أتمتة مقايسة النواة الدقيقة باستخدام قياس التدفق الخلوي للتصوير والذكاء الاصطناعي

Summary

اختبار النواة الدقيقة (MN) هو اختبار راسخ لقياس تلف الحمض النووي. ومع ذلك ، فإن تسجيل الفحص باستخدام التقنيات التقليدية مثل الفحص المجهري اليدوي أو تحليل الصور المستند إلى الميزات أمر شاق وصعب. تصف هذه الورقة منهجية تطوير نموذج ذكاء اصطناعي لتسجيل مقايسة MN باستخدام بيانات قياس التدفق الخلوي للتصوير.

Abstract

يتم استخدام اختبار النواة الدقيقة (MN) في جميع أنحاء العالم من قبل الهيئات التنظيمية لتقييم المواد الكيميائية للسمية الجينية. يمكن إجراء الفحص بطريقتين: عن طريق تسجيل MN في الخلايا ثنائية النواة المقسمة مرة واحدة أو المسدودة بالسيتوكينات أو الخلايا أحادية النوى المقسمة بالكامل. تاريخيا ، كان الفحص المجهري الضوئي هو الطريقة القياسية الذهبية لتسجيل الفحص ، لكنه شاق وغير موضوعي. تم استخدام قياس التدفق الخلوي في السنوات الأخيرة لتسجيل الفحص ، ولكنه محدود بسبب عدم القدرة على تأكيد الجوانب الرئيسية للصور الخلوية بصريا. يجمع قياس التدفق الخلوي التصويري (IFC) بين التقاط الصور عالية الإنتاجية وتحليل الصور الآلي ، وقد تم تطبيقه بنجاح للحصول بسرعة على صور لجميع الأحداث الرئيسية وتسجيلها في اختبار MN. في الآونة الأخيرة ، ثبت أنه يمكن استخدام طرق الذكاء الاصطناعي (الذكاء الاصطناعي) القائمة على الشبكات العصبية التلافيفية لتسجيل بيانات مقايسة MN التي حصلت عليها مؤسسة التمويل الدولية. تصف هذه الورقة جميع خطوات استخدام الذكاء الاصطناعي البرنامج لإنشاء نموذج تعلم عميق لتسجيل جميع الأحداث الرئيسية وتطبيق هذا النموذج لتسجيل بيانات إضافية تلقائيا. تقارن نتائج نموذج التعلم العميق الذكاء الاصطناعي بشكل جيد بالفحص المجهري اليدوي ، وبالتالي تمكين التسجيل الآلي بالكامل لمقايسة MN من خلال الجمع بين مؤسسة التمويل الدولية و الذكاء الاصطناعي.

Introduction

يعد فحص النواة الدقيقة (MN) أمرا أساسيا في علم السموم الوراثية لتقييم تلف الحمض النووي في تطوير مستحضرات التجميل والمستحضرات الصيدلانية والمواد الكيميائية للاستخدام البشري¹،²،^3،4. تتكون النوى الدقيقة من كروموسومات كاملة أو شظايا كروموسوم لا تندمج في النواة بعد الانقسام وتتكثف في أجسام دائرية صغيرة منفصلة عن النواة. وبالتالي ، يمكن استخدام MN كنقطة نهاية لتحديد تلف الحمض النووي في اختبار السمية الجينية¹.

الطريقة المفضلة لقياس MN هي داخل الخلايا ثنائية النواة المقسمة مرة واحدة (BNCs) عن طريق منع الانقسام باستخدام Cytochalasin-B (Cyt-B). في هذا الإصدار من الفحص ، يتم تقييم السمية الخلوية أيضا عن طريق تسجيل الخلايا أحادية النواة (MONO) ومتعددة النوى (POLY). يمكن أيضا إجراء الفحص عن طريق تسجيل MN في خلايا أحادية اللون غير محظورة ، وهو أسرع وأسهل في التسجيل ، مع تقييم السمية الخلوية باستخدام عدد الخلايا قبل وبعد التعرض لتقييم الانتشار ^5,6.

