3.4K Views
•
12:06 min
•
March 3rd, 2023
DOI :
March 3rd, 2023
•0:11
Introduction
2:16
Cell Culture
2:47
Experimental Procedure
3:29
Staining and Mounting of Cells on Cover Slips
4:15
Microscopy and Imaging
4:51
Generating Simulated Training Data
7:02
Deep Learning Based Segmentation
8:58
Morphological Analysis
10:09
Results
11:42
Conclusion
Transcript
हम निश्चित कोशिकाओं के फ्लोरोसेंट माइक्रोस्कोपी छवियों में माइटोकॉन्ड्रिया का विश्लेषण करने के लिए एक सिमुलेशन पर्यवेक्षित मशीन लर्निंग टूल के उपयोग का प्रदर्शन करते हैं। माइक्रोस्कोपी छवियों में माइटोकॉन्ड्रिया को विभाजित करने के वर्तमान तरीकों में स्वचालित थ्रेशोल्डिंग आधारित विधियां जैसे ओस्टु या मैनुअल विभाजन शामिल हैं। थ्रेशोल्डिंग आधारित तकनीकें खराब प्रदर्शन करती हैं जहां सिग्नल टू बैकग्राउंड अनुपात कम होता है।
आमतौर पर, रूपात्मक विश्लेषण के लिए छवियों में बड़ी संख्या में माइटोकॉन्ड्रिया होते हैं, जिससे मैनुअल विभाजन थकाऊ हो जाता है। पर्यवेक्षित गहरी सीखने की विधियां उच्च सटीकता के साथ विभाजन करती हैं, लेकिन प्रशिक्षण के लिए बड़ी संख्या में इनपुट ग्राउंड-ट्रुथ जोड़ी डेटा की आवश्यकता होती है। यह दृष्टिकोण माइक्रोस्कोपी छवियों के जोड़े उत्पन्न करने के लिए भौतिकी आधारित सिम्युलेटर का उपयोग करता है, और उनके 2 डी ग्राउंड-ट्रुथ शेप मास्क, इस प्रकार मैनुअल एनोटेशन की आवश्यकता को समाप्त करता है।
नकली छवियों पर प्रशिक्षित मॉडल का उपयोग तब वास्तविक माइक्रोस्कोप छवियों में माइटोकॉन्ड्रिया को विभाजित करने के लिए किया जाता है। हम एक गहन शिक्षण आधारित विभाजन उपकरण का उपयोग करते हैं जो उच्च सटीकता के साथ इस कार्य के स्वचालन को सक्षम बनाता है और इसके लिए प्रशिक्षण के लिए एनोटेट ग्राउंड-ट्रुथ डेटासेट की आवश्यकता नहीं होती है। सिमुलेशन आकार पीढ़ी के लिए पैरामीट्रिक वक्रों का उपयोग करके ज्यामिति पीढ़ी के साथ शुरू होता है।
उत्सर्जकों को समान रूप से वितरित किया जाता है और यादृच्छिक रूप से उत्पन्न आकार की सतह पर रखा जाता है ताकि घनत्व प्रयोगात्मक मूल्यों से मेल खाता हो। माइक्रोस्कोप के एक 3 डी पीएसएफ की गणना गिब्सन-लैनी मॉडल का उपयोग करके की जाती है। नकली छवियों और प्रयोगात्मक छवियों के बीच फोटोरियलिज़्म प्राप्त करने के लिए, हम अंधेरे और शॉट शोर दोनों का अनुकरण करते हैं।
भौतिकी ग्राउंड-ट्रुथ एक द्विआधारी मानचित्र के रूप में उत्पन्न होता है। हम एक कॉन्फोकल माइक्रोस्कोप का उपयोग करके चित्रित निश्चित कार्डियोम्योब्लास्ट्स के माइटोकॉन्ड्रिया आकृति विज्ञान पर सीसीसीपी उपचार के प्रभाव का आकलन करते हैं। सेल संस्कृति।
