Mesure automatique de Capsule de Polysaccharide cryptococcique espèces et corps cellulaire

Résumé

Cette technique décrit un processeur d’image batch automatisé conçu pour mesurer les rayons de corps et de la capsule polysaccharidique. Initialement conçu pour les mesures capsules Cryptococcus neoformans , que le processeur d’image automatisé peut également s’appliquer aux autre détection de contraste basé des objets circulaires.

Résumé

Le but de cette technique est de fournir un processus cohérent, précis et facile à gérer pour un grand nombre de mesures capsule polysaccharidique.

Tout d’abord, une image de seuil est générée en fonction sur les valeurs d’intensité unique calculés pour chaque image. Puis, cercles sont détectés basée sur le contraste entre l’objet et l’arrière-plan à l’aide de l’algorithme de Transformation de Hough de cercle (CHT) bien établi. Enfin, les capsules de cellules détectées et les organes sont adaptées selon les coordonnées du centre et de la taille du rayon, et données sont exportées vers l’utilisateur dans un tableur facile à gérer.

Les avantages de cette technique sont simples mais importantes. Tout d’abord, parce que ces calculs sont effectués par un algorithme plutôt qu’un être humain l’exactitude et la fiabilité sont augmentés. Il n’y a pas de déclin dans l’exactitude ou la fiabilité peu importe combien d’échantillons est analysés. Deuxièmement, cette approche établit un mode opératoire normalisé potentiel pour le champ de Cryptococcus plutôt que de la situation actuelle où les capsule mesure varie selon le laboratoire. Troisièmement, étant donné que les mesures capsules manuelles sont lent et monotone, automation permet des mesures rapides sur un grand nombre de cellules de levure qui à son tour facilite l’analyse de données à haut débit et des statistiques de plus en plus puissants.

Les principales limites de cette technique viennent de comment les fonctions de l’algorithme. Tout d’abord, l’algorithme ne générera pas cercles. Alors que les cellules de Cryptococcus et leurs capsules prennent une morphologie circulaire, il serait difficile d’appliquer cette technique de détection d’objet non circulaire. Deuxièmement, en raison de comment sont détectées les cercles l’algorithme CHT peut détecter les énormes Pseudo-cercles basés sur les bords extérieurs de plusieurs cercles en cluster. Cependant, n’importe quel corps cellulaires dénaturés, pris dans le Pseudo-cercle de peut être facilement détectés et supprimés d’ensembles de données qui en résulte.

Cette technique est destinée à mesurer les capsules polysaccharidiques circulaire des espèces de Cryptococcus basés sur l’encre de Chine microscopie en champ clair ; Bien qu’elle pourrait s’appliquer aux autre contraste basé ses mesures objet circulaire.

Introduction

Cryptococcus neoformans est une levure pathogène trouvée partout dans le monde entier qui est associé à des maladies humaines, principalement dans les populations immunodéprimées. C. neoformans représente surtout une cause importante de décès annuels totales en Afrique subsaharienne à cause de maladies infectieuses¹. La principale manifestation clinique infection cryptococcique est une méningo-encéphalite, qui suit l’invasion du système nerveux central par les transports dans les macrophages infectés (manière de cheval de Troie) ou traversée directe de la barrière hémato - encéphalique. C. neoformans exprime plusieurs facteurs de virulence, y compris la possibilité de répliquer à la température du corps humain, l’activité uréasique, mélanisation et formation d’une capsule polysaccharidique². La capsule de polysaccharide est composée de répéter des glucuronoxylomannan et des polymères glucoronoxylomannangalactan et des fonctions comme une barrière protectrice contre les facteurs tels que le stress environnemental et hôte des réponses immunitaires².

Bien que la taille de la taille de capsule polysaccharidique cryptococcique n’a pas toujours été associée avec virulence, il y a des preuves que c’est un facteur dans la pathogenèse^{2,3,4,5, 6,7}. Taille de la capsule est associé à la méningite pathologie⁶, peut affecter la capacité des macrophages pour contrôler l' infection de Cryptococcus ⁵et peut causer une perte de virulence si absent⁸. Donc, Mensurations taille capsule sont communes dans la recherche de cryptocoque, mais il n’y a aucun fieldwide standard pour une méthode de mesure de la capsule.

