Name: morphology-based distinction between healthy and pathological cells utilizing fourier transforms and self-organizing maps
Uploaded: 2018-10-28T14:00:00
Duration: 8 min 59 s
Description: Watch this Scientific Journal Video about Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps at JoVE.com

Forfatterne takker Benjamin Krause for fruktbar diskusjon og hans støtte. Forfatterne videre Takk Robert Günther for hans hjelp med levende celle mikroskopi.
Arbeidet ble støttet av DFG økonomisk støtte NI1167/3-1 (JIMI) til R.N. og Z.C., DFG økonomisk støtte CRC 1278 PolyTarget prosjektet Z01 for Z.C., C01 i TRR130 R.N. og SFB633, TRR130, Exc257 A.E.H. og J.B.S. BfR gitt intramural støtte SFP1322-642 for F.L.K og Al

1. protokoll krav
<ol><li>Få høy oppløsning deconvolved tredimensjonale (3D) mikroskopi data deconvolved i samsvar med Nyquist vilkåret med et utvalg intervall på høyeste romlige frekvensen for å få et bilde med høy oppløsning.</li>
	<li>Bruk 3D-rendring programvare for surface rekonstruksjon og eksport.</li>
	<li>Bruk 3D-animasjon programvare kan kjøre Python-skript (Python-skript kan lastes ned fra github oppbevaringssted: https://github.com/zcseresn/ShapeAnalysis) å lage 2D prognoser.</li>
	<li>Bruk Fiji13 å analysere 2D anslag og ekstra DFT komponenter.<ol>
<li>Bruk gjeldende Fiji fordelingen. Hvis det allerede finnes en installert versjon av Fiji, kontroller at den installerte versjonen er nyest. Dette kan enkelt oppnås ved å kjøre Hjelp | Oppdateringsalternativet.</li>
		<li>Bruk aktiv kontur plugin15, som kan lastes ned fra http://imagejdocu.tudor.lu/doku.php?id=plugin:segmentation:active_contour:start og skal kopieres inn i plugins-mappen.</li>
		<li>Dataoverføre SKYGGEN Fiji plugin til github oppbevaringssted og kopiere inn i plugins-mappen.</li>
	</ol>
</li>
	<li>Bruke beregningsorientert matematikk programvare i stand til å beregne Self-Organizing kart.</li>
</ol>2. rekonstruere det 3D Image.
Merk: For tester hensikt, et eksempel datasett er gitt i github oppbevaringssted (se ovenfor).
<ol><li>Start programmet 3D rekonstruksjon og åpne 3D bildedataene.</li>
	<li>Opprette en 3D-overflate av (alle) objekt(er).<ol>
<li>Velger du 3D-visning , og klikk på overflater. Klikk på neste -knappen (blå sirkel med en hvit trekant) for å fortsette overflate opprettelsesveiviseren.</li>
		<li>Velg bilde kanalen for overflaten gjenoppbygging.</li>
		<li>Bruke utjevning funksjon for å unngå porøse overflater.<ol>
<li>Velg en utjevning verdi som ikke skjule detaljene i overflaten, men unngår porøse overflater.</li>
		</ol>
</li>
		<li>Velg en terskelverdi finne overflater.<ol>
<li>Bruk en absolutt intensitet terskel når objektene er godt adskilt fra bakgrunnen og har et lag lysstyrkenivå.</li>
			<li>Bruke en lokal derimot terskel når objektene varierer i intensitet, men kan fortsatt bli separert fra lokale bakgrunnen og de andre objektene rundt dem. Angi søkeområdet lokale terskelen etter verdien av forventet diameteren på rekonstruert objektene.</li>
		</ol>
</li>
		<li>Filtrere rekonstruert overflater etter morfologiske parametere av interesse, f.eks volum, sphericity, overflate-til-volum forhold, etc., og Avslutt overflaten gjenoppbygging.</li>
	</ol>
</li>
	<li>Lagre og eksportere genererte overflater i et format som er kompatibelt med 3D-animasjon programvare som skal brukes i neste trinn.</li>
</ol>3. transformere 3D rekonstruert overflater i 2D anslag
<ol><li>Start Blender og gå til kategorien levering i det høyre vinduet. Velg TIFF-formatet fra nedtrekksmenyen og angi fargedybden til 8-biters RGBA.</li>
	<li>Bytte til modus for skripting og åpne angitte skriptfilen "GUI_AutoRotate.py" fra lageret med dette arbeidet (https://github.com/zcseresn/ShapeAnalysis).</li>
	<li>Klikk på Kjør skriptet. Velg mappen wrl filer når spørsmål for inndata.</li>
	<li>Hvis nødvendig, opprette flere rotasjoner når du arbeider med mer komplekse overflater: gå til GUI og sette boksen rotasjoner til en verdi over 6. Merk: En rotasjon av 6 forskjellige vinkler kan være tilstrekkelig til å skille de ulike celle populasjonene. Det anbefales ikke å opprette færre enn seks rotasjoner per overflaten, på grunn av mulig informasjonstap av.</li>
	<li>Kjør skriptet ved å klikke på knappen Roter i GUI. Lagre anslagene av personlige overflater i den samme mappen som ble brukt som input-mappen (trinn 2.3). Standard bildene lagres i en 8-biters Tiff-format (se trinn 2.1), som er formatet som kreves av Fiji plugg SKYGGEN.</li>
</ol>4. Finn periferien og beregne Fourier komponentene bruker Fiji.
<ol><li>Åpne Fiji og velg SKYGGEN i Plugins-menyen. Start med standardverdiene og finjustere parametere senere. Klikk OK når du er klar til å kjøre programmet.<ol>
<li>Velg en Gradient terskelverdi for terskelverdi inndatabildet.</li>
		<li>Velg antall gjentakelser. Jo høyere Nummer av gjentakelser verdi, desto mer nøyaktig gjenoppbyggingen av periferien. For enklere figurer er et lavere tall vanligvis tilstrekkelig.</li>
		<li>Bruke parameteren Nummeret av Dilations å finne ut hvor mye større Start masken er i forhold til selve cellen. Vanligvis trenger mer kompliserte figurer dilatasjon skritt for å finne riktig periferi.</li>
		<li>Merk av i avkrysningsruten Mørk bakgrunn hvis projiserte figurene er lysere enn bakgrunnen.</li>
		<li>Aktivere avmerkingsboksen Vis midlertidige resultater bare når du bruker en liten test datasett for å avgjøre ytelsen til SKYGGE. Aktivere dette alternativet for større datasett senker beregningsorientert effektiviteten og muligens kunne stoppe et system med lite videominne.</li>
		<li>Se Lagre resultatet tabeller sjekkheftet å bruke resultatene av SKYGGEN som inndata til trinn 5. Hvis boksen er avmerket, lagres alle resultater i individuelle csv-filer. Et sammendrag av utdataene genereres alltid i en fil kalt "Result_collection_of_all_DFT_calculations.csv".</li>
	</ol>
</li>
	<li>Velg mappen inndataene som inneholder TIFF-filer som ble opprettet i trinn 3.</li>
	<li>Gi mappen output data.</li>
	<li>Klikk OK for å starte plugin.</li>
</ol>5. selv-organisering kart
Merk: SOM nettverk er bare kunne klassifisere data når de er utdannet på store datasett som inneholder innspill fra alle forventede celletyper og betingelser. For demonstrasjon, slik et dataset tilbys og finnes i våre depotet ("AllCells_summary_normalised.csv" fra https://github.com/zcseresn/ShapeAnalysis
<ol><li>Følg disse retningslinjene hvis det finnes ingen utdannet SOM ennå for inndataene; ellers går du til trinn 5.2.<ol>
<li>Starte en beregningsorientert matematisk programvare kan yte nettverk klassifiseringer.</li>
		<li>Velg en datafil som skal brukes for trening SOM nettverket. Dataset må inneholde alle eksperimentelle forhold for å trene SOM på hvilke bestemt celle og eksperimentelle forhold. Merk: Det er også mulig å bruke den angitte AllCells_summary_normalised.csv for å teste systemet.</li>
		<li>Begynne å trene og vente til treningen er fullført før du fortsetter. Standard er skriptet satt til å kjøre 2000 gjentakelser ("epoker"). Merk: Antall gjentakelser er avhengig av læring rate av SOM. Avhengig av inndataene er det lurt å teste både høyere og lavere tall epoker og observere stabiliteten til mønsteret av SOM. Når du bruker manuset leveres, kan antall gjentakelser endres under linje 32. Nettverk størrelsen kan endres i linje 34 (som standard er satt til 12 ved 12).</li>
		<li>Når treningen er fullført, Undersøk nettverkets topologi (nabo avstander, inngang fly, prøve treff, osv.). Nettverket er nå trent og kan lagres for fremtidig bruk.</li>
	</ol>
</li>
	<li>Laster inn SOM, når du bruker en allerede trent kart (dette kan komme fra trinn 5.1 eller andre kilder) for å klynge dataset.<ol>
<li>Importere csv-filen som skal testes med de forhåndsinnlastede utdannet SOM. Velge csv utskrift av SKYGGEN Plugin fra trinn 4 når du bruker data utarbeidet av SKYGGEN plugin. Merk: Det er også mulig å bruke eksempel datafilene "InteractingCells_summary_normalised.csv", "MobileCells_summary_normalised.csv" eller "PhagocytosingCells_summary_normalised.csv" som tilbys via github.</li>
		<li>Etter klassifiseringen er ferdig, evaluere resultatene av SOMEN som i trinn 5.1.5.<ol>
<li>Undersøk hitmap generert fra csv-filen. Hver celle av kartet viser hvor mange ganger datasettet "treff" bestemt cellen av de kvalifiserte SOM. Når en gruppe celler er samlet i et lite område av dette kartet, angir dette at datasettet er ganske homogent. Flere klynger vil indikere at undergrupper sannsynlig finnes i datasettet.</li>
			<li>Undersøke nabolaget vekt avstandene. Deler av dette kartet som skilles godt tilsvarer grupper med objekter som oppfører seg svært forskjellig fra den SOM synspunkt. Med DFT komponenter som inndata betyr dette at gruppene cellen har svært ulike former for tilsvarende 3D overflater.</li>
			<li>Undersøke vekt flyene informasjon om bidraget ved hvert element i funksjonen vektoren. Ved hjelp av 20 DFT komponenter som beskrevet tidligere, vises 19 kartene her. Når du bruker den medfølgende eksempel datasettet, første 5 eller 6 vekt flyene vil være annerledes, men resten av dem vil vises ganske lik. I dette tilfellet kan det konkluderes at det ville være nok til å bruke ca 7 DFT komponenter.</li>
		</ol>
</li>
	</ol>
</li>
</ol>

