Nous présentons une méthode qui utilise une approche d’analyse d’image généraliste basée sur des zones pour identifier le nombre de cellules. L’analyse de différentes populations cellulaires a exploité les différences significatives de hauteur et de structure cellulaires entre les différents types de cellules au sein d’un algorithme adaptatif.
La quantification des cellules est nécessaire pour un large éventail d’études biologiques et biochimiques. L’analyse d’image conventionnelle des cellules utilise généralement des approches de détection par fluorescence, telles que la coloration immunofluorescente ou la transfection avec des protéines fluorescentes ou des techniques de détection des bords, qui sont souvent sujettes aux erreurs en raison du bruit et d’autres non-idéalités dans l’arrière-plan de l’image.
Nous avons conçu un nouvel algorithme capable de compter et de distinguer avec précision les macrophages et les fibroblastes, des cellules de différents phénotypes qui colocalisent souvent lors de la régénération tissulaire. MATLAB a été utilisé pour implémenter l’algorithme, qui différenciait des types de cellules distincts en fonction des différences de hauteur par rapport à l’arrière-plan. Un algorithme primaire a été développé à l’aide d’une méthode basée sur la zone pour tenir compte des variations de la taille / structure des cellules et des conditions d’ensemencement à haute densité.
Les non-idéalités dans les structures cellulaires ont été prises en compte à l’aide d’un algorithme itératif secondaire utilisant des paramètres internes tels que la couverture cellulaire calculée à l’aide de données expérimentales pour un type de cellule donné. Enfin, une analyse des environnements de coculture a été réalisée à l’aide d’un algorithme d’isolement dans lequel différents types de cellules ont été exclus de manière sélective en fonction de l’évaluation des différences de hauteur relative au sein de l’image. Cette approche s’est avérée compter avec précision les cellules dans une marge d’erreur de 5% pour les cellules monocultrices et dans une marge d’erreur de 10% pour les cellules en coculture.
Un logiciel est régulièrement mis en œuvre pendant les techniques d’analyse d’images pour s’assurer que les résultats sont précis, efficaces et impartiaux. Pour les tests cellulaires, un problème courant est l’identification erronée des cellules. Les images avec des paramètres de focale et de contraste incorrects peuvent entraîner un flou cellulaire, dans lequel la limite des cellules individuelles devient difficile à identifier1. La présence de caractéristiques d’image étrangères telles que des pores, des bulles ou d’autres objets indésirables peut entraver les procédures de comptage en ralentissant le processus de comptage et en conduisant à une mauvaise identification. De plus, le comptage des cellules peut être onéreux et le comptage de centaines de répliques peut prendre beaucoup de temps. De plus, il existe un biais subjectif inhérent lors du comptage manuel, et donc la prise de décision concernant l’identification cellulaire est souvent inexacte2. Les logiciels automatisés offrent un potentiel passionnant pour contourner tous ces problèmes en différenciant rapidement et précisément les cellules des objets étrangers, y compris des objets bien au-delà de la capacité humaine de détection précise, sur la base de critères d’identification bien définis qui réduisent l’influence du biais de l’investigateur. Les techniques courantes d’identification des cellules à l’aide d’un logiciel automatisé impliquent deux méthodes principales : la segmentation et le seuil3. Ici, nous démontrons un protocole généraliste basé sur la zone qui permet un comptage rapide, précis et peu coûteux des cellules dans un cadre logiciel largement accessible.
Les techniques de segmentation, telles que la détection des bords, cherchent à isoler les cellules individuelles en utilisant les différences d’intensité au sein d’une image. Les changements d’intensité qui distinguent une cellule du reste de l’image consistent le plus souvent en des changements brusques de luminosité4. La détection des bords implique une étape de filtrage de régularisation, suivie d’une étape de différenciation dans laquelle les changements d’intensité sont détectés. Le processus de différenciation identifie les arêtes et les contours dans l’image des changements de haute intensité, et ces arêtes et contours sont corrélés à la présence de cellules. Bien que les images avec du bruit puissent être exécutées par des algorithmes de débruitage4, les techniques de détection des bords sont idéalement utilisées pour analyser des images avec un faible bruit de fond. Le processus fonctionne de manière optimale lorsque les limites des cellules sont clairement et facilement distinguables et ne sont pas entravées par des contours de luminosité sans rapport avec la présence cellulaire, le flou cellulaire, les objets étrangers ou les structures cellulaires internes définies 1,2. Si une image est particulièrement bruyante, les cellules peuvent être distinguées par coloration fluorescente ou transfection avec des protéines fluorescentes 2,5. Bien que cela améliore considérablement la précision des techniques de segmentation, cela nécessite des coûts supplémentaires et des investissements en temps supplémentaires pour préparer les cultures cellulaires à l’imagerie.