Actuellement, c. neoformans polysaccharide capsule mesure repose sur des mesures manuelles d’images de microscopie, et les méthodes exactes des acquisitions d’image et de mesure varient selon les laboratoires^{9,10, 11}. Une préoccupation immédiate à cette méthode, c’est que certaines études nécessitent l’acquisition de milliers de mesures individuelles, ce qui rend difficile la maintien de précision et de fiabilité. En outre, même lorsque les résultats sont publiés, il y a souvent une description insuffisante de la méthode de mesure. Nombreuses publications n’expliquent pas comment leurs mesures ont été obtenues, quel plan focal a été utilisé, comment ils ont déterminé le seuil pour l’identification des capsule, si ils utilisaient rayon ou le diamètre, ils ont utilisé une mesure ou était en moyenne de plusieurs, ou d’autres Détails. Certaines publications seul État leur méthode dans le programme qui a été utilisée, par exemple, « Adobe Photoshop CS3 a été utilisé pour mesurer les cellules »¹¹. Ce manque de normalisation et des rapports de détail peut rendre reproductibilité difficile voire impossible. Différences de vue humaine, la luminosité de l’ordinateur, paramètres de microscope, faire glisser l’éclairage et autres facteurs peuvent varier non seulement entre les individus, mais entre les échantillons, alors que les calculs basés sur les rapports des valeurs d’intensité pixel reste constantes et Il y a lieu entre les échantillons. Cette technique a été générée dans le contexte de la fourniture d’une technique normalisée, précise, rapide et simple pour mesurer des tailles de capsules pour un champ dans lequel il n’y avait aucun avant.

Tel que mentionné précédemment, l’algorithme CHT est établie de longue date, et scripts pour détecter automatiquement les cercles ont été écrit avant. Cette méthode améliore dans deux domaines où les autres scripts tomberait courts. Tout d’abord, simplement détecter les cercles ne suffit pas, car avec les cellules cryptococciques deux cercles distincts doivent être constatées par rapport à l’autre. Cette méthode détecte spécifiquement corps cellulaires dans les capsules, établit une distinction entre les deux et effectue des calculs que sur les paires de corps-capsule pertinentes. En second lieu, même lorsque suivant le même protocole, les différents chercheurs finiront avec différents acquis des images. En permettant le contrôle de l’enquêteur sur chaque paramètre d’algorithme, cet outil peut être réglé pour correspondre à un large éventail de méthodes d’acquisition. Il n’y a pas besoin d’un cadre normalisé, objectif, filtre et ainsi de suite.

Cette technique peut être appliquée facilement à toute situation dans laquelle l’enquêteur doit détecter les cercles dans une image qui contraste avec leur fond. Les deux cercles plus légers et plus sombres que leur origine puisse être détectée, compté, mesuré à l’aide de cette technique.

Protocole

1. préparation de l’encre de Chine diapositive

1. Déposer 10µl de cryptococcose échantillon sur une diapositive. Toute souche de levure circulaire va fonctionner, mais pour cette expérience H99 était la seule souche utilisée.
   Remarque : Si l’échantillon est directement à partir de milieux de culture, dilution 1:2 avec PBS ou l’eau peut empêcher l’encre de Chine de s’agglutiner.
2. Distribuer 2 µL de tache d’encre sur l’échantillon et mélanger en physiquement pousser l’embout de la pipette à l’échantillon et se déplaçant dans un mouvement circulaire jusqu'à ce que l’encre de Chine semble répartie de façon uniforme.
3. Placez un lamelle couvre-objet sur l’échantillon en appuyant sur le bord gauche de la lamelle couvre-objet sur la surface de la diapositive, puis légèrement et uniformément abaissant l’autre côté de la lamelle couvre-objet sur l’échantillon.
4. Permettre à la lame à l’air sec pendant 5 min.
5. Exercez une légère couche de vernis à ongles à la frontière de la lamelle couvre-objet pour former un joint et préserver la tache d’encre de Chine.

