L'esecuzione del test del micronucleo utilizzando la citometria a flusso di imaging supera molte limitazioni dei metodi tradizionali, tra cui bassa produttività, variabilità del punteggio e mancanza di conferma visiva degli eventi. Il vantaggio principale di questa tecnica è che tutti gli eventi chiave possono essere acquisiti utilizzando la citometria a flusso di imaging e analizzati utilizzando l'intelligenza artificiale. Questo metodo ha il potenziale per essere utilizzato nello screening su larga scala di sostanze chimiche e altri composti per testare la tossicità a un rendimento superiore a quello attualmente disponibile.
Quando si costruisce un nuovo modello di intelligenza artificiale, la sfida principale è ottenere immagini sufficienti di cellule con micronuclei, quindi è importante utilizzare gli algoritmi di tagging delle immagini. Per iniziare, avvia il software di intelligenza artificiale o AI. In Tipo esperimento, fare clic sul pulsante di opzione accanto a Treno per avviare un esperimento di addestramento per la creazione del modello di rete neurale convoluzionale o CNN e fare clic su Avanti.
Nei nomi delle classi, fare clic su Aggiungi. Nella finestra pop-up, digitare Mononucleated e fare clic su OK per aggiungere la classe mononucleata all'elenco dei nomi delle classi. Ripetere questo processo per aggiungere gli altri nomi di classe, ad esempio Mononucleato con MN, Binucleato, Binucleato con MN, Polinucleato e Morfologia irregolare.
In Seleziona file, fai clic su Aggiungi file e cerca i file desiderati da aggiungere al software AI, per creare i dati di verità di base. Quindi, nella schermata Seleziona popolazione di base, individuare la popolazione non apoptotica dalla gerarchia della popolazione. Quindi fare clic con il pulsante destro del mouse sulla popolazione non apoptotica, scegliere Seleziona tutte le popolazioni corrispondenti e fare clic su Avanti.
Per assegnare una popolazione di verità taggata di cellule mononucleate con micronucleo, fare clic sulla classe Mononucleata con MN in Classi modello a sinistra, quindi fare clic sulla popolazione di verità con tag appropriata a destra. Una volta assegnate tutte le popolazioni di verità appropriate, fare clic su Avanti. Nella schermata Seleziona canali, assicurati che siano stati scelti i canali appropriati per l'esperimento.
Qui, scegliere Campo luminoso o BF come canale uno, mandrie per DNA come canale sette, quindi fare clic su Avanti. Infine, nella schermata di conferma, fai clic su Crea esperimento. Fare clic su Tagging per avviare l'interfaccia dello strumento di tagging.
Quindi fare clic sugli strumenti di zoom per ritagliare le immagini per una visualizzazione più semplice. E fai clic sulla barra di scorrimento per regolare le dimensioni dell'immagine e decidere il numero di immagini da mostrare nella galleria. Fare clic sull'opzione Impostazioni schermo e scegliere min-max, che fornisce la migliore immagine di contrasto per identificare tutti gli eventi chiave.
Quindi, fai clic su Imposta display galleria per cambiare il colore dell'immagine del DNA in giallo o bianco, che migliorerà la visualizzazione di piccoli oggetti. Fare clic su Cluster per eseguire l'algoritmo per raggruppare immagini con morfologia simile. Una volta completato il clustering, fare clic sui singoli cluster e iniziare ad assegnare le immagini alle classi di modello appropriate.
Dopo l'assegnazione di un minimo di 25 oggetti a ciascuna classe del modello, l'algoritmo di previsione diventa disponibile. Fare clic su Prevedi. Una volta completata l'esecuzione dell'algoritmo di previsione, aggiungere oggetti dalle classi previste alle classi di modello appropriate.
Una volta assegnato un minimo di 100 oggetti a ciascuna classe di modello, fare clic sulla scheda Formazione nella parte superiore dello schermo, quindi fare clic sul pulsante Treno. Una volta completato il training del modello, fare clic su Visualizza risultati per valutare l'accuratezza del modello. Una volta completato il training del modello, fare clic sul pulsante menu per definire un nuovo esperimento.