<ol>
	<li>Masedunskas, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Intravital+microscopy:+a+practical+guide+on+imaging+intracellular+structures+in+live+animals.">Intravital microscopy: a practical guide on imaging intracellular structures in live animals.</a> Bioarchitecture. 2 (5), 143-157 (2012).</li><li>Niesner, R. A., Hauser, A. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Recent+advances+in+dynamic+intravital+multi-photon+microscopy.">Recent advances in dynamic intravital multi-photon microscopy.</a> Cytometry A. 79 (10), 789-798 (2011).</li><li>Ho, S. Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=NeurphologyJ:+an+automatic+neuronal+morphology+quantification+method+and+its+application+in+pharmacological+discovery.">NeurphologyJ: an automatic neuronal morphology quantification method and its application in pharmacological discovery.</a> BMC Bioinformatics. 12, 230 (2011).</li><li>Yin, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+screen+for+morphological+complexity+identifies+regulators+of+switch-like+transitions+between+discrete+cell+shapes.">A screen for morphological complexity identifies regulators of switch-like transitions between discrete cell shapes.</a> Nature Cell Biology. 15 (7), 860 (2013).</li><li>Yu, H. Y., Lim, K. P., Xiong, S. J., Tan, L. P., Shim, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Functional+Morphometric+Analysis+in+Cellular+Behaviors:+Shape+and+Size+Matter.">Functional Morphometric Analysis in Cellular Behaviors: Shape and Size Matter.</a> Advanced Healthcare Materials. 2 (9), (2013).</li><li>Johnson, G. R., Buck, T. E., Sullivan, D. P., Rohde, G. K., Murphy, R. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Joint+modeling+of+cell+and+nuclear+shape+variation.">Joint modeling of cell and nuclear shape variation.</a> Molecular Biology of the Cell. 26 (22), 4046-4056 (2015).</li><li>Wang, S. -. H., Cheng, H., Phillips, P., Zhang, Y. -. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Multiple+Sclerosis+Identification+Based+on+Fractional+Fourier+Entropy+and+a+Modified+Jaya+Algorithm.">Multiple Sclerosis Identification Based on Fractional Fourier Entropy and a Modified Jaya Algorithm.</a> Entropy. 20 (4), 254 (2018).</li><li>Kriegel, F. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cell+shape+characterization+and+classification+with+discrete+Fourier+transforms+and+self-organizing+maps.">Cell shape characterization and classification with discrete Fourier transforms and self-organizing maps.</a> Cytometry Part A. 93 (3), 323-333 (2017).</li><li>Styner, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Framework+for+the+Statistical+Shape+Analysis+of+Brain+Structures+using+SPHARM-PDM.">Framework for the Statistical Shape Analysis of Brain Structures using SPHARM-PDM.</a> Insight Journal. (1071), 242-250 (2006).</li><li>El-Baz, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=3D+shape+analysis+for+early+diagnosis+of+malignant+lung+nodules.">3D shape analysis for early diagnosis of malignant lung nodules.</a> Medical Image Computing and Computer Assisted Intervention. 14 (Pt 3), 175-182 (2011).</li><li>Williams, E. L., El-Baz, A., Nitzken, M., Switala, A. E., Casanova, M. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Spherical+harmonic+analysis+of+cortical+complexity+in+autism+and+dyslexia.">Spherical harmonic analysis of cortical complexity in autism and dyslexia.</a> Translational Neuroscience. 3 (1), 36-40 (2012).</li><li>Kruggel, F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Robust+parametrization+of+brain+surface+meshes.">Robust parametrization of brain surface meshes.</a> Medical Image Analysis. 12 (3), 291-299 (2008).</li><li>Schindelin, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fiji:+an+open-source+platform+for+biological-image+analysis.">Fiji: an open-source platform for biological-image analysis.</a> Nature Methods. 9 (7), 676-682 (2012).</li><li>Kohonen, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Essentials+of+the+self-organizing+map.">Essentials of the self-organizing map.</a> Neural Networks. 37, 52-65 (2013).</li><li>Andrey, P., Boudier, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Adaptive+Active+Contours.">Adaptive Active Contours.</a> ImageJ user and developer conference. , (2006).</li><li>Burger, W., Burge, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Principles of Digital Image Processing. , (2013).</li><li>Lestrel, P. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Fourier Descriptors and their Applications in Biology. , (2008).</li><li>Bayerl, S. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Time+lapse+in+vivo+microscopy+reveals+distinct+dynamics+of+microglia-tumor+environment+interactions-a+new+role+for+the+tumor+perivascular+space+as+highway+for+trafficking+microglia.">Time lapse in vivo microscopy reveals distinct dynamics of microglia-tumor environment interactions-a new role for the tumor perivascular space as highway for trafficking microglia.</a> Glia. 64 (7), 1210-1226 (2016).</li></ol>