2. imagerie Slide

1. Placer les lames dans un microscope à champ lumineux avec une fixation de la caméra et connue pixel-à-micron conversion. Ajuster les filtres, objectifs et le contraste afin que les capsules de cellule sont claires et les corps cellulaires sont des bandes focalisées et sombres.
   NOTE : Les différents filtres, objectifs et paramètres de contraste vont travailler mais un 20 x objectif, filtre Ph1 et binning 2 x 2 est recommandé.
2. Assurez-vous que le champ de vision est dense mais pas surpeuplée avec cellules cryptococciques, avec un contraste clair entre la capsule de la cellule et l’arrière-plan et correctement ciblée avec le corps de la cellule visualisé comme une bande sombre.
   Remarque : Le nombre exact de cellules pour une image optimale variera selon l’échantillon et l’objectif utilisé. Les aspects importants sont pour cellules ne soient pas en clusters ou qui se chevauchent, que les plans focaux de cellule ne varient pas significativement, et qu’il n’y a encre importante tachent bien visible à l’arrière-plan (au moins 25 % du champ).
3. Enregistrer des images dans un répertoire unique avec des titres clairs, comme l’algorithme de mesure sera exécutée sur des images dans un répertoire unique et les données de sortie seront organisées selon les noms des fichiers image.

3. algorithme Setup

1. Installez Python version 2.7 de
2. Installer les bibliothèques supplémentaires python en exécutant les commandes « pip installer oreiller » et « pip install openpyxl ».
3. Installer MATLAB en suivant les instructions à
4. Construire la bibliothèque python MATLAB en suivant les instructions fournies à https://www.mathworks.com/help/matlab/matlab_external/install-the-matlab-engine-for-python.html.
5. Télécharger les trois fichiers requis inclus dans documents de ce manuscrit complémentaires (« QCA.py », « Analysis2.m » et « TestRun.m »).
   Remarque : Ces fichiers peuvent être extraits à n’importe quel endroit, mais tous les trois doivent être dans le même répertoire.

4. utilisation de l’algorithme

1. Exécutez l’application en double-cliquant sur QCA.py.
   Remarque : L’application peut prendre plusieurs minutes pour démarrer. Le fichier « QCA.py » contient la structure du programme qui appelle les « fichiers ".m" » pour exécuter l’algorithme réel.
2. Suivez les étapes décrites dans le programme.
   1. Entrée précédée d’une période, le type d’extension des fichiers image et séparées par des points-virgules (ex. ». TIF ;. JPEG ») puis cliquez sur le bouton entrer .
   2. Choisissez le répertoire dans lequel se trouvent les fichiers d’image en cliquant sur le bouton Sélectionner le répertoire et sélectionner le dossier qui contient les images.
   3. Générer la liste des fichiers d’image dans le répertoire en cliquant sur le bouton Générer liste d’images . Les images apparaîtront dans la zone de texte vers la droite. Examiner et s’assurer de que la liste est exacts et complets.
   4. Sélectionnez une image au hasard dans la liste à utiliser comme un aperçu en cliquant sur le bouton Sélectionner une Image aléatoire .
      Remarque : Si l’image ne peut pas ouvrir en raison d’une « erreur de mode image incorrecte », l’algorithme encore fonctionnera correctement malgré ne pas afficher l’image. Après l’étape 4.2.7, affichera toujours l’image de test.
   5. Objectif de microscope et sélection des paramètres d’entrée. Si les paramètres par défaut ne correspondent pas au microscope utilisé, sélectionnez « Custom Pixel Conversion » et introduisez la conversion pixel-à-um pour les fichiers image. Une fois sélectionné, cliquez sur le bouton de Conversion de calculer et d’assurer que la conversion est correcte selon la zone de texte sur la droite.
      NOTE : Les images représentatives illustrés à la Figure 1 ont été calculés avec 40 x grossissement et 2 x 2 binning sélectionné.
   6. Entrée des paramètres de l’algorithme de détection de cercle.
      1. Le rayon minimal et maximal détectable pour la détection de capsule externe comme les entrées Min et Max Capsule rayon d’entrée. Une plage plus petite permet des résultats plus précis.
      2. Le rayon minimal et maximal détectable pour détection corps cellulaire comme les entrées Min et Max corps cellulaire rayon d’entrée.
         Remarque : Tous les quatre de ces entrées doivent être nombres représentant leurs valeurs respectives en pixels, selon les images de la source.
      3. Déplacez les curseurs de Capsule et de la sensibilité du corps cellulaire d’ajuster le seuil de sensibilité de l’algorithme. Une faible sensibilité sera stricte et réduire la détection de faux positifs cercle, mais peut aussi détecter des cercles réels moins. À l’inverse, une sensibilité élevée augmentera le taux de détection, mais peut aussi entraîner des milieux positifs fausses.
         NOTE : Résultats représentatifs ont été obtenus avec un rayon minimal de capsule de 7, rayon capsule maximum de 45, rayon de corps minimale de 4, rayon de corps maximale de 30, capsule sensibilité de 87 et sensibilité de l’organisme de 87.
   7. Tester les paramètres de l’image sélectionnée au hasard en cliquant sur le bouton Exécuter le Test . Les résultats seront affichés au centre supérieur de la programme pour remplacer l’image d’origine. Si les résultats semblent exacts, il est recommandé de sélectionner une image aléatoire supplémentaire pour faire ainsi en sorte que les paramètres sélectionnés seront adaptera à toutes les images sélectionnées.
      1. Maximiser le nombre de corps et capsules détectés et inspectent visuellement si les cercles apparaissent pour monter correctement. Le nombre de corps dans les capsules détectés s’affiche dans la zone de texte vers la droite. Jusqu'à ce que les résultats sont exacts, manipuler les paramètres d’algorithme.
         NOTE : Les cercles colorés épais sont uniquement pour aider à la visualisation. Les cercles réelles générées pour la mesure est une courbe mathématique calculée par l’algorithme HCT.
   8. Exécuter l’algorithme de détection sur tout le répertoire des fichiers d’image en cliquant sur le bouton Commencer l’analyse . Chaque image sera analysé et le programme affiche « fini » dans la zone de texte vers la droite lorsque toutes les images ont été analysées.
   9. Cliquez sur le bouton de nettoyage et Match . Cela correspond à des corps cellulaires détectés aux capsules détectés qu’ils résident dans et calculer le rayon vrai capsule en soustrayant le corps de la capsule.
      Remarque : Si l’algorithme est utilisé pour détecter la fluorescence ou une autre situation dans laquelle un seul cercle est détecté cette étape est inutile. Au lieu de cela cliquez sur les Seules les instances de tirer ou Seulement tirer les Capsules pour recueillir les données pour seulement le bleu ou seulement les cercles verts, respectivement. Il est important de noter que si seulement les données de la capsules sont récupérées le rayon réfèrera au rayon total de la cellule comme le rayon du corps cellulaire ne pourrait pas être soustraite.
   10. Localiser les données dûment remplies dans le fichier « CleanedOuput.csv » dans le répertoire de l’image. Si seulement un élément de données a été activée, le fichier sera intitulé « CleanedBodies.csv » ou « CleanedCapsules.csv ».

