a-high-content-imaging-workflow-to-study-grb2-signaling-complexes

A High-content Imaging Workflow to Study Grb2 Signaling Complexes by Expression Cloning

Signal  transduction by growth factor receptors is essential for cells to maintain  proliferation and differentiation and requires tight control. Signal  ...

University College London

&#x81EA;&#x52A8;&#x5316;&#x7684;&#x56FE;&#x50CF;&#x5904;&#x7406;&#x662F;&#x5173;&#x952E;&#x548C;&#x5F80;&#x5F80;&#x901F;&#x7387;&#x9650;&#x5236;&#x7684;&#x6B65;&#x9AA4;&#xFF0C;&#x9AD8;&#x5185;&#x5BB9;&#x7B5B;&#x9009; &#xFF08;HCS&#xFF09; &#x5DE5;&#x4F5C;&#x6D41;&#x4E2D;&#x3002;&#x4F5C;&#x8005;&#x63CF;&#x8FF0;&#x4E86;&#x5F00;&#x653E;&#x6E90;&#x7801;&#x7684;&#x6210;&#x50CF;&#x7EDF;&#x8BA1;&#x6846;&#x67B6;&#xFF0C;&#x91CD;&#x70B9;&#x662F;&#x5206;&#x5272;&#x8BC6;&#x522B;&#x65B0;&#x578B;&#x9009;&#x62E9;&#x6027;&#x836F;&#x7406;&#x8BF1;&#x5BFC;&#x7684;&#x81EA;&#x566C;&#x3002;&#x4ED6;&#x4EEC;&#x7504;&#x522B;&#x4EBA;&#x80BA;&#x6CE1;&#x764C;&#x7EC6;&#x80DE;&#x548C;&#x8BC4;&#x4EF7;&#x8FD9;&#x4E24;&#x4E2A;&#x5730;&#x65B9;&#x7684;&#x81EA;&#x9002;&#x5E94;&#x548C;&#x5168;&#x7403;&#x5206;&#x5272;&#x56FE;&#x50CF;&#x3002;&#x5728;&#x5355;&#x4E2A;&#x5355;&#x5143;&#x683C;&#x7EA7;&#x522B;&#x4E0A;&#xFF0C;&#x5206;&#x5272;&#x533A;&#x57DF;&#x589E;&#x957F;&#x76F8;&#x6BD4;&#x662F;&#x76F4;&#x65B9;&#x56FE;&#x6D3E;&#x751F;&#x7684;&#x5206;&#x5272;&#x3002;&#x76F4;&#x65B9;&#x56FE;&#x65B9;&#x6CD5;&#x5141;&#x8BB8;&#x96F6;&#x661F;&#x56FE;&#x6848;&#x524D;&#x666F;&#x8272;&#x7684;&#x5206;&#x5272;&#xFF0C;&#x4ECE;&#x800C;&#x5B9E;&#x73B0;&#x50CF;&#x7D20;&#x7EA7;&#x7CBE;&#x5EA6;&#x3002;&#x5355;&#x4E2A;&#x5355;&#x5143;&#x683C;&#x7684;&#x8868;&#x578B;&#x7279;&#x5F81;&#x662F;&#x8861;&#x91CF;&#x548C;&#x8BC4;&#x4F30;&#x6D4B;&#x5B9A;&#x8D28;&#x91CF;&#x63A7;&#x5236;&#x540E;&#x51CF;&#x5C11;&#x3002;&#x649E;&#x673A;&#x5B66;&#x4E60;&#x597D;&#x7B26;&#x5408;&#x53F0;&#x6E7E;&#x7531;&#x4E13;&#x5BB6;&#x5206;&#x6790;&#x4E3B;&#x89C2;&#x57FA;&#x4E8E;&#x9608;&#x503C;&#x7684;&#x547D;&#x4E2D;&#x6B21;&#x6570;&#x7531;&#x9009;&#x5B9A;&#x7684;&#x5316;&#x5408;&#x7269;&#x3002;&#x76F4;&#x65B9;&#x56FE;&#x6D3E;&#x751F;&#x5206;&#x5272;&#x663E;&#x793A;&#x9C81;&#x68D2;&#x6027;&#x5BF9;&#x56FE;&#x50CF;&#x7684;&#x566A;&#x58F0;&#xFF0C;&#x4EA7;&#x751F;&#x4E0D;&#x5229;&#x5F71;&#x54CD;&#x533A;&#x57DF;&#x4E0D;&#x65AD;&#x5206;&#x5272;&#x7684;&#x4E00;&#x4E2A;&#x56E0;&#x7D20;&#x3002;

&#x9AD8;&#x7EA7;&#x5185;&#x5BB9;&#x7B5B;&#x9009;&#x81EA;&#x52A8;&#x5316;&#x56FE;&#x50CF;&#x8BC6;&#x522B;&#x80BF;&#x7624;&#x7EC6;&#x80DE;&#x9009;&#x62E9;&#x6027;&#x81EA;&#x566C;&#x8BF1;&#x5BFC;&#x5242;&#x7684;&#x5206;&#x6790;&#x7BA1;&#x9053;&#x3002;

Automated image processing is a critical and often rate-limiting step in high-content screening (HCS) workflows. The authors describe an open-source imaging-statistical framework with emphasis on segmentation to identify novel selective pharmacological inducers of autophagy. They screened a human alveolar cancer cell line and evaluated images by both local adaptive and global segmentation. At an individual cell level, region-growing segmentation was compared with histogram-derived segmentation. The histogram approach allowed segmentation of a sporadic-pattern foreground and hence the attainment of pixel-level precision. Single-cell phenotypic features were measured and reduced after assessing assay quality control. Hit compounds selected by machine learning corresponded well to the subjective threshold-based hits determined by expert analysis. Histogram-derived segmentation displayed robustness against image noise, a factor adversely affecting region growing segmentation.

