이미지를 분석하기 위해 인공 지능(Ai)을 사용하는 것은 일반적으로 사용되는 방법에 비해 강력하고 편향이 적으며 빠른 접근 으로 부상하고 있습니다. 여기서 우리는 Ai가 세포 세포, 1차 섬모를 인식하고 길이 및 염색 강도와 같은 특성을 엄격하고 재현 가능한 방식으로 분석하도록 훈련했습니다.
Cilia는 많은 포유류 세포 모형에 있는 신호 통로의 다양성을 위한 신호 센터로 작동하는 microtubule 기지를 둔 세포 부속물입니다. Cilia 길이는 매우 보존되고 엄격하게 조절되며 다른 세포 유형과 조직마다 다르며 신호 용량에 직접 적으로 영향을 미칩니다. 예를 들어, 섬모 G 단백질 결합 수용 체의 활성화에 대 한 응답으로 그들의 길이 변경 표시 되었습니다. 그러나 수많은 섬모의 길이를 정확하고 재현적으로 측정하는 것은 시간이 많이 걸리고 노동 집약적인 절차입니다. 현재 접근 방식도 오류및 편향이 발생하기 쉽습니다. 인공 지능(Ai) 프로그램은 광범위한 데이터 세트의 동화, 조작 및 최적화를 허용하는 기능으로 인해 이러한 많은 과제를 극복하기 위해 활용할 수 있습니다. 여기서는 생체 내 및 체외 샘플 모두에서 이미지에서 Cilia를 인식하도록 Ai 모듈을 학습할 수 있음을 입증합니다. 훈련된 Ai를 사용하여 섬모를 식별한 후, 길이, 형광 강도 및 공동 지역화를 위해 단일 샘플에서 수백 개의 섬모를 분석하는 응용 프로그램을 설계하고 신속하게 활용할 수 있습니다. 이 편견없는 접근은 동물 내의 다른 두뇌 지구와 동물 사이뿐만 아니라 시험관내의 다른 1 차적인 신경 준비에서 견본을 비교할 때 우리의 신뢰그리고 엄격을 증가했습니다. 더욱이, 이 기술은 여러 샘플 및 치료 단에 걸쳐 고처리량 방식으로 임의의 세포 유형 및 조직에서 섬모 역학을 안정적으로 분석하는 데 사용될 수 있다. 궁극적으로 대부분의 필드가 이미지 수집 및 분석을 위해 편향적이고 재현 가능한 접근 법으로 이동함에 따라 Ai 기반 접근 방식이 표준화될 수 있습니다.
1차 섬모는 대부분의 포유류 세포 유형1,2,3,4로부터튀어나온 감각 세포입니다. 그(것)들은 일반적으로 세포외신호5,6,7를통합하여 다양한 세포 신호 통로를 조정하기 위한 중요한 고독한 부속체입니다. 1 차 적인 cilia 는 배아 발달 과 성인 조직 항상성 도중 중요한 역할을 하고, 그들의 기능 또는 형태학의 중단은 통칭하게 ciliopathies에게 불린 몇몇 유전 무질서와 연관됩니다. 섬모의 근해 특성으로 인해, 섬광병증은 모든 장기 시스템에 영향을 미칠 수있는 광범위한 임상 기능과 연관되어8,9,10,11,12. 섬광증의 동물 모델에서, 섬모 구조 또는 신호 용량의 손실은 과식증 관련 비만3,13,14,15를포함하는 몇몇 임상적으로 관련표현형에서 나타난다. 많은 모델 시스템에서, 섬모 길이 변화는 신호 용량 및 기능에 영향을 미치는 것으로 나타났다16,17,18,19. 그러나 섬모 길이와 구성을 정확하고 재현적으로 평가하는 데 는 몇 가지 시간이 걸리고 기술적 인 문제가 있습니다.
성인 포유류 중추 신경계 (CNS)는 섬모와 기능을 이해하는 데 어려움을 제기 한 생물학적 맥락입니다. CNS 를 통해 뉴런과 세포가 섬모를 소유하고 있는 것처럼 보이지만, 이러한 섬모를 관찰하고 분석하는 제한된 도구와 능력으로 인해 이러한 기능에 대한 이해는20으로여전히 애매합니다. 예를 들어, 프로토타입 섬모 마커, 아세틸화된 α-튜룰린은 뉴런섬모(20)에라벨을 붙이지 않는다. 이러한 섬모를 연구하는 어려움은 부분적으로 여러 G 단백질 결합 수용체 (GPCR), 신경 섬모의 막에 농축되는 기계 및 막 관련 단백질의 발견과 함께 해결되었다21,22. 이러한 간단한 기본 관찰의 모든 지금까지 다른 조직에 의해 비교할 수없는 나타납니다 CNS 섬모의 중요성과 다양성을 암시한다. 예를 들어, 섬모 길이 및 GPCR 국소화의 변화는 다른핵(19,23)과비교할 때 특정 뉴런 핵의 길이가 다른 뇌 전체에서 관찰될 수 있다. 유사하게, 그들의 GPCR 함량 및 신호 기계 칭찬은 신경 해부학 적위치와 신경 형2,24,25,26,27,28,29에기초한 다양성을 보여줍니다. 이러한 간단한 관측은 포유류 CNS 섬모 길이와 조성이 클라미도모나스 레인하르트티이와같은 모델 유기체와 마찬가지로 엄격하게 조절되어 있지만, 이러한 길이 차이가 섬모 기능에 미치는 영향, 신호 및 궁극적으로 동작은16,30,31,32로불분명하다는 것을 보여준다.