12 वेल प्लेट के कुएं में प्रत्येक प्रयोगात्मक स्थिति के लिए एक कवर स्लिप रखकर, एक बाँझ लैमिनार प्रवाह हुड में संचालित कोशिकाओं को सीडिंग के लिए तैयार करें। सुनिश्चित करें कि प्रत्येक कुएं को उचित मात्रा देने से पहले सेंट्रीफ्यूज ट्यूब की सामग्री को कई बार ऊपर और नीचे करके पतला सेल निलंबन ठीक से मिश्रित किया जाता है। प्रायोगिक प्रक्रिया।
12 वेल प्लेट के कुओं से एस्पिरेटेड सेल कल्चर मीडिया फिर जल्दी से नियंत्रण कुओं और परीक्षण स्थिति कुओं में 10 माइक्रोमोलर सीसीसीपी समाधान के साथ प्रीहीटेड मीडिया को लागू करता है। 37 सेल्सियस सेल इनक्यूबेटर में दो घंटे के लिए इनक्यूबेट करें। कुओं से एस्पिरेटेड सेल कल्चर मीडिया और प्रीहीटेड फिक्सेशन समाधान लागू करें।
कवर स्लिप पर कोशिकाओं का धुंधला होना और बढ़ना। कवर स्लिप माउंट करने के लिए तैयार ग्लास स्लाइड में 10 माइक्रोलीटर माउंटिंग मीडिया जोड़ें। चिमटी का उपयोग करके 12 वेल प्लेट से कवर स्लिप उठाएं और कवर स्लिप के किनारे और पीछे को थोड़ी देर के लिए स्पर्श करके कवर स्लिप से नमी को दबाएं।
धीरे से बढ़ते मीडिया की प्रतीक्षा की बूंद पर कवर स्लिप को नीचे गिराएं। माइक्रोस्कोप और इमेजिंग। ओकुलर का उपयोग करके, नमूने को फोकस में रखने के लिए जेड स्तर को मैन्युअल रूप से समायोजित करें।
सॉफ़्टवेयर के भीतर अधिग्रहित टैब पर स्विच करें। इमेजिंग के लिए उपयोग किए जाने वाले फ्लोरेसेंस चैनल का चयन करने के लिए स्मार्ट सेटअप का उपयोग करें। सरणी-केंद्रित कवर स्लिप के बीच में 12 कुल पदों के साथ चित्रित किया जाना है।
स्थिति आरए कवर स्लिप के केंद्र पर केंद्रित है। स्वचालित तरीके से कई स्थानों की छवि बनाना संभव है। नकली प्रशिक्षण डेटा उत्पन्न करना।
कोड डाउनलोड करें और सामग्री को अनज़िप करें। पर्यावरण सेट करने के लिए निर्देशों और रीडमी का पालन करें। Src"नामक फ़ोल्डर पर नेविगेट करें"एक प्रतिलिपि बनाएँ या फ़ोल्डर 2 का उपयोग करें।
माइटोकॉन्ड्रिया सिमुलेशन हवादार है"और इसका नाम बदलें। इस फ़ोल्डर में प्रशिक्षण डेटा के सिमुलेशन से संबंधित सभी फ़ाइलें हैं। सिमुलेशन के लिए मापदंडों के तीन सेट सेट सेट किए जाने हैं।
सबसे पहले, बैच कॉन्फ़िगरेशन फ़ाइल में सिम्युलेटर के लिए माइटोकॉन्ड्रिया की संख्या, व्यास की सीमा, जेड-अक्ष की सीमा और फ्लोरोफोरे के घनत्व के मापदंडों को सेट करें। इसके बाद, फ़ाइल माइक्रोस्कोपPSFmode में संख्यात्मक एपर्चर, आवर्धन और डेटासेट के न्यूनतम तरंगदैर्ध्य के ऑप्टिकल पैरामीटर सेट करें। py"आग generate_batch_parallel में पिक्सेल आकार और उत्सर्जन तरंग दैर्ध्य के लिए वांछित मान सेट करें।