تم إجراء التسجيل المادي للفحص تاريخيا من خلال الفحص المجهري اليدوي ، لأن هذا يسمح بتأكيد مرئي لجميع الأحداث الرئيسية. ومع ذلك ، فإن الفحص المجهري اليدوي يمثل تحديا وشخصيا¹. وهكذا ، تم تطوير تقنيات آلية ، بما في ذلك مسح الشرائح المجهرية وقياس التدفق الخلوي ، ولكل منها مزاياها وقيودها. بينما تسمح طرق مسح الشرائح بتصور الأحداث الرئيسية ، يجب إنشاء الشرائح بكثافة الخلية المثلى ، والتي قد يكون من الصعب تحقيقها. بالإضافة إلى ذلك ، غالبا ما تفتقر هذه التقنية إلى التصور السيتوبلازمي ، والذي يمكن أن يضر بتسجيل الخلايا أحادية اللون^و POLY ^7,8. بينما يوفر قياس التدفق الخلوي التقاط بيانات عالية الإنتاجية ، يجب تحليل الخلايا ، وبالتالي عدم السماح باستخدام شكل Cyt-B للفحص. بالإضافة إلى ذلك ، كتقنية غير تصويرية ، لا يوفر قياس التدفق الخلوي التقليدي التحقق البصري من الأحداث الرئيسية ^9,10.

لذلك ، تم التحقيق في قياس التدفق الخلوي التصويري (IFC) لإجراء فحص MN. تجمع ImageStream^X Mk II بين السرعة والمتانة الإحصائية لقياس التدفق الخلوي التقليدي مع إمكانات التصوير عالية الدقة للفحص المجهري في نظام واحد¹¹. لقد ثبت أنه باستخدام مؤسسة التمويل الدولية ، يمكن التقاط صور عالية الدقة لجميع الأحداث الرئيسية وتسجيلها تلقائيا باستخدام تقنيات 12,13 أو الذكاء الاصطناعي (الذكاء الاصطناعي)^{القائمة على الميزات 14,15}. باستخدام IFC لإجراء مقايسة MN ، يمكن تحقيق التسجيل التلقائي للعديد من الخلايا مقارنة بالفحص المجهري في فترة زمنية أقصر.

ينحرف هذا العمل عن سير عمل تحليل الصور الموصوف سابقا¹⁶ ويناقش جميع الخطوات المطلوبة لتطوير وتدريب نموذج غابة عشوائية (RF) و / أو شبكة عصبية تلافيفية (CNN) باستخدام برنامج Amnis الذكاء الاصطناعي (يشار إليه من الآن فصاعدا باسم "برنامج الذكاء الاصطناعي"). يتم وصف جميع الخطوات اللازمة ، بما في ذلك ملء بيانات الحقيقة الأرضية باستخدام أدوات وضع العلامات بمساعدة الذكاء الاصطناعي ، وتفسير نتائج تدريب النموذج ، وتطبيق النموذج لتصنيف البيانات الإضافية ، مما يسمح بحساب السمية الجينية والسمية الخلوية¹⁵.

Protocol

1. الحصول على البيانات باستخدام قياس التدفق الخلوي للتصوير

ملاحظة: يرجى الرجوع إلى Rodrigues et ^al.16 مع التعديلات التالية، مع ملاحظة أن مناطق الاقتناء التي تستخدم مؤسسة التمويل الدولية قد تحتاج إلى تعديل من أجل التقاط الصور على النحو الأمثل:

