Misurare la forma e la dimensione delle particelle di fango attivo immobilizzato in Agar con una Pipeline di Software Open Source
Summary
Le dimensioni e la forma delle particelle a fanghi attivi sono parametri importanti che sono misurati utilizzando metodi diversi. Imprecisioni derivano da campionamento non rappresentativo, immagini non ottimali e parametri di analisi soggettiva. Per ridurre questi errori e facilitare la misurazione, presentiamo un protocollo specificando ogni passo, tra cui una pipeline software opensource.
Abstract
Bioreattori sperimentale, come ad esempio quelli trattamento delle acque reflue, contengono particelle la cui dimensione e la forma sono parametri importanti. Ad esempio, la dimensione e la forma di fiocchi di fango attivo può indicare le condizioni a Microscala e anche direttamente influenzare quanto bene il fango si deposita in un chiarificatore.
Forma e dimensione delle particelle sono entrambe le misurazioni misleadingly ‘semplice’. Molti problemi sottili, spesso non indirizzate in protocolli informali, possono sorgere quando campionamento, imaging e l’analisi di particelle. Metodi di campionamento possono essere prevenuti o non forniscono sufficiente potenza statistica. I campioni stessi potrebbero essere mal conservati o subiscono alterazione durante immobilizzazione. Immagini non siano di qualità sufficiente; sovrapposizione di particelle, profondità di campo, il livello di ingrandimento e vari rumori possono tutti producono scarsi risultati. Analisi scarsamente specificata possono introdurre bias, come quella prodotta dalla segmentazione e soglia manuale dell’immagine.
Convenienza e velocità effettiva sono desiderabili al fianco di riproducibilità. Un metodo conveniente, alta velocità di trasmissione può consentire più frequente misurazione delle particelle, producendo molte immagini contenenti migliaia di particelle. Un metodo che utilizza reagenti poco costosi, un comune microscopio da dissezione e software di analisi di open source disponibile liberamente permette risultati sperimentali ripetibili, accessibili, riproducibili e parzialmente automatizzata. Inoltre, il prodotto di tale metodo può essere ben formattato, ben definito e facilmente comprensibili dal software di analisi dati, sia all’interno del laboratorio analisi e condivisione dei dati tra laboratori di interpolazione.
Vi presentiamo un protocollo che descrive in dettaglio i passaggi necessari per produrre un prodotto del genere, tra cui: campionamento, campione preparazione e immobilizzazione in agar, acquisizione di immagini digitali, analisi digitale delle immagini ed esempi di generazione specifico esperimento figura dalla risultati dell’analisi. Abbiamo anche incluso una pipeline di analisi di dati open source per supportare questo protocollo.
Introduction
Lo scopo di questo metodo è quello di fornire un metodo ben definito, ripetibile e parzialmente automatizzata per determinare le distribuzioni di dimensioni e forma delle particelle in bioreattori, specialmente quelli che contengono flocculi di fanghi e aerobica granuli1 , 2. la spiegazione razionale dietro questo metodo erano per migliorare l’accessibilità, la semplicità, la velocità effettiva, e ripetibilità delle nostre esistente di protocolli interni3,4, facilitare la misurazione delle particelle per gli altri e facilitare la condivisione e confronto dei dati.
Ci sono due grandi categorie di analisi di misurazione delle particelle – Metodi inferenziali e direct imaging utilizzando tali qualità come dispersione della luce5. Sebbene metodi di verosimiglianza possono essere automatizzati e hanno grande velocità effettiva, l’attrezzatura è costosa. Inoltre, mentre metodi di verosimiglianza possono determinare con precisione la dimensione equivalente di una particella6, non forniscono informazioni dettagliate forma7.
A causa della necessità per i dati di forma, abbiamo basato il nostro metodo su formazione immagine diretta. Mentre esistono alcuni metodi di imaging ad alta velocità, essi hanno tradizionalmente richiesto costosi hardware commerciale o soluzioni personalizzate costruito8,9. Il nostro metodo è stato sviluppato per impiegare hardware comune, accessibile e software che, anche se soffre di una riduzione nella capacità produttiva, produce immagini di particelle molto più rispetto al minimo necessario per molte analisi10.