In Tipo di esperimento fare clic sul pulsante di opzione accanto a Classifica per avviare un esperimento di classificazione e fare clic su Avanti. Fare clic sul modello da utilizzare per la classificazione, quindi fare clic su Avanti. Nella schermata Seleziona file, fare clic su Aggiungi file.
Cercare i file da classificare in base al modello CNN, quindi fare clic su Avanti. Successivamente, nella schermata Seleziona popolazione di base, fare clic sulla casella di controllo accanto alla popolazione non apoptotica in uno dei file caricati. Fare clic con il pulsante destro del mouse sulla popolazione non apoptotica, fare clic su Seleziona tutte le popolazioni corrispondenti per selezionare questa popolazione da tutti i file caricati, quindi fare clic su Avanti.
Nella schermata Seleziona canali, verificare che il canale uno sia selezionato per il campo luminoso e che il canale sette sia selezionato per la colorazione DNA, quindi fare clic su Avanti. Infine, nella schermata di conferma, fai clic su Crea esperimento. Il software AI carica il modello selezionato e tutte le immagini dai file di dati scelti.
Dopo il caricamento, fare clic su Fine. Quindi, fare clic su Classifica per avviare la schermata di classificazione. E utilizzare le caselle di controllo per scegliere di utilizzare Foresta casuale o RF e CNN.
Quindi fare clic sul pulsante Classifica. In questo modo viene avviato il processo di utilizzo dei modelli RF e CNN per classificare dati aggiuntivi e identificare tutti gli oggetti che appartengono alle classi di modello specificate. Una volta completata la classificazione, fare clic su Visualizza risultati.
Fare clic sul pulsante Aggiorna DAF per visualizzare la finestra dei DAF di aggiornamento con i risultati della classificazione, quindi fare clic su OK per aggiornare i file DAF. Per generare il report, nella schermata dei risultati, fare clic su Genera report. Se è necessario un singolo report per ogni DAF di input, selezionare la casella di controllo accanto a Crea report per ogni DAF di input.
Altrimenti, fai clic su OK per ottenere i rapporti. L'algoritmo di cluster assistito dall'IA raggruppa oggetti simili all'interno di un segmento, in base alla morfologia sia degli oggetti non classificati che degli oggetti che sono stati assegnati alle classi del modello di verità di base. I cluster contenenti cellule mononucleate cadono su un lato della mappa degli oggetti, mentre le cellule multinucleate sono sul lato opposto.
I cluster di cellule binucleate cadono tra cluster di cellule mono e multinucleate. Infine, i cluster con morfologia irregolare, cadono in diverse aree della mappa degli oggetti. L'algoritmo di previsione è più robusto dell'algoritmo cluster nell'identificazione di morfologie sottili nelle immagini.
Ad esempio, celle mononucleate con MN contro celle mononucleate senza MN. Le prestazioni del modello possono essere valutate utilizzando strumenti, tra cui istogrammi di distribuzione di classe, statistiche di accuratezza e una matrice di confusione interattiva. Negli istogrammi di distribuzione per classe, più vicini sono i valori percentuali tra la verità e le popolazioni previste, più accurato è il modello. Nelle statistiche di accuratezza, più queste metriche sono vicine al 100%, più accurato è il modello nell'identificare gli eventi nelle classi del modello.
Infine, la matrice di confusione interattiva indica dove il modello non classifica gli eventi. La genotossicità è stata misurata dalla percentuale di micronuclei al microscopio, indicata da barre trasparenti, e AI indicata da barre punteggiate dopo un'esposizione di 3 ore e un recupero di 24 ore, per mannitolo, etoposide e mitomicina C, utilizzando entrambi i metodi della citocalasina B e della non citocalasina B. Quando crei un esperimento di addestramento, assicurati che i dati caricati contengano immagini provenienti da campioni di controllo positivi e negativi.
I micronuclei sono rari e sono necessarie immagini sufficienti per costruire un modello di intelligenza artificiale accurato. Questa procedura consente la creazione di modelli AI per analizzare i dati del micronucleo del flusso di imaging in qualsiasi campo di studio, come la biodosimetria delle radiazioni. Un metodo rapido e robusto basato sull'intelligenza artificiale per identificare i micronuclei può estendersi ad altre applicazioni, come la quantificazione dei micronuclei che possono essere predittivi per il rischio di sviluppo del cancro.
