サブストラクチャ アナライザは、複数のプロセス顕微鏡測定メトリックの自動分析を実行するユーザー フレンドリーなワークフローです。これは、オープンソースソフトウェアIcyのゼロトンを意味し、また、マシンの機能を使用していません。重要なことに、このワークフローは、手頃な価格のリゾートは、知識と画像分析を生成します。
マルチチャンネル画像はワークフロー内にロードされ、信号対雑音比を改善し、イメージングや欠陥を除去するために、事前処理されます。次に、画像セグメンテーションは、対象となる領域(バックグラウンドからROIとも呼ばれる)を分離します。クラスタリングのレベルと対象オブジェクトの性質に応じて、セグメンテーションの方法をいくつか使用できます。
セグメント化されたオブジェクトは、特定のフォルダに特定の記述子を付けて保存されます。フォースと信号は行内で解析され、密度テクスチャの位置、サイズ、形状などの複数のフィーチャが、数とサイズは自動的に作成されたスプレッドシートにエクスポートされます。アイシーのウェブサイトからアイシーをダウンロードしてください。
次に、プロトコルの ICY ライブラリからサブ構造アナライザ プロトコルをダウンロードします。[Icy] を開き、リボン メニューのツールをクリックします。プロトコルをクリックして、プロトコルエディタのインタフェースを開きます。
負荷をクリックし、プロトコルのサブ構造アナライザーを開きます。プロトコルの読み込みには数秒かかることがあります。ワークフローは、各ブロックが特定のサブタスクを実行する複数のボックスで構成されるパイプラインとして機能する 13 の一般ブロックで構成されます。
各ブロックまたはボックスには番号が付けられており、ワークフロー内で特定のランクが設定されます。この番号をクリックすると、選択したブロックに最初のブロックに最も近い位置を割り当てます。他のブロックの位置は再編成されます。
左上隅のアイコンをクリックすると、ブロックを折りたたむことができます。また、拡大、絞り込み、または除去することができます。ワークフローの各パイプラインは、他の入力と出力によって接続されたボックスのネットワークによって正しく生じます。
接続を作成するには、出力をクリックし、カーソルが入力に関係するまで維持します。出力タグをクリックすると接続を削除できます。必要に応じて、ファイルの名前を変更して、シーケンスをマージする場合は、同じ名前の接頭辞の後に、個別の区切り文字を付けます。
たとえば、イメージ A の個々のチャンネルのシーケンスは、イメージ A という名前で、アンダースコアは赤、イメージ A はアンダースコアブルーなどです。同じフォルダに、マージするチャネルごとに新しいフォルダを作成します。たとえば、赤、緑、青のチャンネルをマージするには、3 つのフォルダを作成し、対応するシーケンスをこれらのフォルダ内に格納します。
ブロックマージチャネルのみを使用し、他のブロックを削除し、プロトコルをマージチャネルとして保存します。パラメータを設定するためにボックスにアクセスします。ボックスのチャネル番号 x で、抽出するチャンネルを選択します。
従来の RGB 画像では、ゼロは赤、1 つは緑、2 は青です。ボックスのフォルダ チャネル番号 x、バックスラッシュ チャネル x のイメージを含むフォルダの名前。ボックスで、チャンネル番号 x を区切ります。
イメージ名の区切り記号の使用。ボックスで、カラーマップチャンネル番号xは、Icyで対応するチャンネルを視覚化するために使用するモデルのどの列を番号で示します。ボックスに、マージされたイメージの形式は、マージされたイメージを保存する拡張機能を記述します。
マージ チャネル ブロックの左上隅にあるフォルダの右側にあるリンクをクリックします。表示される [開く] ダイアログ ボックスで、ボックス フォルダ チャネル番号 1 で定義された最初のチャンネルのシーケンスを含むフォルダをダブルクリックします。その後、開いてクリックし、プロトコルを実行しました。
マージされた画像は、個々のチャンネルのフォルダと同じディレクトリにマージされたフォルダに保存されます。オブジェクトセグメンテーションは、画像解析において最も困難なステップです。結果として得られるセットの測定精度は効率によって決まります。
そのため、ストラクチャーアナライザは、シンプルなアルゴリズムと複雑なアルゴリズムの両方を統合して、画像の複雑さとユーザーのニーズに合わせたさまざまな選択肢を提案します。オブジェクトが互いに接触しない場合、他のユーザはクラスタ化されたオブジェクトを個別に区別する必要はありません。ブロックセグメンテーション D.クラスターのブロックセグメンテーションを使用して、セグメント化された核をマーカーとして個別に接する細胞質をセグメント化します。一次オブジェクトセグメンテーションのブロックアダプティブは独立して処理できるため、複数のブロックを同じ実行で使用して、特定のサブ構造の効率を比較したり、異なるタイプのサブストラクチャをセグメント化することができます。
セグメンテーションを例示するために、より多くの問題に適合するブロックセグメンテーションBが選択されました。このブログを使用するには.まず、リンクしてフォルダを選択します。
次に、オブジェクトのチャネルをセグメントに設定するチャネル信号を呼び出します。たとえば、B に対応するには、ボックス HK の意味で、検出されるオブジェクトの強度クラス パラメータと、およその最小サイズと最大サイズをピクセル単位で設定します。強度クラスの場合、2 の値は、背景と前景の 2 つのクラスのピクセルを分類します。
このように、オブジェクトと背景のコントラストが高い場合に適応されます。前景オブジェクトの原点の強度が設定されている場合、または背景とのコントラストが低い場合は、クラス数を増やします。ボックスのアクティブな輪郭は、オブジェクトの境界線の検出を最適化します。