An automated high-content screening image analysis pipeline for the identification of selective autophagic inducers in human cancer cell lines.

Traitement d&#39;images automatis&eacute;e est une &eacute;tape critique et souvent limitante dans les workflows de d&eacute;pistage (HCS) de haute teneur. Les auteurs d&eacute;crivent un cadre imagerie-statistique de l&#39;open source en mettant l&#39;accent sur la segmentation pour identifier de nouveaux inducteurs pharmacologiques s&eacute;lectives de l&#39;autophagie. Ils projet&eacute; une lign&eacute;e de cellules canc&eacute;reuses humaines d&#39;alv&eacute;olaire et &eacute;valu&eacute; des images par les deux segmentation adaptative et global local. Au niveau des cellules individuelles, culture r&eacute;gion segmentation a &eacute;t&eacute; compar&eacute;e &agrave; histogramme d&eacute;riv&eacute; de segmentation. L&#39;approche de l&#39;histogramme permettait de segmentation d&#39;un avant-plan sporadique-mod&egrave;le et donc la r&eacute;alisation de pixel-niveau de pr&eacute;cision. Monocellulaires caract&eacute;ristiques ph&eacute;notypiques ont &eacute;t&eacute; mesur&eacute;s et ramen&eacute;s apr&egrave;s &eacute;valuation du contr&ocirc;le de qualit&eacute; de dosage. Frapper les compos&eacute;s s&eacute;lectionn&eacute;s par machine learning correspondait bien aux hits subjectives bas&eacute;es sur un seuil d&eacute;termin&eacute;s par l&#39;analyse experte. Segmentation d&eacute;riv&eacute;s histogramme affiche robustesse au bruit de l&#39;image, un facteur affectant n&eacute;gativement segmentation croissante de r&eacute;gion.

Un d&eacute;pistage automatis&eacute; de haute teneur image pipeline d&#39;analyse pour l&#39;identification des inducteurs d&#39;autophagie s&eacute;lectives dans les lign&eacute;es de cellules canc&eacute;reuses humaines.

Automatisierte Bildverarbeitung ist ein kritischer und oftmals geschwindigkeitsbestimmende Schritt in hoch-Inhalt-screening (HCS)-Workflows. Die Autoren beschreiben eine Bildgebung-statistische Open-Source-Framework mit Betonung der Segmentierung Roman selektive pharmakologische Induktoren der Autophagy zu identifizieren. Sie abgeschirmt von eine menschlichen alveol&auml;re Krebs-Zelllinie und Bilder von beiden lokalen adaptive und globale Segmentierung ausgewertet. Auf Ebene einzelner Zellen wurde die Region wachsenden Segmentierung mit Histogramm abgeleitete Segmentierung verglichen. Der Histogramm-Ansatz erlaubt Segmentierung von einem sporadisch-Muster-Vordergrund und damit die Verwirklichung der Pixelebene Pr&auml;zision. Einzellige ph&auml;notypische Merkmale wurden gemessen und nach Beurteilung der Assay-Qualit&auml;tskontrolle reduziert. Schlagen Sie Verbindungen von Maschine lernen gut zu subjektiven Grenzwertbasierte Hits von Experten-Analyse bestimmt &uuml;bereinstimmten ausgew&auml;hlt. Histogramm-abgeleitete Segmentierung angezeigt Robustheit gegen Bildrauschen, ein Faktor, der Beeintr&auml;chtigung der Region wachsenden Segmentierung.

Eine automatisierte &Uuml;berpr&uuml;fung der hoch-Inhalt Bild Analyse Pipeline f&uuml;r die Identifizierung der selektiven autophagic Induktoren im menschlichen Krebszelllinien.

Elaborazione automatizzata &egrave; un passaggio critico e spesso-limitazione della velocit&agrave; in flussi di lavoro di screening (HCS) ad alto contenuto. Gli autori descrivono un quadro statistico-imaging open-source con enfasi sulla segmentazione per identificare nuovi induttori farmacologiche selettive di autophagy. Hanno proiettato una linea cellulare di cancro umano alveolare e valutati immagini da entrambi locale segmentazione adattiva e globale. A livello di singola cellula, regione crescente segmentazione &egrave; stato confrontato con istogramma derivato segmentazione. L&#39;approccio di istogramma consentito segmentazione di un pattern di sporadici in primo piano e di conseguenza il raggiungimento della precisione a livello di pixel. Cella singola caratteristiche fenotipiche erano misurati e ridotto dopo aver valutato i test di controllo di qualit&agrave;. Colpire composti selezionati dalla macchina di apprendimento corrispose anche la soggettiva hits basata sulla soglia determinata dall&#39;analisi esperta. Segmentazione derivato istogramma visualizzato robustezza contro il rumore dell&#39;immagine, un fattore di pregiudizio segmentazione crescente regione.