Forfatterne erklærer at de har ingen konkurrerende økonomiske interesser.

Identifikasjon av potensielt patologiske forhold med små, intakt vevsprøver er høy viktighet. Slike teknikker vil sikre en betimelig respons infeksjonssykdommer og aggressiv typer kreft. Kinetic og morfologiske svarene på ulike immunceller, f.eks microglia og makrofager, er karakteristisk for immunforsvaret i kroppen. Selv i de fleste tilfeller ikke er det praktisk eller mulig å overvåke kinetic virkemåten til disse cellene, er det ganske enkelt hente 3-dimensjonale bilder for å hente sin form. Vanligvis anta immunceller en kompleks figur i friskt vev og en mye enklere form under betent eller kreft18. Mens tidsavhengige kjennetegner slik figur endring ville legge til vår forståelse av utviklingen av immunforsvaret, kan bruker bare 3D form av en representant cellegruppe også være tilstrekkelig å angi sunn eller patologisk av vev.
Karakterisere 3-dimensjonale overflaten av en celle er ikke en enkel oppgave. Bruk av sfæriske harmoniske er en måte å representere en 3D overflate med et relativt stort antall (50-70) komponenter11,12. I tillegg bestemme den sfæriske harmoniske er beregningsmessig dyrt; projisere svært komplekse figurer på enheten sfæren er enten umulig eller svært vanskelig på grunn av behovet for å bruke flere nett av ulike finhet på enheten sfæren; Endelig er meningsfull tolkningen av spectra sfærisk harmoniske komponentene langt fra ubetydelig.
I vårt arbeid som presenteres her, erstatte vi den vanskelige oppgaven med direkte 3D overflaten analyse med mye enklere tilnærming av bruker 2D projeksjoner av opprinnelige overflaten for å få tilstrekkelig morfologiske informasjon for å identifisere patologisk forhold. Vi viste hvert trinn av arbeidsflyten ved hjelp av 3D mikroskopi data fra myeloide celler, mens tydelig påpekte at alle trinnene var enkle å fullføre, og de resulterende 2-dimensjonal kartene var lett å tolke.
Naturligvis, en 3D-til-2D-projeksjon vil føre til tap av informasjon om strukturen på overflaten. I vårt eksempel datasett av microglia i en mus kortikale svulst modell var det nok til å bruke seks vinkler når du oppretter 2D anslagene. Men kan mer kompliserte figurer eller mindre fremtredende morfologiske endringer kreve at et større antall anslag er skapt for å identifisere pålitelig celle undergrupper med SOM. Derfor er vår tilnærming utformet for å kunne generere og analysere flere anslag. Ved å velge et høyere antall anslagene for mer komplekse figurer, er det mulig å skalere informasjonstap til et tålelig minimum. Som et eksempel, vil samspill celle type figur 4a og 4b kreve et større antall anslag for å representere komplekse overflaten riktig.
Som et omtrentlig metoden måtte herved foreslåtte arbeidsflyten testes mot resultatene av en manuell klassifisering prosess microglia18. Resultatene presentert tidligere bekreftet påliteligheten av automatiserte arbeidsflyten. Videre er arbeidsflyten mer tid effektiv sammenlignet med konvensjonelle analyse. Medisinsk ekspert som klassifisert microglia cellene manuelt nødvendig ca 4 uker for sin analyse av datasettet mens våre arbeidsflyt trengs bare ca 1 dag. Robust vår tilnærming ble også tydelig påvist av reproduserbarhet av utdannet SOMEN til et delsett med data som tilhørte samme celle type, men ble ikke brukt til å trene SOM, som vist i Figur 3 c.
Selv om vår tilnærming ikke vurdere kinetic informasjon, undersøkte vi effekten av timingen på DFT-baserte form analyse. Det vanligste eksemplet for tid avhengig atferd ble funnet blant befolkningen transportabel cellen der bidraget fra høyere indeksert DFT komponentene var tydelig observerbare, som i figur 4a. Dette krever oppmerksomhet til viktigheten av bruker et tilstrekkelig antall DFT komponenter når håndtere celletyper som er sannsynlig å oppføre seg på en svært tidsavhengige måte. Automatisert natur og høy kjøringen av våre verktøy, vil økt antall DFT komponenter og anslag øke presisjon og pålitelighet av resultatene, mens de ikke merkbart hindrer databehandlingsytelse.