I protocolli esistenti non possono specificare importante campionamento e procedura di acquisizione immagine. Altri protocolli possono specificare passaggi manuali che introducono pregiudizi soggettivi (ad esempio ad hoc Sogliatura11). Un metodo ben definito che specifica campionatura, immobilizzazione e immagine acquisizione passaggi combinati con software di analisi liberamente disponibile migliorerà sia all’interno del laboratorio immagine analisi e comparazioni tra i laboratori. Degli obiettivi principali di questo protocollo è quello di fornire un flusso di lavoro e strumenti che dovrebbero portare a risultati riproducibili da laboratori diversi per lo stesso esempio.
Oltre a normalizzare il processo di analisi di immagine, i dati prodotti da questa pipeline viene registrati in una ben definita e ben formattato file12 adatto per l’uso di dati popolari analisi pacchetti13,14, esperimento di interpolazione analisi specifiche (ad esempio di generazione personalizzata figura) e facilitare condivisione dei dati tra laboratori.
Questo protocollo è suggerito specialmente per i ricercatori che richiedono dati di forma delle particelle, non hanno accesso a metodi di verosimiglianza, non si desiderano sviluppare la propria pipeline di analisi di immagine e desiderano condividere i loro dati facilmente con gli altri
Protocol
Representative Results
Discussion
Anche se il sistema di analisi dell’immagine è abbastanza robusto e QC sono misure per garantire immagini poveri vengono rimossi, giusta attenzione per i problemi specifici nel campionamento, preparazione e acquisizione di immagini può migliorare sia la precisione dei dati e la proporzione di immagini passando QC.
Concentrazione di campionamento
Supponendo che è stato prelevato un campione rappresentativo, il passo più importante è quello di garantire la presenza per a…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Questo lavoro è stato supportato da una sovvenzione della National Science Foundation CBET 1336544.
I loghi di FIJI, R e Python sono utilizzati con il secondo i seguenti criteri di marchio:
Python: https://www.python.org/psf/trademarks/
R: https://www.r-project.org/Logo/ , secondo la licenza CC-BY-SA 4.0 elencata presso: https://creativecommons.org/Licenses/by-sa/4.0/
Fiji: https://imagej.net/Licensing
Materials
| 10% Bleach solution | Chlorox | 31009 | For workspace disinfection. |
| 15 mL centrifuge tube with cap | Corning | 430790 | Per sample. |
| 50 mL Erlenmeyer flask | Corning | 4980-50 | Other vessels are suitable so long as they can contain > 40 mL of sample and allow mixing |
| 500 mL Kimax Bottle | Kimble-Chase | 14395-50 | Or otherwise sufficient for agar handling |
| Agar | BD | 214010 | Solid, to prepare 7.5% gel. 7 mL per sample. |
| Data analysis software | N/A | N/A | R or Python are suggested |
| Deionized water | N/A | N/A | Sufficient to prepare stain and agar. If unavailable, tap should be fine. |
| Desktop computer | N/A | N/A | Image analysis is not CPU intensive, any 'ordinary' desktop computer circa 2017 should be sufficient. |
| External hard drive | Seagate | STEB5000100 | Not fully required, but extremely useful given the number an size of images. 2 or more TB of storage suggested. |
| FIJI | NIH | version 1.51d | Version is ImageJ core. Plugins are updated as of writing. Available at: https://imagej.net/Fiji/Downloads |
| GIT | Open Source | version 2.19.1 or later | Available at: https://git-scm.com/ |
| Image capture software | ToupView | version 3.7.5177 | Any compatible with camera, may come with camera. Should allow saving TIFF images with spatial calibration data. |
| Mechanical (X/Y) Stage | OMAX | A512 | Not fully required, but greatly aids image acquisition. |
| Methylene blue | Fisher | M291-100 | Solid, to prepare 1% w/v solution. 5 uL solution per sample. |
| Microscope camera | OMAX | A35140U | Any digitial camera compatible with microscope. Resolution providing at least 5 um per pixel at 10x magnification and a dynamic range of at least 8 bits per pixel per color channel is suggested. |
| Optical Stage Micrometer | OMAX | A36CALM1 | Or otherwise sufficient for spatial calibration. |
| Petri dish, 100 mm | Fisher | FB0875712 | 1 per sample. |
| PPE | N/A | N/A | Standard lab coat, gloves, and eyewear. |
| Sparmoria macro | NCSU | version 0.2.1 | Available at github repository : https://github.com/joeweaver/SParMorIA-Sludge-Particle-Morphological-Image-Analysis |
| Stereo/dissecting microscope | Nikon | SMZ-2T | Should provide 10 to 20x magnficiation and allow digital photos either with a buit-in camera or profide a mounting point for a CCD. |
Riferimenti
- Show, K. Y., Lee, D. J., Tay, J. H. Aerobic granulation: Advances and challenges. Applied Biochemistry and Biotechnology. 167 (6), 1622-1640 (2012).