1. بالنسبة للطريقة غير Cyt-B ، قم بإجراء عدد الخلايا باستخدام عداد خلايا متاح تجاريا باتباع تعليمات الشركة المصنعة (انظر جدول المواد) على كل مزرعة مباشرة قبل الاستزراع وبعد فترة الاسترداد مباشرة.
2. في حالة تشغيل عينات على مقياس تدفق تدفق التصوير بكاميرا واحدة ، ضع Brightfield (BF) في القناة 4. يستعاض عن M01 ب M04 و M07 ب M01.
   ملاحظة: يشير الحرف "M" إلى قناة الكاميرا على مؤسسة التمويل الدولية.
3. استخدم التكبير 40x أثناء الاستحواذ.
4. في مخطط نسبة العرض إلى الارتفاع لمنطقة BF مقابل BF أثناء الاستحواذ ، استخدم إحداثيات المنطقة التالية:
   إحداثيات X: 100 و 900 ؛ إحداثيات Y: 0.7 و 1 (طريقة Cyt-B)
   إحداثيات X: 100 و 600 ؛ إحداثيات Y: 0.7 و 1
5. في مخطط شدة Hoechst ، استخدم إحداثيات المنطقة التالية:
   إحداثيات X: 55 و 75 ؛ إحداثيات Y: 9.5 و 15 (طريقة Cyt-B)
   إحداثيات X: 55 و 75 ؛ إحداثيات Y: 13 و 21 (طريقة غير Cyt-B)
6. لإزالة صور الكائنات المبرمج والميتة من البيانات ، قم بتشغيل حزمة برامج IDEAS 6.3 (يشار إليها من الآن فصاعدا باسم "برنامج تحليل الصور" ؛ انظر جدول المواد).
   ملاحظة: تم تصميم برنامج الذكاء الاصطناعي للعمل مع ملفات .daf التي تمت معالجتها باستخدام أحدث إصدار من برنامج تحليل الصور. تأكد من تحديث برنامج تحليل الصور.
7. احفظ هذا العمل كملف قالب (.ast).

2. إنشاء ملفات .daf لجميع ملفات .rif

1. يسمح برنامج الذكاء الاصطناعي فقط باستيراد ملفات .daf. قم بإنشاء ملفات .daf لجميع ملفات .rif في التجربة من خلال المعالجة المجمعة.
2. ضمن قائمة الأدوات ، انقر فوق ملفات البيانات المجمعة ثم انقر فوق إضافة دفعة.
3. في النافذة الجديدة ، حدد إضافة ملفات وحدد ملفات .rif المراد إضافتها إلى الدفعة. ضمن الخيار تحديد قالب أو ملف تحليل بيانات (.ast، .daf)، حدد ملف .ast الذي تم إنشاؤه مسبقا.
4. قم بتعيين اسم دفعة إذا لزم الأمر وانقر فوق "موافق " لإنشاء ملفات .daf لجميع ملفات .rif المحملة.