Uno screening automatizzato ad alto contenuto di immagine pipeline di analisi per l&#39;identificazione di induttori autophagic selettive in linee di cellule tumorali umane.

&#x81EA;&#x52D5;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x51E6;&#x7406;&#x9AD8;&#x30B3;&#x30F3;&#x30C6;&#x30F3;&#x30C4; &#x30EF;&#x30FC;&#x30AF;&#x30D5;&#x30ED;&#x30FC; (HCS) &#x306E;&#x30B9;&#x30AF;&#x30EA;&#x30FC;&#x30CB;&#x30F3;&#x30B0;&#x306E;&#x91CD;&#x8981;&#x304B;&#x3064;&#x3057;&#x3070;&#x3057;&#x3070;&#x30EC;&#x30FC;&#x30C8;&#x5236;&#x9650;&#x4E00;&#x6B69;&#x3067;&#x3059;&#x3002;&#x8457;&#x8005;&#x3089;&#x306F;&#x3001;&#x30AA;&#x30FC;&#x30D7;&#x30F3; &#x30BD;&#x30FC;&#x30B9;&#x306E;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x30F3;&#x30B0;&#x7D71;&#x8A08;&#x30D5;&#x30EC;&#x30FC;&#x30E0;&#x30EF;&#x30FC;&#x30AF;&#x5C0F;&#x8AAC;&#x30AA;&#x30FC;&#x30C8;&#x30D5;&#x30A1;&#x30B8;&#x30FC;&#x9078;&#x629E;&#x7684;&#x306A;&#x85AC;&#x7406;&#x5B66;&#x7684;&#x8A98;&#x5C0E;&#x7269;&#x8CEA;&#x3092;&#x8B58;&#x5225;&#x3059;&#x308B;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x91CD;&#x70B9;&#x304C;&#x306B;&#x3064;&#x3044;&#x3066;&#x8AAC;&#x660E;&#x3057;&#x307E;&#x3059;&#x3002;&#x5F7C;&#x3089;&#x306F;&#x3072;&#x3068;&#x80BA;&#x80DE;&#x764C;&#x306E;&#x30BB;&#x30EB;&#x30E9;&#x30A4;&#x30F3;&#x3092;&#x4E0A;&#x6620;&#x3001;&#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x304C;&#x4E21;&#x65B9;&#x30ED;&#x30FC;&#x30AB;&#x30EB;&#x9069;&#x5FDC;&#x304A;&#x3088;&#x3073;&#x30B0;&#x30ED;&#x30FC;&#x30D0;&#x30EB;&#x306A;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x306B;&#x3088;&#x308B;&#x8A55;&#x4FA1;&#x3002;&#x500B;&#x3005; &#x306E;&#x7D30;&#x80DE;&#x30EC;&#x30D9;&#x30EB;&#x3067;&#x306F;&#x3001;&#x9818;&#x57DF;&#x6210;&#x9577;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3; &#x30D2;&#x30B9;&#x30C8;&#x30B0;&#x30E9;&#x30E0;&#x6D3E;&#x751F;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3068;&#x6BD4;&#x8F03;&#x3057;&#x307E;&#x3057;&#x305F;&#x3002;&#x30D2;&#x30B9;&#x30C8;&#x30B0;&#x30E9;&#x30E0; &#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x8A31;&#x53EF;&#x30D5;&#x30A9;&#x30A2; &#x30B0;&#x30E9;&#x30A6;&#x30F3;&#x30C9;&#x306E;&#x6563;&#x767A;&#x7684;&#x306A;&#x30D1;&#x30BF;&#x30FC;&#x30F3;&#x306E;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x3001;&#x305D;&#x308C;&#x3086;&#x3048;&#x30D4;&#x30AF;&#x30BB;&#x30EB; &#x30EC;&#x30D9;&#x30EB;&#x306E;&#x7CBE;&#x5EA6;&#x3092;&#x9054;&#x6210;&#x3002;&#x5358;&#x4E00;&#x7D30;&#x80DE;&#x306E;&#x8868;&#x73FE;&#x578B;&#x6A5F;&#x80FD;&#x6E2C;&#x5B9A;&#x3057;&#x3001;&#x54C1;&#x8CEA;&#x7BA1;&#x7406;&#x30A2;&#x30C3;&#x30BB;&#x30A4;&#x3092;&#x8A55;&#x4FA1;&#x3057;&#x305F;&#x5F8C;&#x6E1B;&#x5C11;&#x3057;&#x307E;&#x3059;&#x3002;&#x5C02;&#x9580;&#x5BB6;&#x306E;&#x5206;&#x6790;&#x306B;&#x3088;&#x3063;&#x3066;&#x6C7A;&#x5B9A;&#x3088;&#x304F;&#x3001;&#x4E3B;&#x89B3;&#x7684;&#x306A;&#x3057;&#x304D;&#x3044;&#x5024;&#x306B;&#x57FA;&#x3065;&#x3044;&#x3066;&#x30D2;&#x30C3;&#x30C8;&#x306B;&#x5BFE;&#x5FDC;&#x5B66;&#x7FD2;&#x6A5F;&#x68B0;&#x306B;&#x3088;&#x3063;&#x3066;&#x9078;&#x629E;&#x3055;&#x308C;&#x308B;&#x5316;&#x5408;&#x7269;&#x3092;&#x30D2;&#x30C3;&#x30C8;&#x3057;&#x307E;&#x3059;&#x3002;&#x30D2;&#x30B9;&#x30C8;&#x30B0;&#x30E9;&#x30E0;&#x6D3E;&#x751F;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x9818;&#x57DF;&#x6210;&#x9577;&#x5206;&#x5272;&#x60AA;&#x5F71;&#x97FF;&#x56E0;&#x5B50;&#x30A4;&#x30E1;&#x30FC;&#x30B8; &#x30CE;&#x30A4;&#x30BA;&#x306B;&#x5BFE;&#x3059;&#x308B;&#x30ED;&#x30D0;&#x30B9;&#x30C8;&#x6027;&#x304C;&#x8868;&#x793A;&#x3002;