आउटपुट डेटासेट के बारे में मापदंडों का तीसरा सेट सेट करें, जैसे आउटपुट छवियों का आकार, प्रत्येक छवि में टाइल्स की संख्या, और फ़ाइल generate_batch_parallel में कुल छवियों की संख्या। py"फ़ाइल को generate_batch_parallel चलाएँ। सिमुलेशन शुरू करने के लिए py"।
अंतिम आकार की छवि प्राप्त करने के लिए, 5 नाम के फ़ोल्डर की एक प्रतिलिपि बनाएँ। डेटा तैयारी और प्रशिक्षण / डेटा तैयारी "और इसमें नेविगेट करें। बैच संख्या के पैरामीटर और प्रति बैच छवियों की संख्या, फ़ाइल में जोड़े जाने वाले शोर की सीमा Data_generator सेट करें।
py"फ़ाइल को Data_generator चलाएँ। py"मोंटेज छवियां बनाएँ. डेटाट्रेन /ट्रेन फ़ोल्डर में "छवि" और सेगमेंट नामक फ़ोल्डरों की प्रतिलिपि बनाएँ।
गहन शिक्षा आधारित विभाजन। एक नई माइक्रोस्कोप छवि सेटिंग के लिए विभाजन मॉडल को प्रशिक्षित करने के लिए, ट्रेन नामक फ़ोल्डर पर नेविगेट करें और बाख आकार के पैरामीटर, विभाजन के लिए बैकबोन मॉडल, युगों की संख्या और train_unet नामक फ़ाइल के अंदर प्रशिक्षण के लिए सीखने की दर निर्धारित करें। py"फ़ाइल को train_unet चलाएँ।
प्रशिक्षण शुरू करने के लिए। प्रशिक्षण प्रक्रिया सिम्युलेटेड सत्यापन सेट पर विभाजन मॉडल का मूल्यांकन करने के लिए मीट्रिक प्रदर्शित करती है। प्रशिक्षण पूरा होने के बाद, मॉडल को best_model के रूप में सहेजा जाता है।
ट्रेन नामक फ़ोल्डर में एच 5 "माइक्रोस्कोप छवियों पर मॉडल का परीक्षण करने के लिए, छवियों को ट्रेन मॉडल द्वारा वांछनीय आकार में विभाजित किया जाना चाहिए। इसके लिए 6 नाम के फोल्डर पर नेविगेट करें। परीक्षण डेटा तैयार करें "और फ़ोल्डर पीएनजी में डेटा के पीएनजी प्रारूप फ़ाइलों की प्रतिलिपि बनाएं" और फ़ाइल को split_1024_256 चलाएं।
py"यह डेटा फ़ोल्डर में छवियों के 256 बाय 256 आकार की फसलें बनाएगा। छवि फसलों को विभाजित करने के लिए, 7 नाम के फ़ोल्डर पर जाएं। विभाजन का परीक्षण करें"और फ़ाइल नामित सेगमेंट चलाएं।
उपयोग किए जाने वाले सहेजे गए मॉडल का नाम सेट करने के बाद py"। खंडित छवियों को आउटपुट फ़ोल्डर में सहेजा जाता है। रूपात्मक विश्लेषण।
make_montage नाम की फ़ाइल रखें. py"7 नाम के फ़ोल्डर में। विभाजन का परीक्षण करें "और खंडित आउटपुट को छवि के मूल आकार में वापस सिलाई करने के लिए फ़ाइल चलाएं।