3. إنشاء تجربة في برنامج الذكاء الاصطناعي

1. ارجع إلى المخطط الانسيابي في الشكل 1 الذي يصف عملية إنشاء نموذج التعلم العميق باستخدام برنامج الذكاء الاصطناعي.
2. قم بتشغيل برنامج الذكاء الاصطناعي وتأكد من تثبيت أحدث إصدار بالنقر فوق حول في الركن الأيسر السفلي من النافذة. إذا لم يتم تثبيت أحدث إصدار، فاتصل support@luminexcorp.com للحصول عليه.
3. الشاشة الافتراضية في البرنامج هي شاشة التجربة الجديدة . استخدم رمز المجلد لاختيار مكان حفظ التجربة، واكتب اسما للتجربة (على سبيل المثال، "نموذج MN").
4. ضمن نوع التجربة، انقر فوق زر الاختيار الموجود بجانب تدريب لبدء تجربة تدريبية لبدء إنشاء نموذج CNN. انقر فوق التالي.
   1. اختياري: إذا تم تدريب نموذج مسبقا، فيمكن استخدامه كقالب لنموذج الذكاء الاصطناعي جديد، ويمكن تحديده كقالب لإنشاء نموذج جديد من شاشة تحديد نموذج قالب . في حالة عدم وجود نموذج قالب ، ما عليك سوى تخطي هذه الخطوة بالنقر فوق التالي.
5. الشاشة التالية هي شاشة تحديد نموذج جديد . ضمن النموذج، سيتم ملء الاسم الذي تم إعطاؤه للنموذج في الخطوة 3.3 تلقائيا.
   1. ضمن الوصف، اكتب وصفا للنموذج (اختياري) واترك الحد الأقصى لحجم الصورة عند 150 بكسل.
   2. ضمن القنوات ، انقر فوق إضافة BF لإضافة قناة برايتفيلد إلى القائمة. ضمن الاسم ، انقر نقرا مزدوجا فوق Brightfield وأعد تسمية هذه القناة إلى BF. انقر فوق إضافة FL لإضافة قناة الفلورسنت إلى القائمة. ضمن الاسم ، انقر نقرا مزدوجا فوق الفلورسنت وأعد تسمية هذه القناة إلى DNA.
   3. ضمن أسماء الفئات ، انقر فوق إضافة. في النافذة المنبثقة ، اكتب أحادي النواة وانقر فوق موافق. يؤدي هذا إلى إضافة الفئة أحادية النواة إلى قائمة أسماء الفئات. كرر هذه العملية للتأكد من تعريف الفئات الست التالية في القائمة:
      أحادي النواة
      أحادي النواة مع MN
      ثنائي النواة
      ثنائي النواة مع MN
      متعدد النوى
      مورفولوجيا غير منتظمة
      انقر فوق التالي.
      ملاحظة: ستمثل فئات نماذج الحقيقة الأرضية الستة هذه الأحداث الرئيسية التي سيتم تسجيلها ، بالإضافة إلى الصور ذات التشكل التي تختلف عن معايير التسجيل^{المقبولة 5}.
      1. اختياري: إذا رغبت في ذلك، يمكن تضمين قالب التحليل من 1.7 لاستخدام ميزات من برنامج تحليل الصور. إذا كنت ترغب في تضمين هذه الميزات في نموذج الذكاء الاصطناعي ، فاستعرض للوصول إلى ملف .ast ، ثم من القوائم المنسدلة الخاصة بالقناة ، اختر المجموعات الفرعية للميزات التي ترغب في تضمينها.
   4. ضمن تحديد الملفات ، انقر فوق إضافة ملفات واستعرض بحثا عن الملفات المطلوبة لإضافتها إلى برنامج الذكاء الاصطناعي لإنشاء بيانات الحقيقة الأساسية. انقر فوق التالي.
      ملاحظة: من المهم إضافة ملفات بيانات متعددة (على سبيل المثال ، بيانات التحكم الإيجابية والسلبية) تحتوي على عدد كاف من جميع الأحداث الرئيسية.
6. بعد ذلك، في شاشة تحديد مجموعات سكانية أساسية ، حدد موقع المحتوى غير المبرمج من التسلسل الهرمي للسكان. انقر بزر الماوس الأيمن فوق السكان غير المبرمجين وحدد تحديد جميع المجموعات السكانية المطابقة. انقر فوق التالي.
   ملاحظة: من المهم استبعاد أي مجموعات سكانية لا ينبغي تصنيفها (على سبيل المثال ، الخرز ، الحطام ، الزوجي ، إلخ.)
7. هذه الشاشة هي شاشة تحديد مجموعات الحقيقة .
   1. إذا لم يتم إنشاء مجموعات الحقيقة الموسومة للأحداث الرئيسية في برنامج تحليل الصور ، فانقر فوق التالي.
   2. إذا تم إنشاء مجموعات الحقيقة الموسومة في برنامج تحليل الصور ، فقم بتعيينها إلى فئة النموذج المناسبة.
   3. لتعيين مجموعة حقيقة موسومة للخلايا أحادية اللون مع MN ، انقر فوق فئة Mononucleated with MN ضمن فئات النموذج على اليسار. ثم انقر فوق مجموعة الحقيقة المناسبة الموسومة على اليمين الذي يحتوي على هذه الأحداث.
   4. إذا تم إنشاء مجموعات معلومات الحقيقة ذات العلامات في أكثر من ملف بيانات واحد، فانقر بزر الماوس الأيمن فوق إحدى مجموعات معلومات الحقيقة وحدد تحديد كافة مجموعات التحقق المطابقة لإضافة مجموعات سكانية ذات علامات تمييز من ملفات متعددة إلى الفئة المناسبة.
   5. بمجرد تعيين جميع مجموعات الحقيقة المناسبة ، انقر فوق التالي.
8. في شاشة تحديد القنوات ، اختر القنوات المناسبة للتجربة. هنا ، اضبط BF على القناة 1 و Hoechst على القناة 7. انقر بزر الماوس الأيمن فوق قناة وحدد تطبيق على الكل. انقر فوق التالي.
9. أخيرا ، في شاشة التأكيد ، انقر فوق إنشاء تجربة.
10. يقوم برنامج الذكاء الاصطناعي بتحميل الصور من ملفات البيانات وإنشاء فئات النموذج المحددة في الخطوة 3.5.3 مع صور الحقيقة الأرضية التي تم تعيينها في الخطوة 3.7. انقر فوق إنهاء.
11. بمجرد إنشاء التجربة ، يتم تقديم خمسة خيارات:
    التجربة: توفر تفاصيل التجربة، بما في ذلك ملفات البيانات التي تم تحميلها، والقنوات المختارة، وفئات نموذج الحقيقة الأساسية المحددة.
    وضع العلامات: تشغيل أداة وضع العلامات التي يمكن للمستخدمين من خلالها ملء بيانات الحقيقة الأساسية.
    التدريب: يدرب نموذجا يعتمد على بيانات الحقيقة على أرض الواقع.
    تصنيف: يستخدم نماذج مدربة لتصنيف البيانات.
    النتائج: توفر نتائج من كل من تجربة التدريب وتجربة التصنيف.

