Для обработки изображений флуоресцентно окрашенных нейронов, полученных с помощью конфокального флуоресцентного микроскопа, используется программное обеспечение с феноловой связью для сегментации изображений и выделения признаков. В программном обеспечении загрузите выбранную пластину для доступа к данным и выберите нужное изображение. Чтобы выполнить сегментацию изображения на необработанных изображениях с коррекцией освещенности, отрегулируйте интенсивность флуоресценции для визуализации различных каналов.
Опытным путем определите соответствующие пороги интенсивности канала для каждой пластины, чтобы убедиться, что желаемый сегментированный сигнал соответствует сигналу на необработанном изображении и свести к минимуму фоновый сигнал. Чтобы отделить живые клетки от мертвых, определите размер ядра и пороговые значения интенсивности. Измерьте размер ядра двойным щелчком мыши и визуализируйте отображаемую интенсивность.
При использовании изображений 40X сохраняйте параметры по умолчанию и запускайте обработку. С помощью полученных табличных количественных данных построены фенотипические профили для сравнения различных клеточных линий или условий лечения. Выполняйте блокнот Jupyter ячейка за ячейкой, используя программное обеспечение Jupyter для генерации и визуализации фенотипических профилей.
Изображения были сегментированы и выделены фенотипические особенности. Всего было определено 126 количественных признаков, которые могут быть агрегированы в хорошо обоснованные фенотипические профили. Некоторые признаки показали изменения после обработки компаундом.
Например, интенсивность флуоресценции альфа-синуклеина в тирозингидроксилазе, или TH-положительных клетках, снижалась при лечении ингибитором киназы LARK2 PFE-360. Другие особенности, такие как длина нейритной сети MAP2 или соотношение TH-положительных нейронов, показали различия только между исследуемыми клеточными линиями, но не при обработке соединением.