Rimelig, enkel og nøyaktig bestemmelse av patologisk status for biologisk vev er høyeste interessen for biomedisinsk forskning. Musen modeller gir midler til å studere en rekke pathological betingelser, for eksempel immunreaksjoner eller hudkreft, sammen med komplekse 3D og 4 D (3 romlige dimensjoner og tid) mikroskopi teknikker. Mikroskopi studier kan utføres via intravital eller forbrukeravgift vev 2-fotonet mikroskopi, lys arks mikroskopi, og å en begrenset vev dybde på ca 100 µm-ved AC confocal mikroskopi. For å få gang-relatert informasjon om cellene oppførsel under fysiologiske eller patologiske forhold, er det nødvendig å overvåke vevet i lengre tid, som vanligvis krever intravital tenkelig1,2 . Naturligvis, anvendelse av denne teknikken er begrenset til dyremodeller på grunn av sin invasiveness. Ikke-invasive teknikker er også tilgjengelig for menneskelig programmer, inkludert en rekke tomografi metoder (MSOT, CT, etc.), men disse metodene alle mangler nødvendige romlig- og ofte midlertidig løsning å studere atferden på cellenivå.
Statisk informasjon om utseendet av celler kan være tilgjengelige lettere via ulike 3D bildeprodukter teknikker kjøres på forbrukeravgift vevsprøver. Her kinetic virkemåten til cellene er ikke målt, derfor er det nødvendig å vedta romanen analyseteknikker som kan kontrollere patogene undersøkt cellene basert utelukkende på deres morfologi3. En slik tilnærming ble brukt til å knytte cellen figurer og vev teksturer til patologisk adferd4,5,6.
I den nye teknikken beskrevet her, cellene er rekonstruert som 3D flater og deres er preget via 3D til 2D anslag og påfølgende Fourier-baserte periferien-form analyse7,8. Ved å redusere dimensjonene fra 3 til 2, er problemet forenklet. Det er også mulig å karakterisere celle overflatene i 3D bruke sfærisk harmoniske analyse, som det har blitt gjort for medisinske bilder9. Imidlertid håndterer sfærisk harmoniske ikke skarpe og robust Vel, krever en multi-skala rutenettet skal etableres på enheten sfæren. I tillegg antallet nødvendige sfærisk harmoniske komponenter kan være store (50-70), med de underliggende beregningene svært krevende og resultatene vanskelig å tolke10,11,12.
Vår nylig foreslåtte metoden reduseres aktiviteten til en serie av 2D figurbeskrivelser, der antall 2D anslagene er opp analytiker og justeres etter kompleksiteten i 3D-form. Anslagene genereres automatisk via et Python-skript som kjører i en 3D-animasjon verktøyet. 2D anslagene er beskrevet av diskret Fourier transform (DFT) komponenter i deres periferi, beregnet av en Fiji13 plugin som tilbys her som en del av vår programvarepakke. DFT er brukt her for å dele opp komplekse omrisset av cellen inn i synd og cos funksjoner. På denne måten kan vi beskrive disposisjonen med et relativt lite antall DFT komponenter, dermed redusere kompleksiteten av problemet (for mer detaljer se ligninger avsnitt). DFT komponentene er satt i en utdannet Self-Organizing kart (SOM14), der eksistensen av figuren klynger kan objektivt testet8. Somer gir en konkurransedyktig og unsupervised læremiddel fra feltet av kunstig intelligens. De består av en koblet rekke kunstige nerveceller som kommuniserer med hverandre via en vektet nabolaget avstand funksjon. Neuronal systemet reagerer på det første elementet i input datasettet og neurons som svar er den sterkeste "gruppert" nærmere hverandre. Som neural systemet mottar mer input, begynner data nerveceller som gjentatte ganger reagerer sterkt å danne veldefinert klynge i systemet. Etter riktig trening på store datasett som inneholder 2D-figurinformasjon i form av et sett med DFT komponenter, enkeltstående cellers DFT komponenter kan settes i trent SOMEN og avsløre om cellen sannsynlig tilhører den sunne eller gruppen patogene cellen. Vi forventer slik verktøyet å bli et flott tillegg til metodene av vitenskapelig og klinisk diagnostikk.

<table>
	<tbody>
		<tr>
			<td>Imaris 9.1.2, software</td>
			<td>Bitplane, Z&#252;rich, Switzerland</td>
			<td>v.9.1.2</td>
			<td>3D image reconstruction and surface generation; this was used by us!</td>
		</tr>
		<tr>
			<td>Blender 2.75a, software</td>
			<td>https://www.blender.org/</td>
			<td>v.2.75a</td>
			<td>3D and 4D open source animation software; 2.75a is the required version for this Python</td>
		</tr>
		<tr>
			<td>Fiji /ImageJ, software</td>
			<td>https://fiji.sc/</td>
			<td>ImageJ v.1.52b</td>
			<td>Open source multi-D image analysis toolkit</td>
		</tr>
		<tr>
			<td>MATLAB</td>
			<td>MathWorks, www.mathworks.com</td>
			<td>R2017b</td>
			<td>General computational mathematical software</td>
		</tr>
		<tr>
			<td>MATLAB Machine Learning kit</td>
			<td>MathWorks, www.mathworks.com</td>
			<td>R2017b</td>
			<td>Can only be used together with MATLAB</td>
		</tr>
		<tr>
			<td>Fiji plugins: SHADE</td>
			<td>https://github.com/zcseresn/ShapeAnalysis</td>
			<td>v.1.0</td>
			<td></td>
		</tr>
		<tr>
			<td>Fiji plugins: ActiveContour</td>
			<td>http://imagejdocu.tudor.lu/doku.php?id=plugin:segmentation:active_contour:start</td>
			<td>absnake2</td>
			<td></td>
		</tr>
		<tr>
			<td>Computer</td>
			<td>Any</td>
			<td>NA</td>
			<td>See Imaris instructions for minimum computer requirements</td>
		</tr>
	</tbody>
</table>

morphology-based distinction between healthy and pathological cells utilizing fourier transforms and self-organizing maps