4. ملء بيانات الحقيقة الأساسية باستخدام أدوات وضع العلامات بمساعدة الذكاء الاصطناعي

1. انقر فوق وضع العلامات لتشغيل واجهة أداة وضع العلامات.
   1. انقر فوق أدوات التكبير / التصغير (أيقونات العدسة المكبرة) لاقتصاص الصور لتسهيل عرضها.
   2. انقر فوق شريط التمرير لضبط حجم الصورة لتغيير عدد الصور المعروضة في المعرض.
   3. انقر فوق خيار إعداد العرض ، واختر Min-Max ، والذي يوفر أفضل صورة تباين لتحديد جميع الأحداث الرئيسية.
   4. انقر فوق إعداد عرض المعرض لتغيير لون صورة الحمض النووي إلى الأصفر أو الأبيض ، مما سيحسن تصور الأشياء الصغيرة (على سبيل المثال ، MN).
2. انقر فوق Cluster لتشغيل الخوارزمية لتجميع الكائنات ذات التشكل المماثل معا. بمجرد اكتمال التجميع، يتم عرض المجموعات الفردية التي تحتوي على عدد الكائنات لكل مجموعة في قائمة ضمن مجموعات سكانية غير معروفة. حدد المجموعات الفردية لعرض الكائنات داخل الكتلة وقم بتعيين هذه الكائنات إلى فئات النموذج المناسبة لها.
3. بعد تعيين ما لا يقل عن 25 كائنا لكل فئة نموذج، تصبح خوارزمية التنبؤ متاحة. انقر فوق توقع.
   ملاحظة: تظل الكائنات التي لا تتناسب بشكل جيد مع أي مجموعة مصنفة على أنها غير معروفة. مع إضافة المزيد من الكائنات إلى مجموعات الحقيقة ، تتحسن دقة التنبؤ.
4. استمر في ملء فئات نموذج الحقيقة الأرضية بالصور المناسبة حتى يتم الوصول إلى عدد كاف من الكائنات في كل فئة.
5. بمجرد تعيين ما لا يقل عن 100 كائن لكل فئة طراز ، انقر فوق علامة التبويب التدريب في الجزء العلوي من الشاشة. انقر فوق الزر Train لإنشاء نموذج باستخدام خوارزميات Random Forest و CNN.
   ملاحظة: يقوم برنامج الذكاء الاصطناعي بإنشاء نماذج باستخدام كل من خوارزميات Random Forest و CNN ، وتسمح مربعات الاختيار بإنشاء نماذج باستخدام خوارزميات Random Forest of CNN فقط.

