Bu yöntem, kanser araştırmaları ve kanser tedavisi gibi temel araştırma ve klinik uygulamalarda ve aynı zamanda immünoloji alanında anahtar soruların cevapolmasına yardımcı olabilir. Bu yöntemin en büyük avantajı statik bir yöntem ve kolay kolaylaştırmak olmasıdır. Bu teknik, hastalıklı hücre tiplerini şekil ve hareket özelliklerine göre otomatik olarak belirleyebilir.
Bu tekniğin etkileri tanı ve kanser veya inflamatuar hastalıkların tedavisi doğru uzanır. Bu yöntem, bağışıklık hücreleri ve kanser hücreleri arasındaki eylemlere ilişkin öngörüler sağlayabilir, ancak üç boyutlu mikroskopi verilerinin gerekli olduğu herhangi bir alanda da uygulanabilir. Bu yönteme yeni gelen bireyler, üç boyutlu mikroskopi verilerini tanımlamak ve doğrulamak için sorunları nedeniyle mücadele edecek olabilir.
Burada kullandığımız yazılım araçları bilim adamlarının çoğuna aşina olmadığı için bu yöntemin görsel bir gösteriminin kritik öneme sahip olduğunu düşündük. Başlamak için, eşlik eden metin protokolünde açıklandığı gibi yüksek çözünürlüklü, deconvolved üç boyutlu mikroskopi veri seti edinin. 3B görüntü verilerini yeniden yapılandırma yazılımına yükleyin ve her nesne için bir 3B yüzey oluşturmaya başlayın.
Bunu başarmak için 3B Görünüm seçeneğini seçin ve Yüzeyler'e tıklayın, ardından Yüzey Oluşturma Sihirbazı'na devam etmek için İleri düğmesine tıklayın. Şimdi, yüzey rekonstrüksiyonu için görüntü kanalını seçin. Yüzeyin ayrıntılarını gizlemeyen, aynı zamanda gözenekli yüzeyleri önleyen bir yumuşatma değeri seçin.
Düzgün Seçenek Onay Kutusu'nu tıklatarak ve bir yumuşatma yarıçapı sağlayarak yumuşatma işlevini uygulayın. Mikroskopi verilerinin üç boyutlu görüntü yapılarını oluştururken, herhangi bir hücresel özellik veya şekil kaybetmemek için yumuşatma faktörüne ve uygun eşik yöntemine dikkat etmek özellikle önemlidir. Ardından, yüzeyleri bulmak için eşik yöntemini seçin.
Burada gösterilenler gibi nesneler arka plandan iyi ayrılmış ve yaklaşık tek düze parlaklık düzeyine sahip olduğunda mutlak bir yoğunluk eşiği kullanın. Nesneler yoğunluklarına göre değişiklik gösterdiğinde, ancak yine de yerel arka plandan ve onları çevreleyen diğer nesnelerden ayrılabiliyorsa, yerel bir kontrast eşiği uygulayın. Yerel Eşik Arama Alanını, yeniden yapılanan nesnelerin beklenen çapının değerine göre ayarlayın.
Ardından, yeniden oluşturulmuş yüzeyleri ilgi çekici morfolojik parametrelere göre filtrelemek için seçenekler listesinden seçin. Bu hacim, sphericity, yüzey-hacim oranı ve daha fazlasını içerir. Oluşturulan yüzeyleri, bir sonraki adımda kullanılacak olan 3B animasyon yazılımıyla uyumlu VRML gibi bir biçimde kaydedin ve dışa aktarın.
Blender'ı başlatın ve pencerenin sağ tarafındaki Çıktı sekmesine gidin. Açılır Menü'den TIFF biçimini seçin ve Renk Derinliğini 8 bitRGBA olarak ayarlayın. Ardından, Komut Dosyası Modu'na geçin ve verilen komut dosyası dosyası başlıklı:GUI_Autorotate gidin.
py, bu çalışma için github deposundan indirilebilir. Ana pencerede, Komut Dosyasını Çalıştır'ı tıklatın ve giriş istendiğinde wrl dosyalarının klasörünü seçin. Ardından Varsayılan Menü'ye gidin.
Burada, döndürmeleri altı veya üstünde bir değere ayarlayın. Döndür düğmesine tıklayarak komut dosyasını çalıştırın. Altı farklı açıda bir rotasyon genellikle farklı hücresel popülasyonları ayırt etmek için yeterlidir, ancak, biz şekiller veya özellikleri hakkında herhangi bir bilgi kaybetmemek için, altıdan az rotasyon kullanmanızı önermiyoruz.
Giriş için kullanılan klasörde tek tek yüzeylerin projeksiyonlarını kaydedin. Varsayılan olarak, görüntüler FIJI eklentisi Gölge tarafından gerekli biçimi olan 8 bit TIFF biçiminde kaydedilir. Fiji'yi açın ve Eklentiler menüsünde Gölge'yi seçin.