プロセス中に、セグメント化されたオブジェクトのイメージを保存するフォルダが作成されます。ボックス テキストでは、このフォルダに名前を付けます。たとえば、核をセグメント化します。セグメント化されたオブジェクトの画像を保存するためのフォーマットを設定するには、セグメント化されたオブジェクトの画像のボックス形式を埋め、プロトコルを実行しました。
マージされたイメージを含むフォルダにフォルダが作成されます。さまざまなブロックは、セグメント化されたオブジェクトで分析される法律やチャネルおよびセルコンパートメントの数に適応するために開発されました。次の例では、解析のために、同じコンパートメント内のブロック蛍光分析P.Twoチャネルを選択し、それをリンクしてフォルダを選択します。
この分析でパラメータ受信トレイフォルダイメージROIが設定される前にセグメンテーションブロックが処理され、円記号が付いたセグメント化されたオブジェクトのイメージを含むフォルダの名前が書き込まれます。セグメント化されたオブジェクトの画像の受信トレイ形式は、セグメント化されたオブジェクトの画像を保存するために使用される形式を書きます。受信トレイは、両方のオブジェクトを削除するために境界を強制します。
それ以外の場合は、この機能を使用するには、より完全なJコレクションのイメージングのインストールが必要です。ボックスチャンネルスポット信号では、スポットを検出する必要があるチャンネルを設定します。従来の RTP イメージでは、ゼロは赤 1 は緑、2 は青です。
局所的な分子の名前で、スポットに局所化する分子の名前を書きます。答えるフィールドの数は分子の数によって異なります。検出器ブロックごとのボックス波長で、個々のチャネルごとにスポット検出パラメータを設定します。
部屋の異なるブロックを処理するためには、ブロック選択フォルダで、選択されたブロックの接続を維持します。ワークフローの処理が正常に行うランクを下回っていることを確認します。ワークフローを実行する前に、使用されていないブロックを削除し、新しいプロトコルを別の名前で保存しておくことをお勧めします。
[実行] をクリックしてワークフローを開始します。目を開けると、目の外観の本が表示されます。看護師の画像を含むフォルダをダブルクリックし、開くをクリックすると、ワークフローが自動的に実行されます。
処理が完了すると、正常に実行されたワークフローが右下隅に表示され、すべてのブロックに緑色の記号が付きます。ブロックと矢印記号を示す内側のボックスでない場合は、要素が正しいことを示します。重要なのは、複数のディスプレイが、処理を制御するために、各実行中に中間結果を視覚化することを可能にします。
このワークフローの迅速性、柔軟性、機能性は、さまざまな例に限定されます。この最初の例では、NF κB.シミュレーション後のTNFアルファ濃度の増加による核転位を解析します。核及び細胞質は、セグメンテーションCおよびEブロックを用いて線引した。
シグナル中で栄えるNFカッパBを、グローバル転位解析ブロックを用いて解析した。96分間で40,000以上の細胞を分析した。生成されたデータを用いて、TNFαによるNFカッパB核転位の誘導を示すこの用量応答曲線を確立した。
このワークフローは、ファイル サイズを検出し、その機能に関する特定の情報を抽出するためにも使用できます。ここで、個々の細胞内の特性は、タンパク質に対するEDCを局所化することによって検出された。細胞質における核は、セグメンテーションAおよびEブロックを用いて線引いた。
EDC4は、この例C.In蛍光分析ブロックを用いて分析した、細胞質EDC4サインは、両方の分析された細胞で検出されている。各フルサイドのサイズ(ピクセル単位)は、スプレッドシートに指定されます。この例では、ワークフローの汎用性を利用して、炭水化物に酸化ストレスの長い運動学を研究しました。
コイリンの核力サインは炭水化物の主な構造成分であり、その数および大きさは、53BP1に局在する二重鎖破断によって評価されたサイズ、応力状態に応じて分析された。核は、セグメンテーションプロキシーを用いて線引し、核力とコイリンと53BP1の信号を用いて、蛍光分析ブロックBを用いて同時に分析した。2300個の個々の細胞からのデータを用いて、そのサイズの減少に伴う応力誘導後のグリーンフィールド部位の数の有意な増加を証明した。このデータは、酸化ストレスが核プラズミック分布を使用する炭水化物の核生成力を、コイリン発現の変化を正当化するためにサイト用の小さな核の数に変化させることで、その局在化を変え、曲線体の核形成を変える可能性があることを強く示唆している。
外因性GFPコイリン融合タンパク質を過剰発現した。我々の身体の特徴はGFPコイリン過剰発現レベルに従って分析された。核は、セグメンテーションブロックA.コイリンとGFPコイリンの蛍光シグナルを用いて、蛍光分析ブロックBを用いて同時に解析した。
サブ構造分析装置によって生成されたデータは、過剰発現中のGFPコイリンが炭水化物のサイズと数を大幅に増加することを示しています。酸化ストレスは炭水化物の数を増やすが、そのサイズを減少させるので。このデータは、炭水化物の構造に対する酸化ストレス効果が、ある量のコイリンに対する影響ではなく、その組成の変化によって引き起こされる可能性が最も高いことを反映している可能性がある。
したがって、構造解析は、バイオ画像解析のための高度にモジュール化されたワークフローです。これは、チャネルの簡単なマージから、数千のセル内の複数の床と信号の定量化にはいくつかのコンテキストに適応することができます。また、画像の複雑さに応じてシンプルで複雑なセグメンテーションアルゴリズムを統合し、蛍光シグナル特徴の抽出を自動化します。