&#x81EA;&#x52D5;&#x306E;&#x9AD8;&#x30B3;&#x30F3;&#x30C6;&#x30F3;&#x30C4; &#x30B9;&#x30AF;&#x30EA;&#x30FC;&#x30CB;&#x30F3;&#x30B0; &#x30A4;&#x30E1;&#x30FC;&#x30B8;&#x89E3;&#x6790;&#x30D1;&#x30A4;&#x30D7;&#x30E9;&#x30A4;&#x30F3;&#x3072;&#x3068;&#x764C;&#x7D30;&#x80DE;&#x682A;&#x306B;&#x304A;&#x3051;&#x308B;&#x9078;&#x629E;&#x7684; autophagic &#x30A4;&#x30F3;&#x30C7;&#x30E5;&#x30FC;&#x30B5;&#x306E;&#x540C;&#x5B9A;&#x3002;

&#xC790;&#xB3D9;&#xD654; &#xC774;&#xBBF8;&#xC9C0; &#xCC98;&#xB9AC; &#xB192;&#xC740; &#xCF58;&#xD150;&#xCE20; (HCS) &#xC2EC;&#xC0AC;&#xC5D0; &#xC911;&#xC694; &#xD558; &#xACE0; &#xC790;&#xC8FC; &#xC18D;&#xB3C4; &#xC81C;&#xD55C; &#xB2E8;&#xACC4;&#xC785;&#xB2C8;&#xB2E4;. &#xC800;&#xC790;&#xB294; &#xC624;&#xD508; &#xC18C;&#xC2A4; &#xC601;&#xC0C1; &#xD1B5;&#xACC4; &#xD504;&#xB808;&#xC784; &#xC6CC;&#xD06C; autophagy&#xC758; &#xC18C;&#xC124; &#xC120;&#xD0DD;&#xC801; &#xC57D;&#xB9AC; inducers&#xB97C; &#xC2DD;&#xBCC4; &#xD558;&#xB294; &#xC138;&#xBD84;&#xD654;&#xC5D0; &#xC911;&#xC810;&#xC744; &#xB450;&#xACE0; &#xC124;&#xBA85; &#xD569;&#xB2C8;&#xB2E4;. &#xADF8;&#xB4E4;&#xC740; &#xC778;&#xAC04;&#xC758; &#xCE58;&#xACBD; &#xC554; &#xC138;&#xD3EC; &#xB77C;&#xC778;&#xC744; &#xC0C1;&#xC601; &#xD558; &#xACE0; &#xBAA8;&#xB450; &#xD604;&#xC9C0; &#xC801;&#xC751; &#xBC0F; &#xAE00;&#xB85C;&#xBC8C; &#xC138;&#xBD84;&#xD654; &#xD558; &#xC5EC; &#xC774;&#xBBF8;&#xC9C0;&#xB97C; &#xD3C9;&#xAC00;. &#xAC1C;&#xBCC4; &#xC140; &#xC218;&#xC900;&#xC5D0;&#xC11C; &#xC131;&#xC7A5; &#xD558;&#xB294; &#xC9C0;&#xC5ED; &#xC138;&#xBD84;&#xD654;&#xB294; &#xD788;&#xC2A4;&#xD1A0;&#xADF8;&#xB7A8;&#xC5D0;&#xC11C; &#xD30C;&#xC0DD; &#xB41C; &#xC138;&#xBD84;&#xD654;&#xC640; &#xBE44;&#xAD50; &#xB418;&#xC5C8;&#xB2E4;. &#xD788;&#xC2A4;&#xD1A0;&#xADF8;&#xB7A8; &#xC811;&#xADFC; &#xD5C8;&#xC6A9; &#xC0B0;&#xBC1C;&#xC801; &#xD328;&#xD134; &#xC804;&#xACBD;&#xC758; &#xC138;&#xBD84;&#xD654; &#xBC0F; &#xB530;&#xB77C;&#xC11C; &#xD53D;&#xC140; &#xC218;&#xC900;&#xC758; &#xC815;&#xBC00;&#xB3C4; &#xB2EC;&#xC131;. &#xB2E8;&#xC77C; &#xC140; phenotypic &#xAE30;&#xB2A5; &#xCE21;&#xC815; &#xBC0F; &#xBD84;&#xC11D; &#xACB0;&#xACFC; &#xD488;&#xC9C8; &#xAD00;&#xB9AC; &#xD3C9;&#xAC00; &#xD6C4;&#xC5D0; &#xAC10;&#xC18C; &#xD588;&#xB2E4;. &#xD654;&#xD569;&#xBB3C;&#xC744; &#xAE30;&#xACC4; corresponded &#xC8FC;&#xAD00;&#xC801;&#xC778; &#xC784;&#xACC4;&#xAC12; &#xAE30;&#xBC18; &#xC548;&#xD0C0; &#xC804;&#xBB38;&#xAC00; &#xBD84;&#xC11D;&#xC5D0; &#xC758;&#xD574; &#xACB0;&#xC815; &#xD558;&#xB294; &#xAC8C; &#xD559;&#xC2B5;&#xC73C;&#xB85C; &#xC120;&#xD0DD; &#xD588;&#xB2E4;. &#xD788;&#xC2A4;&#xD1A0;&#xADF8;&#xB7A8;&#xC5D0;&#xC11C; &#xD30C;&#xC0DD; &#xB41C; &#xC138;&#xBD84;&#xD654; &#xD45C;&#xC2DC; &#xC774;&#xBBF8;&#xC9C0; &#xB178;&#xC774;&#xC988;, &#xC9C0;&#xC5ED; &#xC131;&#xC7A5; &#xC138;&#xBD84;&#xD654; &#xC800;&#xD558; &#xC694;&#xC778;&#xC5D0; &#xB300; &#xD55C; &#xACAC;&#xACE0;&#xC131;.

