steg som behövs för att producera sådan produkt, inklusive: provtagning, prov förberedelse och immobilisering i agar, digital bild förvärv, digital bildanalys och exempel på experiment-specifik figur generationen från den analysresultat. Vi har även inkluderat en öppen källkod data analys pipeline till stöd för detta protokoll.

Introduction

Syftet med denna metod är att ge en väldefinierad, repeterbara och delvis automatiserad metod för att bestämma storlek och form distributioner av partiklar i bioreaktorer, särskilt de som innehåller aktiva slammet flockar och aerob granulat1 , 2. tanken bakom denna metod var att öka köpkraften, enkelhet, genomströmning, och repeterbarhet av våra befintliga interna protokoll3,4, underlätta partikel mätning för andra, och underlätta delning och jämförelse av data.

Det finns två huvudkategorier av partikel mätning analys – direct imaging och inferential metoder med sådana egenskaper som ljusspridning5. Även om inferential metoder kan automatiseras och har stor genomströmning, är utrustningen dyra. Dessutom, medan inferential metoder kan exakt bestämma motsvarande storleken på en partikel6, ger de inte detaljerad form information7.

På grund av behovet för formdata, har vi grundat vår metod på direct imaging. Medan vissa hög genomströmning avbildningsmetoder existerar, har de traditionellt krävs antingen dyr kommersiell hårdvara eller anpassade byggda lösningar8,9. Vår metod har utvecklats för att anställa gemensamma, prisvärda maskinvara och programvara som, även om lider av en minskning av genomströmning, producerar mycket mer partikel bilder än det minimum som krävs för många analyser10.

Befintliga protokoll kan inte ange viktiga provtagning och bild förvärv steg. Andra protokoll kan ange manuella steg att inför subjektiva bias (såsom ad hoc-tröskelvärde11). En väldefinierad metod som anger provtagning, immobilisering och bild förvärv steg kombineras med fritt tillgängliga analysprogramvara kommer att förbättra både inom-lab bildanalys och jämförelser mellan laboratorier. Ett viktigt mål i detta protokoll är att ge ett arbetsflöde och verktyg som ska leda till reproducerbara resultat från olika laboratorier för samma prov.

Bortsett från normaliserad bild analysprocessen, registreras data produceras av denna rörledning i en väldefinierad, väl formaterad fil12 lämplig för användning av populära data analys paket13,14, lätta experiment specifika analyser (såsom anpassade figur generation) och underlätta delning av data mellan labs.

Detta protokoll föreslås särskilt för forskare som kräver partikel formdata, har inte tillgång till inferential metoder, vill inte utveckla sin egen bild analys pipeline, och vill dela sin data med andra

Protocol

1. samla in prover för Partikelanalys Avgöra provvolymen för specifika reaktorer som kommer att producera tillräckligt partiklar för statistisk analys10 (> 500) samtidigt undvika partikel överlappning. Anta att en rad 0,5 till 2 mL per prov av blandade sprit räcker för aktiva slammet prover med en blandad sprit Suspenderade fasta ämnen (MLSS) mellan 250 och 5.000 mg/L. Annars, förbereda tre test agarplattor använder 0,5, 2 och 5 mL av provet (steg 1.2 genom …

Representative Results

Filer som genererasProcessen illustreras i figur 1 kommer att producera två filer per bild analyseras. Den första filen är ett kommatecken separerad textfil (SKV-filer) där varje rad motsvarar en enskild partikel och i kolumner beskrivs olika partikel mätvärden såsom område, loopkontroll och soliditet och definieras i ImageJ manuell17. Exempel CSV-filer ingår som tilläggsinformation och i katalogen exempe…

Discussion

Även om systemets bild analys är ganska robust och QC åtgärder vidtas för att säkerställa att fattiga bilder tas bort, kan ordentlig uppmärksamhet på specifika frågor i provtagning, plattan förberedelse och bild förvärv förbättra både riktigheten av uppgifter och andelen bilder passerar QC.