5. تقييم دقة النموذج

1. بمجرد اكتمال تدريب النموذج ، انقر فوق عرض النتائج.
2. استخدم شاشة النتائج لتقييم دقة النموذج. استخدم القائمة المنسدلة للتبديل بين Random Forest و CNN.
   ملاحظة: يمكن تحديث مجموعات الحقيقة ، ويمكن إعادة تدريب النموذج أو استخدامه كما هو لتصنيف البيانات الإضافية.
   1. لتحديث مجموعات الحقيقة ، انقر فوق وضع العلامات في الأعلى واتبع القسم 4.

6. تصنيف البيانات باستخدام النموذج

1. قم بتشغيل برنامج الذكاء الاصطناعي. الشاشة الافتراضية هي شاشة تجربة جديدة . استخدم أيقونة المجلد لاختيار مكان حفظ التجربة واكتب اسما للتجربة.
2. ضمن نوع التجربة، انقر فوق زر الاختيار بجانب تصنيف لبدء تجربة تصنيف . انقر فوق التالي.
3. انقر فوق النموذج المراد استخدامه للتصنيف ، ثم انقر فوق التالي.
4. في شاشة تحديد الملفات ، انقر فوق إضافة ملفات واستعرض الملفات المراد تصنيفها حسب نموذج CNN. انقر فوق التالي.
5. بعد ذلك ، في شاشة تحديد السكان الأساسيين ، انقر فوق مربع الاختيار بجوار السكان غير المبرمجين في أحد الملفات المحملة. انقر بزر الماوس الأيمن فوق السكان غير المبرمجين وانقر فوق تحديد كافة المجموعات السكانية المطابقة لتحديد هذه المجموعة من جميع الملفات المحملة. انقر فوق التالي.
6. اختياري: إذا كانت البيانات المراد تصنيفها تحتوي على مجموعات الحقيقة، فيمكن تعيينها إلى فئات النموذج المناسبة على شاشة تحديد مجموعات الحقيقة. وإلا، فانقر فوق التالي لتخطي هذه الخطوة.
7. في شاشة تحديد القنوات ، اختر القناة 1 ل brightfield والقناة 7 لصبغة الحمض النووي. انقر بزر الماوس الأيمن فوق قناة وانقر فوق تطبيق على الكل. ثم انقر فوق التالي.
8. أخيرا ، في شاشة التأكيد ، انقر فوق إنشاء تجربة. يقوم برنامج الذكاء الاصطناعي بتحميل النموذج المحدد وجميع الصور من ملفات البيانات المختارة. انقر فوق إنهاء.
9. انقر فوق تصنيف لتشغيل شاشة التصنيف. انقر فوق الزر تصنيف . يبدأ هذا عملية استخدام نموذج RF و CNN لتصنيف البيانات الإضافية وتحديد جميع الكائنات التي تنتمي إلى فئات النموذج المحددة.
   ملاحظة: يمكن استخدام خانات الاختيار لتحديد طراز RF و / أو طراز CNN.
10. بمجرد اكتمال التصنيف ، انقر فوق عرض النتائج.
11. انقر فوق الزر تحديث DAFs لإظهار نافذة تحديث DAFs مع نتائج التصنيف. انقر فوق "موافق" لتحديث ملفات .daf.