Utseendet og bevegelser av immunceller er drevet av miljøet. Som en reaksjon på en patogen invasjon, immunceller er rekruttert til området av betennelse og aktiveres for å hindre en videre spredning av invasjonen. Dette gjenspeiles også av endringer i virkemåten og morfologiske utseende av immunceller. I kreft tissue, lignende morphokinetic endringer er observert i atferden til microglial celler: intra-tumoral microglia har mindre kompleks 3-dimensjonale figurer, har mindre forgrenet cellulære prosesser, og flytte raskere enn sunn vev. Undersøkelse av morphokinetic egenskaper krever kompleks 3D mikroskopi teknikker, som kan være svært utfordrende når henrettet langs. Derfor er opptak av en statisk 3D figur i en celle mye enklere, fordi dette krever ikke intravital mål og kan utføres på forbrukeravgift vev også. Men det er viktig å ha verktøy som tillater en rask og presis beskrivelse av 3D-figurer og lar diagnostiske klassifiseringen av sunn og patogene vevsprøver basert utelukkende på statisk, form-relatert informasjon. Her presenterer vi en verktøykasse som analyserer diskret Fourier komponentene av et sett med 2D anslag av 3D celle overflater via Self-Organizing kart. Bruk av kunstig intelligens metoder gjør vårt rammeverk for å lære om forskjellige celle figurer som det er brukt mer og mer vevsprøver, mens arbeidsflyten er enkel.