Provtagning koncentration
Förutsatt att ett representativt prov har tagits, är det viktigaste steget att säkerställa att tillräcklig partiklar finns för representat…

Declarações

The authors have nothing to disclose.

Acknowledgements

Detta arbete stöds av ett bidrag från de nationella Science Foundation CBET 1336544.

FIJI, R och Python logotyper används med den i enlighet med varumärkespolicyer som följande:
Python: https://www.python.org/psf/trademarks/
R: https://www.r-project.org/Logo/ , enligt licensen CC-BY-SA 4.0 överst på: https://creativecommons.org/Licenses/by-sa/4.0/
Fiji: https://imagej.net/Licensing

Materials

10% Bleach solution Chlorox 31009 For workspace disinfection.
15 mL centrifuge tube with cap Corning 430790 Per sample.
50 mL Erlenmeyer flask Corning 4980-50 Other vessels are suitable so long as they can contain > 40 mL of sample and allow mixing
500 mL Kimax Bottle Kimble-Chase 14395-50 Or otherwise sufficient for agar handling
Agar BD 214010 Solid, to prepare 7.5% gel. 7 mL per sample.
Data analysis software N/A N/A R or Python are suggested
Deionized water N/A N/A Sufficient to prepare stain and agar. If unavailable, tap should be fine.
Desktop computer N/A N/A Image analysis is not CPU intensive, any 'ordinary' desktop computer circa 2017 should be sufficient.
External hard drive Seagate STEB5000100 Not fully required, but extremely useful given the number an size of images. 2 or more TB of storage suggested.
FIJI NIH version 1.51d Version is ImageJ core. Plugins are updated as of writing. Available at: https://imagej.net/Fiji/Downloads
GIT Open Source version 2.19.1 or later Available at: https://git-scm.com/
Image capture software ToupView version 3.7.5177 Any compatible with camera, may come with camera. Should allow saving TIFF images with spatial calibration data.
Mechanical (X/Y) Stage OMAX A512 Not fully required, but greatly aids image acquisition.
Methylene blue Fisher M291-100 Solid, to prepare 1% w/v solution. 5 uL solution per sample.
Microscope camera OMAX A35140U Any digitial camera compatible with microscope. Resolution providing at least 5 um per pixel at 10x magnification and a dynamic range of at least 8 bits per pixel per color channel is suggested.
Optical Stage Micrometer OMAX A36CALM1 Or otherwise sufficient for spatial calibration.
Petri dish, 100 mm Fisher FB0875712 1 per sample.
PPE N/A N/A Standard lab coat, gloves, and eyewear.
Sparmoria macro NCSU version 0.2.1 Available at github repository : https://github.com/joeweaver/SParMorIA-Sludge-Particle-Morphological-Image-Analysis
Stereo/dissecting microscope Nikon SMZ-2T Should provide 10 to 20x magnficiation and allow digital photos either with a buit-in camera or profide a mounting point for a CCD.