9 नाम का एक नया फ़ोल्डर बनाएँ। स्रोत फ़ोल्डर में रूपात्मक विश्लेषण "और इसमें नेविगेट करें। कमांड पिप का उपयोग करके स्कान और सीबोर्न पुस्तकालयों को स्थापित करें"विभाजन मास्क को स्कान नामक पुस्तकालय का उपयोग करके कंकालीकृत किया जाता है" ताकि व्यक्तिगत माइटोकॉन्ड्रियन की टोपोलॉजी का विश्लेषण किया जा सके।
फ़ाइल को फ़ोल्डर 9 में रखें। रूपात्मक विश्लेषण "फ़ोल्डर 7 के अंदर विभिन्न फ़ोल्डरों में प्रयोग के विभिन्न समूहों की छवियों को व्यवस्थित करें। परीक्षण विभाजन "विश्लेषण के लिए प्लॉट बनाने के लिए फ़ाइल चलाएँ। परिणाम।
किए जाने वाले मात्रात्मक विश्लेषण अनुसंधान प्रश्नों या परिकल्पना पर निर्भर करता है। हमारे प्रयोग में, हम माइटोकॉन्ड्रिया के तीन अलग-अलग आकारिकी में रुचि रखते थे, अर्थात् डॉट्स "छोटे माइटोकॉन्ड्रिया बिट्स, रॉड" फाइबर जैसे या माइटोकॉन्ड्रिया की तरह स्ट्रिंग, और बहु शाखित नेटवर्क"आकृति विज्ञान की पहचान करने के लिए, हम पहले विभाजन आउटपुट को कंकाल करते हैं और विभिन्न वर्गों के शाखा लिंक का विश्लेषण करते हैं। हम गैलेक्टोज अनुकूलित कोशिकाओं के दो समूहों, नियंत्रण समूह और सीसीसीपी उपचारित समूह के लिए विश्लेषण के परिणाम दिखाते हैं।
हम डॉट्स की औसत शाखा लंबाई में एक महत्वपूर्ण वृद्धि देखते हैं, जो अपेक्षित है, सीसीसीपी के संपर्क में आने पर सूजन माइटोकॉन्ड्रिया को देखते हुए। रॉड और नेटवर्क वर्गों दोनों की व्यक्तिगत लंबाई में माइटोकॉन्ड्रिया का प्रतिशत नियंत्रण के सापेक्ष काफी कम हो जाता है जब कोशिकाओं को सीसीसीपी के साथ इलाज किया जाता है, इस प्रकार हमारी परिकल्पना को सत्यापित किया जाता है। हमारी विधि के लिए एक चुनौतीपूर्ण परिदृश्य तब होता है जब छवि में घनी आबादी वाले माइटोकॉन्ड्रिया होते हैं।
गुलाबी रंग छवि में पाए गए सबसे लंबे एकल माइटोकॉन्ड्रियन को इंगित करता है, जो विभाजन परिणामों में बढ़ी हुई त्रुटि के कारण होता है। इन विफलता के मामलों को माइटोकॉन्ड्रिया की लंबाई के नियंत्रण और रूपात्मक ऑपरेटरों का उपयोग करके पता लगाया जा सकता है। जबकि हमारा आवेदन इस बात का एक उदाहरण है कि हमने माइटोकॉन्ड्रियल आकृति विज्ञान का विश्लेषण कैसे किया, हम मानते हैं कि इसके आसपास इस तरह के विश्लेषण और शोध प्रश्नों को माइटोफैगी और संबंधित जैविक प्रयोगों के विभिन्न पहलुओं के लिए तैयार किया जा सकता है।
यह लेख बताता है कि निश्चित कोशिकाओं की प्रतिदीप्ति माइक्रोस्कोपी छवियों में माइटोकॉन्ड्रिया आकृति विज्ञान का विश्लेषण करने के लिए सिमुलेशन-पर्यवेक्षित मशीन लर्निंग का उपयोग कैसे करें।
Explore More Videos
ABOUT JoVE
Copyright © 2024 MyJoVE Corporation. All rights reserved