Vi brukt en DFT for å beregne hovedkomponentene i figuren tilsvarer celle anslagene. Fourier beskrivelsene ble oppnådd ved å bruke DFT algoritmen xy-koordinaten parene av montert utkanten av cellen anslagene, innhentet avgang av den AbSnake delen av vår arbeidsflyt. Disse xycoordinate par kan behandles som en kompleks verdsatt 2D vektor "g": <img alt="Equation 1" src="/files/ftp_upload/58543/58543eq1.jpg">
Angrepsvektorene i "g" bruker vi DFT til å beregne komplekse verdsatt Fourier spekteret: <img alt="Equation 2" src="/files/ftp_upload/58543/58543eq2.jpg"> Basert på velkjente formler diskret Fourier spekteret, og bruker komplekse-tallet merkingen av "g" som: <img alt="Equation 3" src="/files/ftp_upload/58543/58543eq3.jpg"> Får vi: <img alt="Equation 4" src="/files/ftp_upload/58543/58543eq4.jpg">(1) Vi kan beregne den virkelige ("A") og imaginære ("B") komponenter i <img alt="Equation 5" src="/files/ftp_upload/58543/58543eq5.jpg"> </img>: <img alt="Equation 6" src="/files/ftp_upload/58543/58543eq6.jpg">(2) <img alt="Equation 7" src="/files/ftp_upload/58543/58543eq7.jpg">(3) Her, den første DFT komponent G0 tilsvarer m = 0, som gir: <img alt="Equation 8" src="/files/ftp_upload/58543/58543eq8.jpg">(4) <img alt="Equation 9" src="/files/ftp_upload/58543/58543eq9.jpg">(5) Følgelig beskriver denne komponenten geometriske midten av det opprinnelige objektet. Det andre elementet i DFT frem spekteret, G1, tilsvarer m = 1: <img alt="Equation 10" src="/files/ftp_upload/58543/58543eq10.jpg"> <img alt="Equation 11" src="/files/ftp_upload/58543/58543eq11.jpg">(6)
Fra Eq.6 vi konkludere med at disse punktene danner en sirkel med en radius på <img alt="Equation 12" src="/files/ftp_upload/58543/58543eq12.jpg"> og start vinkel <img alt="Equation 13" src="/files/ftp_upload/58543/58543eq13.jpg"> </img>, der sirkelen beskriver en fullstendig revolusjon mens figuren spores en gang. Midten av sirkelen er på origo (0, 0), radius | G1| og utgangspunktet er:
<img alt="Equation 14" src="/files/ftp_upload/58543/58543eq14.jpg"><img alt="Equation 15" src="/files/ftp_upload/58543/58543eq15.jpg">(7)
Generelt, for en enkelt Fourier-koeffisient <img alt="Equation 16" src="/files/ftp_upload/58543/58543eq16.jpg"> </img>, koordinatene beskrives som:
<img alt="Equation 17" src="/files/ftp_upload/58543/58543eq17.jpg"> <img alt="Equation 18" src="/files/ftp_upload/58543/58543eq18.jpg">(8)
Tilsvarende til Eq.6, Eq.8 også beskriver en sirkel, men med en radius på Rm= | Gm|, en start vinkel <img alt="Equation 19" src="/files/ftp_upload/58543/58543eq19.jpg"> og et utgangspunkt på <img alt="Equation 20" src="/files/ftp_upload/58543/58543eq20.jpg"> </img>, der konturen spores en gang mens sirkelen går gjennom "m" full baner16,17.
Figur parametere SOM inndata Arbeidsflyten som beskrevet i figur 1, ble brukt til en deconvolved (med en målt punkt spredning funksjon) intravital flere Foton mikroskopi dataset microglial celler å karakterisere morfologiske endringer i sunn eller kreft kortikale vev18. Tjue DFT komponenter ble beregnet for hver 2D-projeksjon av rekonstruerte 3D overflater og resultatene ble brukt som inndata for SOM trening. Fysiologiske forhold, microglia presentert en ganske komplisert figur med flere svært forgrenet prosesser (figur 2a). Når den plasseres i et kreft miljø (kortikale svulst modell), microglia til en enklere, mer spindel-lignende figur (figur 2b).
Trent SOM ble testet for å vurdere sin evne til å skille mellom sunn og kreft celler. Sunn celle befolkningen ble anslått til ett område av SOMEN (figur 2 c). SOMEN svarte i kreft microglia datasettet en manual-formet aktiv region (figur 2d). Et blindt blandet inn datasett som besto av DFT komponentene fra både den sunne og kreft gruppen ble anslått av SOMEN i to grupper, stund holder formen på deres personlige konturer ligner de av separate grupper ( Finne 2e; Sammenlign med 2 c og 2d). Det kan konkluderes at blandet datasettet ble vellykket klyngen av SOM.
Vi testet ytelsen til SOMEN ved å sammenligne sine anslag med manuell analyse av samme data fra medisinsk sakkyndig, som klassifisert datasettet basert på deres spatio-temporale oppførsel. Eksperten identifisert fire forskjellige cellegrupper (hvile celler, phagocytosing celler, samspill celler og mobile celler18), som ble rekonstruert og brukt til å trene en 12 x 12 SOM. Utdannet nettverket (figur 3a) viser grupper av høy hit-verdien kunstig neurons, spesielt i nedre venstre og de midterste områdene av SOM. Responsen av kvalifiserte nettverket ble testet med fire tilfeldig utvalgte undergrupper (som ikke var del av opplæring datasettet) av bilder fra disse fire gruppene identifiseres av ekspert18. Disse bilde delsett resulterte i fire veldefinerte svar av SOM, som vist i figur 3b. Hvile cellene exhibit mest komplekse form og viste høyeste for separasjon i nettverk (figur 3b "hvile" panel). De andre tre identifiserte celletyper delte et felles område for SOM i nedre venstre hjørne, men ellers var atskilt med SOM. Nederst til venstre SOM området tilsvarer dermed lavere-indeks DFT verdiene.
Robust tilnærming SOM ble testet ved hjelp av utdannet SOMEN med tre tilfeldige delsett av det samme - hvile - celle type (ikke del av opplæring datasettet). Responsen av SOMEN inndataene utstillinger ligner svar (Figur 3 c, delsett 1-3), demonstrere robustheten av vår tilnærming.
Tidsavhengige celle figurendringene er nettopp preget av DFT Undersøke effekten av tidsavhengige endringer på celle figuren på DFT komponenter, ble en til tre celler per undergruppe (se figur 3b) sporet for 13 til 28 tidspunkt. Figur 4 viser de første ti DFT komponenter av en mobil celle (figur 4a) og en samspill celle (figur 4b), som var skal tegnes som en funksjon av tid. Transportabel cellen utstillinger en permanent endre figur (se utfyllende Video 4 i 8), noe som gjenspeiles av en grovere DFT overflate. Bursts av DFT amplituden i første tredje selvfølgelig tid for samspill cellen sammenfallende med figurendringene rask og store cellen som vist i supplerende Video 5 i 8.
Tid selvfølgelig alle 19 DFT komponenter var også preget for disse to cellene på tre separate tidspunkt under sporing av en mobil celle (figur 5a) og en samspill celle (figur 5b). De vinkelrette aksene representerer herved seks rotasjon vinkler og angi at alle anslag er like viktig for karakterisering av figuren for begge celletyper.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/58543/58543fig1.jpg"> Figur 1. Trinnvis arbeidsflyten av databehandlingen å identifisere celle klynger basert på formen på cellene. Overflater i 3D ble brukt som innspill til Blender til å automatisk 3D til 2D. Utkanten av hver projeksjon lå og DFT komponenter ble beregnet. Komponentene fungerte som en inngang til en utdannet SOM i Matlab eller å trene en ny SOM. <a href="https://www.jove.com/files/ftp_upload/58543/58543fig1large.jpg" target="_blank">Klikk her for å se en større versjon av dette tallet.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/58543/58543fig2.jpg"> Figur 2. Typisk utseende musen kortikale microglia celler under kontroll forhold (a) og i kreft tissue (b) skjermbilder av rekonstruert microglia overflater. NOEN anslag ble opprettet fra de tre microglia prøver fra musen cortex: kontrollere (ikke-tumorous) celler (c), tumorceller (d) og en blandet befolkning av celler (e). Dette tallet er endret med tillatelse8. <a href="https://www.jove.com/files/ftp_upload/58543/58543fig2large.jpg" target="_blank">Klikk her for å se en større versjon av dette tallet.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/58543/58543fig3.jpg"> Figur 3. (a, venstre) Selv-organisering kart av musen microglia dataset bestående av 768 input funksjonen vektorer. Datasettet ble brukt for et 12 x 12 kunstige nevrale nettverk, med Sekskantet nabolaget geometri, tilfeldig initialisering og 2000 epoker. (a, høyre) Den tilsvarende SOM inngang fly første 10 DFT komponenter (b) svarene på SOM avbildet i (a), til en tilfeldig VRML filen delsett hver fra de fire celletyper "mobile", "samspill", "hvile" og "phagocytic" som første beskrevet i figur 5 av Bayerl et al. 18. (c) svar av den samme SOM i (a, venstre) til tre tilfeldige delsett av hele datasettet (som ikke var dermed del av opplæring datasettet) "hvile cellene"-type 3D overflater. Er likheten blant tre svarene. Dette tallet er endret med tillatelse8. <a href="https://www.jove.com/files/ftp_upload/58543/58543fig3large.jpg" target="_blank">Klikk her for å se en større versjon av dette tallet.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/58543/58543fig4.jpg"> Figur 4. (a) tid avhengighet av de første 10 DFT komponentene under en intravital tenkelig eksperimentet av musen microglia. Dette panelet viser data for en celle type "Mobile celler". X-aksen tilsvarer tidspunkt av eksperimentet på 60 s tid oppløsning, y-aksen viser amplituden til DFT komponentene i vilkårlig enheter (a.u.), mens z-aksen tilsvarer komponenten DFT fra 1 til 10. (b) som (a), men for en celle "Samspill cellene" Skriv inn. Dette tallet er endret med tillatelse8. <a href="https://www.jove.com/files/ftp_upload/58543/58543fig4large.jpg" target="_blank">Klikk her for å se en større versjon av dette tallet.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/58543/58543fig5.jpg"> Figur 5. (a) oppførselen til alle 19 DFT komponenter i en celle type "Mobile celler" i begynnelsen, midten og slutten av eksperimentet. Tallene på x-aksen tilsvarer DFT komponent-ID fra 1 til 19. Y-aksen viser DFT komponent amplituden i vilkårlig enheter (a.u.), mens z-aksen markerer seks tilfeldige rotasjon vinkler. (b) samme som (a), men for en celle "Samspill cellene" type. Dette tallet er endret med tillatelse8. <a href="https://www.jove.com/files/ftp_upload/58543/58543fig5large.jpg" target="_blank">Klikk her for å se en større versjon av dette tallet.</a>

Watch this Scientific Journal Video about Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps at JoVE.com

Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps

Her gir vi en arbeidsflyt som gjør identifisering av sunn og patologiske cellene basert på deres 3-dimensjonal form. Vi beskriver prosessen med å bruke 2D-projeksjon skisserer basert på 3D overflater for å trene kart Self-Organizing som gir objektive klynging av de undersøkte celle populasjonene.