&#xC790;&#xB3D9;&#xB41C; &#xB192;&#xC740;-&#xCF58;&#xD150;&#xCE20; &#xC2EC;&#xC0AC; &#xBD84;&#xC11D; &#xD30C;&#xC774;&#xD504;&#xB77C;&#xC778; &#xC120;&#xD0DD;&#xC801; autophagic inducers &#xC778;&#xAC04; &#xC554; &#xC138;&#xD3EC; &#xB77C;&#xC778;&#xC758; &#xC2DD;&#xBCC4;&#xC5D0; &#xB300; &#xD55C; &#xC774;&#xBBF8;&#xC9C0;.

Procesamiento automatizado de la imagen es un paso cr&iacute;tico y a menudo tarifa-limitaci&oacute;n en flujos de trabajo de alto contenido de detecci&oacute;n (HCS). Los autores describen un marco estad&iacute;stico-proyecci&oacute;n de imagen de c&oacute;digo abierto con &eacute;nfasis en la segmentaci&oacute;n para identificar nuevos inductores farmacol&oacute;gicas selectivas de la autofagia. Proyect&oacute; una l&iacute;nea de c&eacute;lulas humanas del c&aacute;ncer alveolar y evaluaron im&aacute;genes ambos segmentaci&oacute;n global y adaptaci&oacute;n local. A nivel de la c&eacute;lula individual, regi&oacute;n creciente segmentaci&oacute;n se compar&oacute; con la segmentaci&oacute;n derivado del histograma. El enfoque de histograma permite segmentaci&oacute;n de primer plano de un patr&oacute;n espor&aacute;dico y por ende el logro de la precisi&oacute;n de p&iacute;xeles. Caracter&iacute;sticas fenot&iacute;picas unicelular se midieron y reducidas despu&eacute;s de evaluar el control de la calidad del ensayo. Golpe compuestos seleccionados por la m&aacute;quina de aprendizaje correspondi&oacute; tambi&eacute;n a los golpes de basadas en umbrales subjetivos determinados por an&aacute;lisis de expertos. Segmentaci&oacute;n derivado del histograma muestra la robustez frente al ruido de la imagen, un factor que afecte la segmentaci&oacute;n creciente regi&oacute;n.

Una proyecci&oacute;n de alto contenido automatizada imagen tuber&iacute;a de an&aacute;lisis para la identificaci&oacute;n de los inductores selectivos de autofagia en l&iacute;neas celulares de c&aacute;ncer humano.

&#x56FE;&#x50CF;&#x5206;&#x5272;&#x6709;&#x52A9;&#x4E8E;&#x5B9A;&#x4E49;&#x533A;&#x57DF;&#x7684;&#x7EC4;&#x7EC7;&#x3001; &#x7EC6;&#x80DE;&#x6216;&#x4E9A;&#x7EC6;&#x80DE;&#x8F66;&#x53A2;&#x7684;&#x5B9A;&#x91CF;&#x663E;&#x5FAE;&#x5B66;&#x7684;&#x662F;&#x5173;&#x952E;&#x7684;&#x4E00;&#x6B65;&#x3002;&#x6839;&#x636E;&#x7528;&#x6237;&#x4EA4;&#x4E92;&#x7684;&#x7A0B;&#x5EA6;&#xFF0C;&#x5206;&#x5272;&#x65B9;&#x6CD5;&#x53EF;&#x5206;&#x4E3A;&#x624B;&#x52A8;&#x3001; &#x81EA;&#x52A8;&#x6216;&#x534A;&#x81EA;&#x52A8;&#x7684;&#x529E;&#x6CD5;&#x3002;3D &#x56FE;&#x50CF;&#x5806;&#x6808;&#x901A;&#x5E38;&#x8981;&#x6C42;&#x7531;&#x4E8E;&#x5176;&#x5927;&#x91CF;&#x7684;&#x5149;&#x5B66;&#x90E8;&#x5206;&#x7684;&#x81EA;&#x52A8;&#x5316;&#x7684;&#x65B9;&#x6CD5;&#x3002;&#x4F46;&#x662F;&#xFF0C;&#x67D0;&#x4E9B;&#x5E94;&#x7528;&#x7A0B;&#x5E8F;&#x53D7;&#x76CA;&#x4E8E;&#x624B;&#x52A8;&#x6216;&#x534A;&#x81EA;&#x52A8;&#x7684;&#x529E;&#x6CD5;&#x3002;&#x65B9;&#x6848;&#x5305;&#x62EC; 3D &#x56FE;&#x50CF;&#x5DEE;&#x4FE1;&#x53F7;&#x7684;&#x4FE1;&#x566A;&#x6BD4;&#x7684;&#x91CF;&#x5316;&#x6216;&#x4EE3;&#x7684;&#x6240;&#x8C13;&#x5730;&#x9762;&#x771F;&#x76F8;&#x5E02;&#x573A;&#x7EC6;&#x5206;&#xFF0C;&#x7528;&#x4E8E;&#x8BC4;&#x4F30;&#x81EA;&#x52A8;&#x7684;&#x5206;&#x5272;&#x65B9;&#x6CD5;&#x7684;&#x51C6;&#x786E;&#x6027;&#x3002;