섬모 길이와 구성을 정확하게 측정하는 것은 사용자 오류 및 불굴의 성에 취약한 기술적 과제임을 입증합니다. 현재 생체 내 및 체외에서 섬모는 모분 단백질 또는 섬모가 풍부한 형광 기자 알레임33,34,35에라벨을 붙이는 면역 형광 접근법을 사용하여 가장 자주 확인된다. 이러한 형광 태그 된 섬모의 길이는 ImageJ36과같은 이미지 분석 프로그램에서 라인 측정 도구를 사용하여 2 차원 (2D) 이미지에서 측정됩니다. 이 과정은 지루하고 노동 집약적일 뿐만 아니라 편견과 오류가 발생하기 쉽습니다. 이러한 동일한 장애물은 섬모구조(37)의변화를 나타내는 데 도움이 되는 섬모 강도를 측정할 때 발생합니다. 이러한 유형의 이미지 분석에서 불일치를 최소화하기 위해 인공 지능(Ai) 프로그램이 점점 더 널리 퍼지고 저렴한옵션(38)이되고 있다.
Ai는 컴퓨터 알고리즘과 프로그래밍의 이점을 사용하여 일반적으로 인간의지능(39)이필요한 작업을 실행하는 컴퓨터 시스템의 발전입니다. Ai 장치는 반복되는 패턴, 매개 변수 및 특성을 인식하고 성공적인 결과를 창출할 확률을 극대화하기 위한 조치를 취하는 방법을 가르칩니다. Ai는 다재다능하며 섬모와 같은 특정 개체 또는 관심 구조를 인식한 다음 식별된 개체에 대한 다양한 분석을 실행하도록 프로그래밍할 수 있습니다. 따라서 Ai38에의해 복잡한 이미지 데이터를 신속하고 재현적으로 생성할 수 있다. 캡처된 이미지의 자동화 및 Ai 분석은 잠재적인 인간의 오류와편견(39)을제한하면서 효능과 효율성을 높일 것이다. Cilia 식별을 위한 Ai 기반 방법론을 구축하면 모든 연구 그룹이 cilia 데이터를 분석하고 해석할 수 있는 일관된 방법이 만들어집니다.
여기서 우리는 Ai 모듈을 사용하여 생체 내 및 2D 이미지의 시험관 내 섬모를 식별합니다. Ai는 샘플 이미지 세트를 사용하여 섬모를 식별하는 데 훈련됩니다. 훈련이 완료되면 지정된 Ai는 이미지에서 Ai 식별 된 섬모 위에 바이너리 마스크를 적용하는 데 사용됩니다. Ai가 적용한 바이너리는 필요한 경우 이미지의 모든 섬모가 제대로 식별되고 비특이적 식별이 제거되도록 수정할 수 있습니다. Ai를 활용하여 섬모를 식별한 후, 맞춤형 일반 분석(GA) 프로그램은 섬모 길이 및 형광 강도 측정과 같은 다양한 분석을 수행하는 데 사용됩니다. 수집된 데이터는 쉽게 읽고 해석하며 통계 분석에 사용할 수 있는 테이블로 내보내지며(그림1). 자동화 된 기술과 Ai를 사용하여 섬모를 식별하고 실험 그룹 간의 특정 측정을 얻는 것은 CNS 섬모 기능과 세포 통신 및 행동에 대한 형태학의 영향을 이해하는 것을 목표로하는 향후 연구에 도움이 될 것입니다.
길이 및 강도 측정은 1차 섬모를 분석하는 일반적인 방법이지만, 현장에서 사용되는 표준화된 종래의 방법은 없다. ImageJ와 같은 소프트웨어를 사용하여 기본 섬모를 식별하고 정량화하는 것은 시간이 많이 걸리며 사용자 편향및 오류가 발생하기 쉽습니다. 따라서 대규모 데이터 집합을 정확하게 분석하기가 어렵습니다. 여기서 우리는 Ai 프로그램을 사용하면 1 차 섬모의 높은 처리량 분석을 달성 할 수있는 이러한 도전의 대부분을 극복 할 수 있음을 보여줍니다. 여기서 우리는 기본 섬모를 인식하고 길이와 강도를 분석하는 데 필요한 단계를 설명하기 위해 Ai 기반 응용 프로그램을 교육하는 절차를 설명합니다.