Referências

  1. Show, K. Y., Lee, D. J., Tay, J. H. Aerobic granulation: Advances and challenges. Applied Biochemistry and Biotechnology. 167 (6), 1622-1640 (2012).
  2. Adav, S. S., Lee, D. -. J., Show, K. -. Y., Tay, J. -. H. Aerobic granular sludge: Recent advances. Biotechnology Advances. 26 (5), 411-423 (2008).
  3. Initial Investigations of Aerobic Granulation in an Annular Gap Bioreactor. North Carolina State University Available from: https://repository.lib.ncsu.edu/handle/1840.16/2162 (2004)
  4. . Effect of Hydrodynamics on Aerobic Granulation Available from: https://repository.lib.ncsu.edu/handle/1840.16/8761 (2012)
  5. Tay, J. H., Liu, Q. S., Liu, Y. Microscopic observation of aerobic granulation in sequential aerobic sludge blanket reactor. Journal of Applied Microbiology. 91 (1), 168-175 (2001).
  6. Kelly, R. N., et al. Graphical Comparison of Image Analysis and Laser Diffraction Particle Size Analysis Data Obtained From the Measurements of Nonspherical Particle Systems. AAPS Pharm SciTech. 7 (3), E1-E14 (2006).
  7. Walisko, R., et al. The Taming of the Shrew -Controlling the Morphology of Filamentous Eukaryotic and Prokaryotic Microorganisms. Advances in Biochemical Engineering/Biotechnology. 149, 1-27 (2015).
  8. Campbell, R. A. A., Eifert, R. W., Turner, G. C. Openstage: A Low-Cost Motorized Microscope Stage with Sub-Micron Positioning Accuracy. PLoS ONE. 9 (2), e88977 (2014).
  9. Dias, P. A., et al. Image processing for identification and quantification of filamentous bacteria in in situ acquired images. BioMedical Engineering OnLine. 15 (1), 64 (2016).
  10. Liao, J., Lou, I., de los Reyes, F. L. Relationship of Species-Specific Filament Levels to Filamentous Bulking in Activated Sludge. Applied and Environmental Microbiology. 70 (4), 2420-2428 (2004).
  11. Cromey, D. W. Avoiding twisted pixels: ethical guidelines for the appropriate use and manipulation of scientific digital images. Science and Engineering Ethics. 16 (4), 639-667 (2010).
  12. Wickham, H. Tidy Data. Journal of Statistical Software. 59 (10), (2014).
  13. van Rossum, G. . Python tutorial. , (1995).
  14. Schindelin, J., Arganda-Carreras, I., Frise, E. FIJI: an open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
  15. . SParMorIA: Sludge Particle Morphological ImageAnalysis Available from: https://github.com/joeweaver/SParMorIA-Sludge-Particle-Morphological-Image-Analysis (2018)
  16. Ferreira, T., Rasband, W. . ImageJ User Guide: IJ 1.42 r. , (2012).
  17. Sezgin, M., Sankur, B. Survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic Imaging. 13 (1), 146-166 (2004).
  18. Kröner, S., Doménech Carbó, M. T. Determination of minimum pixel resolution for shape analysis: Proposal of a new data validation method for computerized images. Powder Technology. 245, 297-313 (2013).
  19. McKinney, W. Data Structures for Statistical Computing in Python. Proceedings of the 9th Python in Science Conference. , 51-56 (2010).
  20. Waskom, M., et al. . seaborn: v0.5.0 (November 2014). , (2014).
  21. . dplyr: A Grammar of Data Manipulation Available from: https://cran.r-project.org/web/packages/dplyr/index.html (2016)
  22. Riley, R. S., Ben-Ezra, J. M., Massey, D., Slyter, R. L., Romagnoli, G. Digital Photography: A Primer for Pathologists. Journal of Clinical Laboratory Analysis. 18 (2), 91-128 (2004).
  23. Singh, S., Bray, M. A., Jones, T. R., Carpenter, A. E. Pipeline for illumination correction of images for high-throughput microscopy. Journal of Microscopy. 256 (3), 231-236 (2014).
  24. Eastwood, B. S., Childs, E. C. Image Alignment for Multiple Camera High Dynamic Range Microscopy. Proceedings. IEEE Workshop on Applications of Computer Vision. , 225-232 (2012).
  25. High Dynamic Range Microscopy for Cytopathological Cancer Diagnosis. IEEE Journal of Selected Topics in Signal Processing (Special Issue on: Digital Image Processing Techniques for Oncology) Available from: https://www.lfb.rwth-aachen.de/en/ (2009)
  26. Jain, V., et al. Supervised Learning of Image Restoration with Convolutional Networks. 2007 IEEE 11th International Conference on Computer Vision. , 1-8 (2007).
check_url/pt/58963?article_type=t

Play Video

Citar este artigo
Weaver, J. E., Williams, J. C., Ducoste, J. J., de los Reyes III, F. L. Measuring the Shape and Size of Activated Sludge Particles Immobilized in Agar with an Open Source Software Pipeline. J. Vis. Exp. (143), e58963, doi:10.3791/58963 (2019).

View Video