Gebiss: ImageJ &#x63D2;&#x4EF6;&#x4E3A;&#x5730;&#x9762;&#x771F;&#x76F8;&#x7684;&#x89C4;&#x8303;&#x4EE5;&#x53CA; 3D &#x5206;&#x5272;&#x7B97;&#x6CD5;&#x7684;&#x6027;&#x80FD;&#x8BC4;&#x4EF7;&#x3002;

Image segmentation is a crucial step in quantitative microscopy that helps to define regions of tissues, cells or subcellular compartments. Depending on the degree of user interactions, segmentation methods can be divided into manual, automated or semi-automated approaches. 3D image stacks usually require automated methods due to their large number of optical sections. However, certain applications benefit from manual or semi-automated approaches. Scenarios include the quantification of 3D images with poor signal-to-noise ratios or the generation of so-called ground truth segmentations that are used to evaluate the accuracy of automated segmentation methods.

Gebiss: an ImageJ plugin for the specification of ground truth and the performance evaluation of 3D segmentation algorithms.

Segmentation d&#39;image est une &eacute;tape cruciale dans la microscopie quantitative qui permet de d&eacute;finir des zones de tissus, cellules ou compartiments subcellulaires. Selon le degr&eacute; d&#39;interaction utilisateur, les m&eacute;thodes de segmentation peuvent &ecirc;tre divis&eacute;s en approches manuelles, automatiques ou semi-automatique. Piles d&#39;image 3D n&eacute;cessitent g&eacute;n&eacute;ralement des m&eacute;thodes automatis&eacute;es en raison de leur grand nombre de sections optiques. Toutefois, certaines applications b&eacute;n&eacute;ficient d&#39;approches manuelles ou semi-automatique. Les sc&eacute;narios incluent la quantification d&#39;images 3D avec des rapports signal sur bruit pauvres ou la g&eacute;n&eacute;ration de segmentations de v&eacute;rit&eacute; dite sol qui servent &agrave; &eacute;valuer l&#39;exactitude des m&eacute;thodes de segmentation automatis&eacute;e.

Gebiss : un plugin d&#39;ImageJ pour la sp&eacute;cification de la v&eacute;rit&eacute; du terrain et l&#39;&eacute;valuation des performances des algorithmes de segmentation 3D.

Bildsegmentierung ist ein entscheidender Schritt in quantitative Mikroskopie, die hilft, um Regionen von Geweben, Zellen oder subzellulare F&auml;cher zu definieren. Je nach Benutzerinteraktionen k&ouml;nnen manuelle, automatische oder halbautomatische Ans&auml;tze Segmentierung Methoden unterteilt werden. 3D Bildstapeln erfordern in der Regel automatisierte Methoden aufgrund ihrer Vielzahl an optischen Bereichen. Bestimmte Anwendungen profitieren jedoch manuelle oder halbautomatische Ans&auml;tze. Szenarien sind die Quantifizierung der 3D-Bilder mit schlechten Signal-Rausch-Verh&auml;ltnis oder die Generation der sogenannten Boden-Wahrheit-Segmentierungen, die verwendet werden, um die Genauigkeit der automatischen Segmentierung Methoden auszuwerten.

Gebiss: ein ImageJ Plugin f&uuml;r die Ground Truth-Spezifikation und die Leistungsbewertung von 3D Segmentierungsalgorithmen.

Segmentazione di immagini &egrave; un passo fondamentale nella microscopia quantitativa che aiuta a definire le aree di tessuti, cellule o compartimenti subcellulari. A seconda del grado di interazioni con l&#39;utente, i metodi di segmentazione possono essere suddivisi in approcci manuali, automatici o semiautomatici. Pile di immagini 3D di solito richiedono metodi automatizzati a causa del loro grande numero di sezioni ottiche. Tuttavia, alcune applicazioni beneficiano di approcci manuali o semiautomatici. Scenari includono la quantificazione delle immagini 3D con rapporti segnale-rumore poveri o la generazione di segmentazioni verit&agrave; cosiddetta terra che vengono utilizzati per valutare l&#39;accuratezza dei metodi di segmentazione automatica.