Varsayılan değerlerle başlayın ve parametrelere daha sonra ince ayar yap. Programı çalıştırmaya hazır olduğunuzda Tamam'ı tıklatın. Ardından, önceki bölümde oluşturulan TIFF dosyalarını içeren kaynak klasörü seçin ve Seç'i tıklatın.
Ardından, bir Çıktı Veri Klasörü sağlayın. İlk görüntü görüntülendiğinde, hücreyi çevreleyen bir dikdörtgen çizin ve Tamam'ı tıklatarak başlayın. Eklenti çalışırken, kırmızı çizgilerle gösterilen hücrelerin çevre bulgusunda görüntünün ön işlemesini görürsünüz.
Bulunan kenarların koordinatları şimdi ayrık fourier bileşenleri hesaplamak için kullanılır. Kendi kendini düzenleyen haritaları ilk kez eğitmek için MATLAB'ı yükleyerek başlayın. TrainSOM MATLAP komut dosyasını yükleyin ve ardından eğitime başlamak için Çalıştır'ı seçin.
Gerekirse dosyayı doğru şekilde izlediğinden emin olun. Çalışmaya başladığında ve ilerlemeyi görüntülemek için ek bir pencere açılır. Devam etmeden önce eğitimin tamamlanmasını bekleyin.
Varsayılan olarak, komut dosyası 2,000 yinelemeveya destanları çalışacak şekilde ayarlanır. Eğitim bittikten sonra, ağın topoloji çizimlerini inceleyin. Burada komşu mesafeleri arsa, örnek-hits arsa ve giriş-düzlemleri arsa bir örnektir.
Kendi kendini düzenleyen haritalar, veri setinizdeki gizli ilişkileri keşfetmek için önemli bir araçtır. Verilerinizi objektif olarak kümelerler ve denetimsiz öğrenirler, eğitim veri setine ihtiyaç duymama avantajına sahiptirler. Ağ artık eğitildi.
Çalışma alanınızdaki dosyaya sağ tıklayın ve ileride kullanmak üzere kaydedin. Bir veri kümesini kümelemek için önceden eğitilmiş bir harita yı kullanırken kendi kendini düzenleyen haritalara yükleyin. Ardından, önceden yüklenmiş eğitilmiş haritalarla sınanacak Olan CSV dosyasını içeri aktarın.
Burada, Gölge Eklentisi CSV çıkış seçecektir. Veriler yüklendiğinde, çıktı türünü Sayısal Matris olarak değiştirin ve ardından Seçimi Aktar'ı seçin. Sınıflandırma tamamlandıktan sonra, çeşitli çizimleri değerlendirmek için komut penceresini kullanın.
Buradaki görüntü mikroglial hücrelerin dekonvolved intravital multi-foton miskroskopi veri setinden. Fizyolojik koşullar altında, mikroglia birden fazla, yüksek dallı süreçleri ile oldukça karmaşık bir şekil sundu. Bu kortikal tümör modeli gibi kanserli bir ortamda yerleştirildiğinde, mikroglia daha basit, daha iğ benzeri bir şekle dönüştü.
Bu forier şekilli tanımlayıcı bileşenlerden 20'si kendi kendini organize eden haritayı eğitmek için girdi olarak kullanılmıştır. Eğitimli harita daha sonra sağlıklı ve kanserli hücreleri ayırt yeteneğini değerlendirmek için test edildi. Sağlıklı hücre popülasyonu burada gösterilen tek bir alana yansıtılırken, kanserli mikroglia veri seti halter şeklinde aktif bir bölge olarak sunulmuştur.
Haritalar, farklı hücre gruplarını belirlemek için tıp uzmanları tarafından da eğitilebilir. Burada dinlenen hücreler, fagositoksing hücreler, etkileşim hücreleri ve mobil hücreler tanımlandı, yeniden oluşturuldu ve 12x12 haritasını eğitmek için kullanıldı. Bu birleşik harita, özellikle haritanın sol ve orta alt alanlarında, yüksek isabet değeri yapay nöron grupları gösterir.
Haritalama yaklaşımının sağlamlığı, eğitim veri kümesinin bir parçası olmayan aynı dinlenme hücresi türünden 3 rasgele alt kümeyle eğitilmiş kendi kendini organize eden harita kullanılarak test edilmiştir. S.O.M bu girişe verdiği yanıt, doğru hücre türünü gösteren çok benzer bir yanıt sergiler. Bu tekniğin geliştirilmesinden sonra, şimdi sadece hücre şekli değişiklikleri kategorize edebilirsiniz bir araç seti var.
Bu değişiklikler, kanser sırasında meydana, örneğin, veya diğer bağışıklık sistemi yanıtları, ve biz mikroskopi ile ölçebilirsiniz, tüm hayvanları kullanarak, ekskised doku, hatta çip organları.