7. إنشاء تقرير بنتائج التصنيف

1. في شاشة النتائج ، انقر فوق إنشاء تقرير. حدد خانة الاختيار الموجودة بجانب إنشاء تقرير لكل DAF إدخال إذا كان هناك حاجة إلى تقرير فردي لكل DAF إدخال . انقر فوق موافق.
2. بمجرد الانتهاء ، افتح المجلد حيث تم حفظ ملفات التقرير. داخل المجلد، يوجد تقرير .pdf التجربة ومجلد الموارد .
3. افتح .pdf لعرض التقرير. يحتوي التقرير على معلومات النموذج والتجربة ، وقائمة ملفات الإدخال .daf ، وعدد الفئات والنسب المئوية للفئة بتنسيق جدولي ومدرج تكراري ، ومصفوفة ارتباك تلخص متوسط احتمال التنبؤ عبر جميع ملفات الإدخال .daf.
4. افتح مجلد الموارد ثم مجلد CNN . يوجد داخل هذا المجلد ملفات .png لعدد الفئات والرسوم البيانية الشريطية للنسبة المئوية ، بالإضافة إلى مصفوفة الارتباك. بالإضافة إلى ذلك ، هناك ملفات .csv تحتوي على أعداد الفئات والنسب المئوية لكل ملف إدخال.

8. تحديد تردد MN والسمية الخلوية

1. حساب تردد MN
   1. طريقة غير Cyt-B: لتحديد تردد MN افتح ملف class_count.csv من الخطوة 7.4. لكل ملف إدخال ، قسم الأعداد في مجتمع "أحادي النواة مع MN" على الأعداد في المحتوى "أحادي النوى" واضربه في 100:
      
   2. طريقة Cyt-B: لتحديد تردد MN افتح ملف class_count.csv من الخطوة 7.4. لكل ملف إدخال ، قسم الأعداد في مجتمع "ثنائي النواة مع MN" على الأعداد في السكان "ثنائي النواة" واضربه في 100:
      
2. حساب السمية الخلوية
   1. طريقة غير الخلايا البائية:
      1. باستخدام عدد الخلايا الأولي وعدد الخلايا بعد المعالجة ، احسب أولا مضاعفة عدد السكان (PD) لكل عينة²:
         
      2. بعد ذلك ، احسب تضاعف عدد السكان النسبي²:
         
      3. أخيرا ، احسب السمية الخلوية² لكل عينة:
         
   2. طريقة الخلية البائية:
      1. لحساب مؤشر انتشار كتلة التحريك الخلوي (CBPI)²، استخدم الأعداد في الفئات أحادية النواة وثنائية النواة ومتعددة النوى لكل عينة من الملف class_count.csv :
         
      2. لحساب السمية الخلوية² ، استخدم CBPI من ثقافات التحكم (C) والثقافات المكشوفة (T):
         

النتائج

يوضح الشكل 1 سير العمل لاستخدام برنامج الذكاء الاصطناعي لإنشاء نموذج لمقايسة MN. يقوم المستخدم بتحميل ملفات .daf المطلوبة في برنامج الذكاء الاصطناعي ، ثم يعين الكائنات إلى فئات نموذج الحقيقة الأرضية باستخدام المجموعة بمساعدة الذكاء الاصطناعي (الشكل 2) والتنب...

Discussion

يصف العمل المقدم هنا استخدام خوارزميات التعلم العميق لأتمتة تسجيل مقايسة MN. أظهرت العديد من المنشورات الحديثة أن الأدوات البديهية والتفاعلية تسمح بإنشاء نماذج التعلم العميق لتحليل بيانات الصور دون الحاجة إلى معرفة حسابية متعمقة^18,19. تم تصميم البروتوكول ال...

Materials

Name	Company	Catalog Number	Comments
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