Gebiss: un plugin di ImageJ per la specifica della terra verit&agrave; e valutazione delle prestazioni di algoritmi di segmentazione 3D.

&#x753B;&#x50CF;&#x306E;&#x9818;&#x57DF;&#x5206;&#x5272;&#x306E;&#x91CD;&#x8981;&#x306A;&#x30B9;&#x30C6;&#x30C3;&#x30D7;&#x306F;&#x7D44;&#x7E54;&#x3001;&#x7D30;&#x80DE;&#x307E;&#x305F;&#x306F;&#x7D30;&#x80DE;&#x5185;&#x30B3;&#x30F3;&#x30D1;&#x30FC;&#x30C8;&#x30E1;&#x30F3;&#x30C8;&#x306E;&#x9818;&#x57DF;&#x3092;&#x5B9A;&#x7FA9;&#x3059;&#x308B;&#x306E;&#x306B;&#x5F79;&#x7ACB;&#x3061;&#x307E;&#x3059;&#x5B9A;&#x91CF;&#x7684;&#x306A;&#x9855;&#x5FAE;&#x93E1;&#x3067;&#x3067;&#x3059;&#x3002;&#x30E6;&#x30FC;&#x30B6;&#x30FC;&#x306E;&#x76F8;&#x4E92;&#x4F5C;&#x7528;&#x306E;&#x7A0B;&#x5EA6;&#x306B;&#x3088;&#x3063;&#x3066;&#x306F;&#x3001;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x65B9;&#x6CD5;&#x624B;&#x52D5;&#x3001;&#x81EA;&#x52D5;&#x307E;&#x305F;&#x306F;&#x534A;&#x81EA;&#x52D5;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x306B;&#x5206;&#x3051;&#x308B;&#x3053;&#x3068;&#x304C;&#x3067;&#x304D;&#x307E;&#x3059;&#x3002;3 D &#x753B;&#x50CF;&#x306E;&#x30B9;&#x30BF;&#x30C3;&#x30AF;&#x306F;&#x901A;&#x5E38;&#x5149;&#x5B66;&#x30BB;&#x30AF;&#x30B7;&#x30E7;&#x30F3;&#x306E;&#x6570;&#x304C;&#x591A;&#x3044;&#x305F;&#x3081;&#x81EA;&#x52D5;&#x5316;&#x3055;&#x308C;&#x305F;&#x65B9;&#x6CD5;&#x304C;&#x5FC5;&#x8981;&#x3067;&#x3059;&#x3002;&#x305F;&#x3060;&#x3057;&#x3001;&#x7279;&#x5B9A;&#x306E;&#x30A2;&#x30D7;&#x30EA;&#x30B1;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x624B;&#x52D5;&#x307E;&#x305F;&#x306F;&#x534A;&#x81EA;&#x52D5;&#x306E;&#x30A2;&#x30D7;&#x30ED;&#x30FC;&#x30C1;&#x304B;&#x3089;&#x6069;&#x6075;&#x3092;&#x53D7;&#x3051;&#x307E;&#x3059;&#x3002;&#x30B7;&#x30CA;&#x30EA;&#x30AA;&#x306B;&#x306F;&#x3001;&#x8CA7;&#x3057;&#x3044;&#x4FE1;&#x53F7;&#x96D1;&#x97F3;&#x6BD4;&#x3092;&#x6301;&#x3064; 3 D &#x753B;&#x50CF;&#x306E;&#x5B9A;&#x91CF;&#x5316;&#x3084;&#x81EA;&#x52D5;&#x30BB;&#x30B0;&#x30E1;&#x30F3;&#x30C6;&#x30FC;&#x30B7;&#x30E7;&#x30F3;&#x624B;&#x6CD5;&#x306E;&#x7CBE;&#x5EA6;&#x3092;&#x8A55;&#x4FA1;&#x3059;&#x308B;&#x305F;&#x3081;&#x306B;&#x4F7F;&#x7528;&#x3055;&#x308C;&#x308B;&#x3044;&#x308F;&#x3086;&#x308B;&#x5730;&#x9762;&#x771F;&#x5B9F;&#x306E;&#x533A;&#x5207;&#x308A;&#x306E;&#x751F;&#x6210;&#x304C;&#x3042;&#x308A;&#x307E;&#x3059;&#x3002;

Gebiss: &#x306F;&#x30B0;&#x30E9;&#x30F3;&#x30C9;&#x30C8;&#x30A5;&#x30EB;&#x30FC;&#x30B9;&#x306E;&#x4ED5;&#x69D8;&#x3068; 3&#x6B21;&#x5143;&#x9818;&#x57DF;&#x306E;&#x5206;&#x5272;&#x30A2;&#x30EB;&#x30B4;&#x30EA;&#x30BA;&#x30E0;&#x306E;&#x6027;&#x80FD;&#x8A55;&#x4FA1;&#x306E;&#x305F;&#x3081;&#x306E; ImageJ &#x30D7;&#x30E9;&#x30B0;&#x30A4;&#x30F3;&#x3002;