Cilia를 인식하는 Ai의 초기 교육은 사용자의 상당한 시간이 필요하지만 완료되면 동일한 매개 변수로 획득한 모든 데이터 집합에 사용할 수 있습니다. Ai에 의해 생성된 이진 마스크는 수정할 수 있도록 모든 오류를 수정할 수 있습니다. 그러나 cilia 식별오류는 Ai가 추가 이미지로 더 자세히 교육되어야 한다는 신호를 사용자에게 표시해야 합니다. 이 방법의 한 가지 주요 장점은 Ai가 2D 및 3D 모두에서 다른 샘플 유형에서 섬모를 인식하도록 훈련될 수 있다는 것입니다. 실험실 내에서 생성된 이전 분석 방법은 세포 밀도가 높은 조직 섹션에서 이미지된 섬모를 식별하는 식별 및 식별을 위한 수동 임계값을 요구하는 것을 포함하여 다양한 한계를 갖는다36,46,47. 이러한 방법은 CIlia 분석을 전문으로 하는 반면 NIS Elements 소프트웨어를 사용한 분석은 이미지의 여러 측면을 동시에 평가할 수 있습니다. 여기에 설명된 Ai는 NIS Elements 소프트웨어 패키지의 일부이기 때문에 니콘 현미경을 사용하여 획득한 이미지는 분석을 통해 쉽게 계속될 수 있습니다. 그러나, Nikon와 화상 진찰은 이 방법의 사용을 위해 필요하지 않습니다. 캡처된 원시 데이터 파일 형식에 관계없이 NIS Elements에서 “.tif” 파일을 열어 Ai에서 사용할 수 있습니다.
NIS Elements 내의 이 Ai 응용 프로그램은 기본 섬모를 연구하는 실험실에서 사용할 수 있는 이미지 분석 소프트웨어의 일부로 널리 사용되고 있습니다. Ai 기술의 보급이 확대되면서 다른 이미징 소프트웨어는 유사한 Ai 모듈을 포함하도록 분석 옵션을 확장할 수 있습니다. 섬모 식별에 Ai 분석을 적용하는 것은 섬모 분석의 여러 가지 측면에 사용할 수 있습니다. 길이(도 2 및 3),강도(도4)및 지역화(도5)와같은 몇 가지 간단한 분석을 위한 방법을 설명했지만, 도 6에서와 같이 GA3 분석 워크플로우에 보다 정교한 분석을 추가할 수 있다. 예를 들어 완전한 실륨의 강도를 측정하는 대신, 실륨의 하위 영역 내의 강도 차이는 하위 섬 지역화를 평가하는 데 관심이 있을 수 있습니다. 실륨의 하위 영역 내의 강도 차이는 글리단백질이섬모(48)의끝에서 어떻게 농축되는지 와 같은, 질륨의 끝 또는 기저에 단백질이 축적되고 있음을 나타낼 수 있다. 또한, 본 Ai 응용 프로그램은 유전자형 또는 치료 단 간의 차이를 쉽게 식별하는 데 사용할 수 있습니다. 우리의 실험실은 주로 뇌 섹션 또는 신경 배양에서 이미지 된 섬모를 분석하기 위해이 방법을 사용하는 동안, 그것은 다양한 세포주 또는 다른 조직 유형에서 획득 된 이미지에 적용 할 수 있습니다. 이 응용 프로그램에서 사용할 수 있는 샘플 유형의 유연성은 미토콘드리아, 핵 또는 ER와 같이 평가되는 1 차적인 섬모 또는 임의의 개별 기관을 공부하는 많은 다른 단에 대한 분석의 이 방법을 가치 있게 만듭니다.
The authors have nothing to disclose.
이 작품은 NFB에 당뇨병과 소화 및 신장 질환 R01 DK114008및 RB에 #18PRE34020122 미국 심장 협회 펠로우십 보조금의 국립 연구소에 의해 투자되었다. 니콘 소프트웨어, 멜리사 벤틀리, 코트니 헤이크래프트, 테레사 마스트라치의 리치 그루스킨 총괄 매니저에게 원고에 대한 통찰력 있는 의견을 감사드립니다.
Intel Xeon, 3.6 GHz, 32GB RAM | Intel Corporation | W-2123 | Processor used for running NIS Elements. |
Nikon Elements Software | Nikon Instruments Inc. | – | Ai and GA3 software |
Quadro RTX 4000 Graphics card | NVIDIA Corporation | Quadro RTX 4000 | |
Windows 10 Professional 64-bit | Microsoft Inc. | – | Operating system used for running NIS Elements |
Workstation | HP Development Company, L.P. | HP Z4G4 | Workstation used for running NIS Elements |