Les techniques de seuil impliquent la division d’une image en deux catégories: le premier plan et l’arrière-plan, avec des cellules affectées au premier plan3. Ces techniques utilisent des changements de couleur/contraste pour définir la hauteur apparente d’un objet; les objets qui sont systématiquement « plus grands » que l’arrière-plan peuvent être facilement identifiés comme des cellules. La transformation du bassin versant fonctionne de cette manière en associant des surfaces avec des pixels clairs au premier plan et celles avec des pixels sombres comme arrière-plan 6,7. Grâce à l’identification basée sur la hauteur, les techniques de seuillage peuvent systématiquement distinguer le bruit des objets souhaités, à condition qu’ils existent dans le même plan focal. Lorsqu’elle est associée à une quantification basée sur une zone, une transformation de bassin versant peut identifier avec précision des groupes d’objets dans des environnements où les techniques de segmentation typiques telles que la détection des bords seraient inexactes.
Les transformations de bassin versant sont généralement associées à des techniques de segmentation pour préparer les images à une analyse plus propre, ce qui se traduit par une plus grande précision du comptage cellulaire. Pour ce processus, la transformation du bassin versant est utilisée pour mettre en évidence les régions potentielles d’intérêt avant la segmentation. Une transformation de bassin versant offre des avantages uniques en identifiant les cellules au premier plan des images, ce qui peut améliorer la précision de l’analyse de segmentation en supprimant les faux positifs potentiels pour les cellules, tels que les taches inégales d’arrière-plan. Cependant, des difficultés peuvent survenir lorsque l’on tente d’adapter des images cellulaires à une transformation de bassin versant. Les images à haute densité cellulaire peuvent être en proie à une sous-segmentation, dans laquelle les agrégats de cellules sont identifiés comme un groupe singulier plutôt que comme des composants individuels. La présence de bruit ou de changements brusques d’intensité peut également entraîner une sursegmentation, dans laquelle l’algorithme surisole les cellules, ce qui entraîne un nombre excessif et inexact de cellules8.
Ici, nous détaillons une méthode pour minimiser les principaux inconvénients de la transformation du bassin versant en incorporant les composants d’une analyse de seuil dans un algorithme de quantification par zone, comme illustré à la figure 1. Notamment, cet algorithme a été mis en œuvre avec un logiciel open source et / ou largement disponible, et l’application de ce cadre de comptage cellulaire a été possible sans réactifs coûteux ou techniques complexes de préparation cellulaire. Les macrophages RAW264.7 ont été utilisés pour démontrer la méthode en raison de leur rôle essentiel dans la régulation du maintien du tissu conjonctif et des processus de cicatrisation des plaies9. De plus, les fibroblastes NIH/3T3 ont été analysés en raison de leur rôle clé dans l’entretien et la réparation des tissus. Les cellules fibroblastiques coexistent souvent avec les macrophages et les soutiennent, ce qui nécessite de distinguer ces types de cellules phénotypiquement distincts dans les études de coculture.
Le nombre de cellules à partir d’images à haute densité cellulaire viable (VCD) pourrait être quantifié de manière fiable et efficace en calculant la surface couverte par les cellules et la surface moyenne occupée par une cellule singulière. L’utilisation du seuil par opposition à la segmentation pour l’identification cellulaire a également permis des analyses plus complexes, telles que des expériences dans lesquelles différents types de cellules en coculture ont été analysés simultanément. Les fibroblastes NIH/3T3, qui se colocalisent souvent avec les macrophages RAW264.7 dans un site de cicatrisation des plaies, se développent à un plan focal distinct du plan focal des macrophages10. En conséquence, plusieurs algorithmes de seuil ont été exécutés pour définir l’arrière-plan et le premier plan en fonction du type de cellule analysé, permettant un comptage précis de deux types de cellules différents dans la même image.
Nous avons conçu une procédure générale basée sur la zone qui comptait avec précision et efficacité les cellules sur la base de la hauteur des cellules, permettant une quantification sans tache des cellules, même dans les systèmes de coculture. Les étapes critiques de cette procédure comprenaient la mise en œuvre d’un système d’intensité relative par lequel les cellules pouvaient être différenciées. L’utilisation d’une analyse de la hauteur relative avait deux objectifs : le besoin de paramètres…
The authors have nothing to disclose.
Ce travail a été financé en partie par les National Institutes of Health (R01 AR067247) et en partie par le programme Delaware INBRE, soutenu par une subvention du National Institute of General Medical Sciences-NIGMS (P20 GM103446) des National Institutes of Health et de l’État du Delaware. Le contenu du manuscrit ne reflète pas nécessairement les points de vue des organismes de financement.
Axio Observer 7 Inverted Microscope | Zeiss | 1028290770 | |
β-mercaptoethanol | Life Technologies | 21985023 | |
Cell Scrapers | CellTreat | 229310 | |
Dublecco's Modified Eagle Medium | Fisher Scientific | 12430047 | |
Dublecco's PBS | Fisher Scientific | 14190144 | |
MATLAB Software | MathWorks | 2021A | |
NIH/3T3 Cells | ATCC | ATCC CRL – 1658 | |
Penicillin–Streptomycin | Sigma Aldrich | P4333-20ML | |
RAW264.7 Cells | ATCC | ATCC TIB – 71 | |
Sodium Bicarbonate | Sigma Aldrich | S6014-25G | |
T75 Cell Culture Flask | Corning | CLS3814-24EA |