Morfologi-baserte skillet mellom sunn og patologiske celler utnytte Fourier transformeres og selv-organisering kart

The appearance and the movements of immune cells are driven by their environment. As a reaction to a pathogen invasion, the immune cells are recruited to ...

Denne metoden kan bidra til å svare på viktige spørsmål innen grunnleggende forskning og kliniske anvendelser, som kreftforskning og kreftbehandling, men også innen immunologifeltet. Den største fordelen med denne metoden er at det er en statisk metode og lett å lette. Denne teknikken er i stand til å automatisk identifisere syke celletyper basert på deres form og bevegelsesegenskaper.Implikasjonene av denne teknikken strekker seg mot diagnose og terapi av kreft eller inflammatoriske sykdommer. Denne metoden kan gi innsikt i handlinger mellom immunceller og kreftceller, men det kan også brukes i ethvert felt der tredimensjonale mikroskopidata er nødvendige. Det kan være at enkeltpersoner som er nye på denne metoden, vil slite på grunn av sine problemer med å beskrive og validere de tredimensjonale mikroskopidataene.Vi trodde at en visuell demonstrasjon av denne metoden er kritisk fordi programvareverktøyene vi bruker her, ikke er kjent for mange av forskerne. Til å begynne med får du et høyoppløselig, dekonvolvert tredimensjonalt mikroskopidatasett som beskrevet i den medfølgende tekstprotokollen. Last inn 3D-bildedataene i rekonstruksjonsprogramvaren, og begynn å opprette en 3D-overflate for hvert objekt.For å oppnå dette, velg alternativet 3D-visning og klikk på Surfaces, og klikk deretter på Neste-knappen for å fortsette med veiviseren for overflateoppretting. Velg nå bildekanalen for overflaterekonstruksjonen. Velg en utjevning verdi som ikke skjuler detaljene i overflaten, men unngår også porøse overflater.Påfør utjevningsfunksjonen ved å klikke på avmerkingsboksen Glatt alternativ og gi en utjevningsradius. Når du oppretter tredimensjonale bilder konstruksjoner av mikroskopidata, er det spesielt viktig å ta hensyn til utjevningsfaktoren og riktig terskelmetode, for ikke å miste noen cellulære egenskaper eller former. Deretter velger du terskelmetoden for å finne overflatene.Bruk en absolutt intensitetsterskel når objektene, som objektene som vises her, er godt atskilt fra bakgrunnen og har et omtrent jevnt lysstyrkenivå. Når objektene varierer i intensiteten, men fortsatt kan skilles fra den lokale bakgrunnen og fra de andre objektene rundt dem, bruker du en lokal kontrastterskel. Angi området Lokalt terskelsøk i henhold til verdien for den forventede diameteren til de rekonstruerte objektene.Deretter velger du fra en liste over alternativer for å filtrere de rekonstruerte overflatene i henhold til morfologiske parametere av interesse. Dette inkluderer volum, sfærisitet, overflate-til-volum-forhold og mer. Lagre og eksporter de genererte overflatene i et format, for eksempel VRML, som er kompatibel med 3D-animasjonsprogramvaren som skal brukes i neste trinn.Start Blender, og gå til Utdata-fanen på høyre side av vinduet. Velg TIFF-formatet fra rullegardinmenyen, og sett fargedybden til 8-biters RGBA. Deretter bytter du til skriptmodus og navigerer til den angitte skriptfilen Med tittelen:GUI_Autorotate.py, som kan lastes ned fra github-repositoriet for dette arbeidet. Tilbake i hovedvinduet klikker du på Kjør skript, og velg mappen for wrl-filene når du blir bedt om inndata. Deretter går du til Standard-menyen.Her setter du rotasjonene til en verdi på eller over seks. Kjør skriptet ved å klikke roteringsknappen. En rotasjon av seks forskjellige vinkler er vanligvis tilstrekkelig til å skille de forskjellige cellulære populasjonene, men vi anbefaler ikke å bruke færre enn seks rotasjoner, for ikke å miste informasjon om former eller egenskaper.Lagre projeksjonene på de enkelte overflatene i samme mappe som ble brukt til inndataene. Som standard lagres bildene i et 8-biters TIFF-format, som er formatet som kreves av FIJI-plugin-modulen Shade. Åpne Fiji, og velg Skygge i Plugins-menyen.Start med standardverdiene, og finjuster parameterne senere. Klikk Ok når du er klar til å kjøre programmet. Deretter velger du kildemappen som inneholder TIFF-filene som ble opprettet i forrige del, og klikker på Velg.Deretter yter du en utdatamappe. Når det første bildet vises, tegner du et rektangel rundt cellen og begynner med å klikke på Ok. Når plugin-modulen kjører, ser du forhåndsbehandlingen av bildet i periferien som finner cellene angitt med røde linjer.Koordinatene til de funnet kantene brukes nå til å beregne de diskrete firere komponentene. For å trene selvorganiserende kart for første gang, begynn med å laste MATLAB. Last inn TrainSOM MATLAP-skriptet, og velg deretter Kjør for å starte treningen.Pass på at du skal bane filen om nødvendig. Når det begynner å kjøre, og flere vinduer vil dukke opp for å vise fremdriften. Vent til treningen er fullført før du fortsetter.Skriptet er som standard satt til å kjøre 2 000 iterasjoner eller epos. Etter at treningen er ferdig, undersøke nettverkets topologi tomter. Her er et eksempel på naboavstander tomten, prøve-treff plottet, og input-fly tomten.Selvorganiserende kart er et viktig verktøy for å oppdage skjulte relasjoner i datasettet. De grupperer dataene dine objektivt, og de har fordelen at de ikke trenger et treningsdatasett, fordi de lærer uten tilsyn. Nettverket er nå opplært.Høyreklikk på filen i arbeidsområdet, og lagre den for fremtidig bruk. Last inn i selvorganiserende kart, når du bruker et allerede opplært kart, for å gruppere et datasett. Deretter importerer du CSV-filen som skal testes med de forhåndslastede opplærte kartene.Her vil vi velge CSV-utgangen av Shade Plugin. Når dataene lastes inn, endrer du utdatatypen til Numerisk matrise, og deretter velger du Importer merking. Når klassifiseringen er fullført, bruker du kommandovinduet til å evaluere de ulike plottene.Bildet viser her er fra et dekonvolvert intravital multi-foton miscroscopy datasett av mikrogliale celler. Under fysiologiske forhold presenterte microglia en ganske kompleks form med flere, svært forgrenede prosesser. Når den plasseres i et kreftmiljø, for eksempel denne kortikale tumormodellen, endret mikrogliaen seg til en enklere, mer spindellignende form.20 av disse forier-formede beskrivende komponentene ble brukt som innganger for å trene det selvorganiserende kartet. Det trente kartet ble deretter testet for å evaluere dens evne til å skille mellom friske og kreftceller. Den friske cellepopulasjonen ble projisert på et enkelt område vist her, mens det kreftfremkallende mikrogliadatasettet presenteres som en dumbbell-formet aktiv region.Kart kan også trenes av medisinske eksperter for å identifisere forskjellige cellegrupper. Her ble hvileceller, phagocytosing celler, interagerende celler og mobile celler, identifisert, rekonstruert og brukt til å trene et 12x12 kart. Dette kombinerte kartet viser grupper av høy-hit verdi kunstige nevroner, spesielt i nedre venstre og midtre områder av kartet.Robustheten i kartleggingstilnærmingen ble testet ved hjelp av det opplærte selvorganiserende kartet med 3 tilfeldige undergrupper av samme hvilecelletype som ikke var en del av treningsdatasettet. Svaret fra S.O.M på denne inngangen viser et svært lignende svar som indikerer riktig celletype. Etter utviklingen av denne teknikken har vi nå en verktøykasse, som vi bare kan kategorisere celleformede endringer med.Disse endringene oppstår, under kreft, for eksempel, eller andre immunsystemresponser, og vi kan måle dem med mikroskopi, ved hjelp av hele dyr, utskåret vev eller til og med organer på chip.