&#xC774;&#xBBF8;&#xC9C0; &#xC138;&#xBD84;&#xD654; &#xC591;&#xC801; &#xD604;&#xBBF8;&#xACBD; &#xC870;&#xC9C1;, &#xC138;&#xD3EC; &#xB610;&#xB294; subcellular &#xAD6C;&#xD68D;&#xC758; &#xC601;&#xC5ED;&#xC744; &#xC815;&#xC758; &#xD558;&#xB294; &#xB370; &#xB3C4;&#xC6C0;&#xC774;&#xC5D0;&#xC11C; &#xC911;&#xC694; &#xD55C; &#xB2E8;&#xACC4;&#xC785;&#xB2C8;&#xB2E4;. &#xC0AC;&#xC6A9;&#xC790; &#xC0C1;&#xD638; &#xC791;&#xC6A9;&#xC758; &#xC815;&#xB3C4; &#xB530;&#xB77C; &#xC138;&#xBD84;&#xD654; &#xBC29;&#xBC95; &#xC218;&#xB3D9;, &#xC790;&#xB3D9; &#xB610;&#xB294; &#xBC18;&#xC790;&#xB3D9; &#xBC29;&#xC2DD;&#xC73C;&#xB85C; &#xB098;&#xB20C; &#xC218; &#xC788;&#xC2B5;&#xB2C8;&#xB2E4;. 3D &#xC774;&#xBBF8;&#xC9C0; &#xC2A4;&#xD0DD;&#xC744; &#xAD11;&#xD559; &#xC139;&#xC158;&#xC758; &#xADF8;&#xB4E4;&#xC758; &#xD070; &#xC22B;&#xC790; &#xB54C;&#xBB38;&#xC5D0; &#xC790;&#xB3D9;&#xD654; &#xB41C; &#xBC29;&#xBC95;&#xC774; &#xD544;&#xC694;&#xD569;&#xB2C8;&#xB2E4;. &#xADF8;&#xB7EC;&#xB098; &#xD2B9;&#xC815; &#xC751;&#xC6A9; &#xD504;&#xB85C;&#xADF8;&#xB7A8; &#xC218;&#xB3D9; &#xB610;&#xB294; &#xBC18;&#xC790;&#xB3D9; &#xC811;&#xADFC; &#xBC29;&#xC2DD;&#xC5D0;&#xC11C; &#xD61C;&#xD0DD;&#xC744;. &#xBD88; &#xC30D; &#xD55C; &#xC2E0;&#xD638; &#xB300; &#xC7A1;&#xC74C; &#xBE44;&#xC728;&#xC744; 3D &#xC774;&#xBBF8;&#xC9C0;&#xC758; &#xBD80; &#xB7C9; &#xB610;&#xB294; &#xC790;&#xB3D9;&#xD654; &#xB41C; &#xC138;&#xBD84;&#xD654; &#xBC29;&#xBC95;&#xC758; &#xC815;&#xD655;&#xC131;&#xC744; &#xD3C9;&#xAC00; &#xD558;&#xB294; &#xB370; &#xC0AC;&#xC6A9; &#xB418;&#xB294; &#xC18C;&#xC704; &#xC9C0;&#xC0C1; &#xC9C4;&#xC2E4; &#xC138;&#xADF8;&#xBA3C;&#xD2B8; &#xC0DD;&#xC131; &#xB4F1;.

Gebiss: &#xC9C0;&#xC0C1; &#xC9C4;&#xC2E4; &#xC0AC;&#xC591;&#xACFC; 3D &#xC138;&#xADF8;&#xBA3C;&#xD2B8;&#xD654; &#xC54C;&#xACE0;&#xB9AC;&#xC998;&#xC758; &#xC131;&#xB2A5; &#xD3C9;&#xAC00; &#xB300; &#xD55C; &#xD55C; ImageJ &#xD50C;&#xB7EC;&#xADF8;&#xC778;.

Segmentaci&oacute;n de la imagen es un paso crucial en microscop&iacute;a cuantitativa que ayuda a definir las regiones de tejidos, c&eacute;lulas o compartimentos subcelulares. Dependiendo del grado de las interacciones del usuario, m&eacute;todos de segmentaci&oacute;n pueden dividirse en enfoques manual, autom&aacute;ticos o semiautom&aacute;ticos. Pilas de imagen 3D generalmente requieren m&eacute;todos automatizados debido a su gran cantidad de secciones &oacute;pticas. Sin embargo, ciertas aplicaciones aprovechar enfoques manual o semi-autom&aacute;tico. Escenarios incluyen la cuantificaci&oacute;n de im&aacute;genes 3D con pobre relaci&oacute;n se&ntilde;al / ru&iacute;do o la generaci&oacute;n de segmentaciones de verdad llamado tierra que se utilizan para evaluar la exactitud de los m&eacute;todos de segmentaci&oacute;n automatizada.

Gebiss: un plugin de ImageJ para la especificaci&oacute;n de la verdad de la tierra y la evaluaci&oacute;n del desempe&ntilde;o de los algoritmos de segmentaci&oacute;n 3D.

Janos Kriston-Vizi

MRC LMCB

University College London

A High-content Imaging Workflow to Study Grb2 Signaling Complexes by Expression Cloning

Janos Kriston-Vizi

.css-o250i3{font-size:18px;font-family:Open Sans,sans-serif;line-height:21.6px;}MRC LMCB

University College London

A High-content Imaging Workflow to Study Grb2 Signaling Complexes by Expression Cloning

MRC LMCB