Résultats

Tout d’abord, les images sont obtenues en microscopie de diapositives d’encre utilisant un microscope à champ lumineux couplé avec un appareil photo (Figure 1A). Il est important d’avoir des cellules séparées et sa densité suffisamment faible ne pas de submerger le champ de vision, ainsi qu’à utiliser assez tache pour créer un contraste entre les cellules et l’arrière-plan. Comme indiqué dans le protocole, le nombre exact d...

Discussion

Les étapes critiques de cette technique sont préparer la diapositive de l’encre de Chine et acquérir les images de microscope. Alors que l’algorithme a été testé avec succès avec une variété de techniques de diapositive et image le protocole recommandé est décrite dans ce manuscrit. La capsule de polysaccharide est détectée basée sur l’exclusion des particules d’encre du domaine de la capsule, puisque ces particules sont trop grosses pour pénétrer dans le réseau de fibrilles de polysaccharide. Ex...

matériels

Name	Company	Catalog Number	Comments
India Ink	Becton, Dickinson and Co.	261194
Fisherbrand Superfrost Microscope Slides	Fisher Scientific	12-550-143	25x75x1
Fisherfinest Premium Cover Glass	Fisher Scientific	12-548-B	22x22-1
Sally Hansen HardasNails Xtreme Wear Nail Polish	Sally Hansen	N/A	109 invisible
SAB Media	Sigma	S3306
Cryptotoccus neoformans	ATCC	208821	H99 strain
Olympus AX70 Microscope	Olympus	AX70TRF	Discontinued ; Bright Field Microscope
Qimaging Retiga 1300	Qimaging	N/A	Discontinued ; Camera Microscope Attachment
MATLAB	MathWorks	N/A	Most recent version recommended
Python Programming Language	Python	N/A	Version 2 necessary ; 2.7 recommended
Microsoft Excel	Microsoft	N/A	Most recent version recommended
Phosphate Buffered Saline (PBS)	Sigma	P3813