Research

JoVE Journal

Cancer Research

Analyzing the Communication Between Monocytes and Primary Breast Cancer Cells in an Extracellular Matrix Extract (ECME)-based Three-dimensional System

Analyzing the Communication Between Monocytes and Primary Breast Cancer Cells in an Extracellular Matrix Extract ECME-based Three-dimensional System

Analysere kommunikasjonen mellom monocytter og primære brystkreft celler i en ekstracellulær Matrix ekstrakt (ECME)-basert tredimensjonale System

Embedded in the extracellular matrix (ECM), normal and neoplastic epithelial cells intimately communicate with hematopoietic and non-hematopoietic cells, ...

A Preclinical Mouse Model of Osteosarcoma to Define the Extracellular Vesicle-mediated Communication Between Tumor and Mesenchymal Stem Cells

En prekliniske musemodell Osteosarcoma definere den ekstracellulære Vesicle-mediert kommunikasjonen mellom svulst og Mesenchymal stamceller

Within the tumor microenvironment, resident or recruited mesenchymal stem cells (MSCs) contribute to malignant progression in multiple cancer types. Under ...

Simple and Rapid Method to Obtain High-quality Tumor DNA from Clinical-pathological Specimens Using Touch Imprint Cytology

Enkel og rask metode å få høy kvalitet svulst DNA fra klinisk-patologisk prøver bruker Touch forlaget cytologi

It is critical to determine the mutational status in cancer before administration and treatment of specific molecular targeted drugs for cancer patients. ...

Utilizing High Resolution Ultrasound to Monitor Tumor Onset and Growth in Genetically Engineered Pancreatic Cancer Models

Utnytte høyoppløselig ultralyd Monitor svulst utbruddet og vekst i genmodifiserte bukspyttkjertelkreft modeller

The LSL-KrasG12D/+; LSL-Trp53R172H/+; Pdx-1-Cre (KPC) mouse model represents an established and frequently used transgenic model to evaluate novel ...

Utilizing 18F-FDG PET/CT Imaging and Quantitative Histology to Measure Dynamic Changes in the Glucose Metabolism in Mouse Models of Lung Cancer

Utilizing 18F-FDG PET/CT Imaging and Quantitative Histology to Measure Dynamic Changes in the Glucose Metabolism in Mouse Models of Lung Cancer

18F-FDG PET/CT Imaging og kvantitative Histology måle dynamiske endringer i glukose metabolisme i musen modeller av lungekreft

A hallmark of advanced tumors is a switch to aerobic glycolysis that is readily measured by [18F]-2-fluoro-2-deoxy-D-glucose positron emission tomography ...

Capturing Small Molecule Communication Between Tissues and Cells Using Imaging Mass Spectrometry

Fange små molekyl kommunikasjon mellom vev og celler ved hjelp av Imaging massespektrometri

Imaging mass spectrometry (IMS) has routinely been applied to three types of samples: tissue sections, spheroids, and microbial colonies. These sample ...

Pathological Analysis of Lung Metastasis Following Lateral Tail-Vein Injection of Tumor Cells

Patologisk analyse av lungemetastase etter lateral hale-vene injeksjon av tumorceller

Metastasis, the primary cause of morbidity and mortality for most cancer patients, can be challenging to model preclinically in mice. Few spontaneous ...

Orthotopic Implantation of Patient-Derived Cancer Cells in Mice Recapitulates Advanced Colorectal Cancer

Ortotopisk implantasjon av pasientavledede kreftceller hos mus rekapitulerer avansert kolorektal kreft

Over the last decade, more sophisticated preclinical colorectal cancer (CRC) models have been established using patient-derived cancer cells and 3D ...

Risk Prediction Model of Gastric Low-Grade Intraepithelial Neoplasia

Establishment and Evaluation of a Risk Prediction Model for Pathological Escalation of Gastric Low-Grade Intraepithelial Neoplasia

Author Spotlight: Advancing Early Detection and Treatment of Gastrointestinal Tumors

Etablering og evaluering av en risikoprediksjonsmodell for patologisk eskalering av gastrisk lavgradig intraepitelial neoplasi

The study aims to explore the risk factors for pathological escalation after endoscopic surgery for gastric low-grade intraepithelial neoplasia (LGIN) and ...

Standardizing Ovarian Cancer Organoid Biobanking

Strategy for Biobanking of Ovarian Cancer Organoids: Addressing the Interpatient Heterogeneity across Histological Subtypes and Disease Stages

Author Spotlight: Advancing Personalized Medicine in Ovarian Cancer 

Strategi for biobanking av ovariecancer organoider: adressering interpatient heterogenitet på tvers av histologiske subtyper og sykdomsstadier

While the establishment of an ovarian cancer biobank from patient-derived organoids along with their clinical background information promises advances in ...