- Adav, S. S., Lee, D. -. J., Show, K. -. Y., Tay, J. -. H. Aerobic granular sludge: Recent advances. Biotechnology Advances. 26 (5), 411-423 (2008).
- Initial Investigations of Aerobic Granulation in an Annular Gap Bioreactor. North Carolina State University Available from: https://repository.lib.ncsu.edu/handle/1840.16/2162 (2004)
- . Effect of Hydrodynamics on Aerobic Granulation Available from: https://repository.lib.ncsu.edu/handle/1840.16/8761 (2012)
- Tay, J. H., Liu, Q. S., Liu, Y. Microscopic observation of aerobic granulation in sequential aerobic sludge blanket reactor. Journal of Applied Microbiology. 91 (1), 168-175 (2001).
- Kelly, R. N., et al. Graphical Comparison of Image Analysis and Laser Diffraction Particle Size Analysis Data Obtained From the Measurements of Nonspherical Particle Systems. AAPS Pharm SciTech. 7 (3), E1-E14 (2006).
- Walisko, R., et al. The Taming of the Shrew -Controlling the Morphology of Filamentous Eukaryotic and Prokaryotic Microorganisms. Advances in Biochemical Engineering/Biotechnology. 149, 1-27 (2015).
- Campbell, R. A. A., Eifert, R. W., Turner, G. C. Openstage: A Low-Cost Motorized Microscope Stage with Sub-Micron Positioning Accuracy. PLoS ONE. 9 (2), e88977 (2014).
- Dias, P. A., et al. Image processing for identification and quantification of filamentous bacteria in in situ acquired images. BioMedical Engineering OnLine. 15 (1), 64 (2016).
- Liao, J., Lou, I., de los Reyes, F. L. Relationship of Species-Specific Filament Levels to Filamentous Bulking in Activated Sludge. Applied and Environmental Microbiology. 70 (4), 2420-2428 (2004).
- Cromey, D. W. Avoiding twisted pixels: ethical guidelines for the appropriate use and manipulation of scientific digital images. Science and Engineering Ethics. 16 (4), 639-667 (2010).
- Wickham, H. Tidy Data. Journal of Statistical Software. 59 (10), (2014).
- van Rossum, G. . Python tutorial. , (1995).
- Schindelin, J., Arganda-Carreras, I., Frise, E. FIJI: an open-source platform for biological-image analysis. Nature Methods. 9 (7), 676-682 (2012).
- . SParMorIA: Sludge Particle Morphological ImageAnalysis Available from: https://github.com/joeweaver/SParMorIA-Sludge-Particle-Morphological-Image-Analysis (2018)
- Ferreira, T., Rasband, W. . ImageJ User Guide: IJ 1.42 r. , (2012).
- Sezgin, M., Sankur, B. Survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic Imaging. 13 (1), 146-166 (2004).
- Kröner, S., Doménech Carbó, M. T. Determination of minimum pixel resolution for shape analysis: Proposal of a new data validation method for computerized images. Powder Technology. 245, 297-313 (2013).
- McKinney, W. Data Structures for Statistical Computing in Python. Proceedings of the 9th Python in Science Conference. , 51-56 (2010).
- Waskom, M., et al. . seaborn: v0.5.0 (November 2014). , (2014).
- . dplyr: A Grammar of Data Manipulation Available from: https://cran.r-project.org/web/packages/dplyr/index.html (2016)
- Riley, R. S., Ben-Ezra, J. M., Massey, D., Slyter, R. L., Romagnoli, G. Digital Photography: A Primer for Pathologists. Journal of Clinical Laboratory Analysis. 18 (2), 91-128 (2004).
- Singh, S., Bray, M. A., Jones, T. R., Carpenter, A. E. Pipeline for illumination correction of images for high-throughput microscopy. Journal of Microscopy. 256 (3), 231-236 (2014).
- Eastwood, B. S., Childs, E. C. Image Alignment for Multiple Camera High Dynamic Range Microscopy. Proceedings. IEEE Workshop on Applications of Computer Vision. , 225-232 (2012).
- High Dynamic Range Microscopy for Cytopathological Cancer Diagnosis. IEEE Journal of Selected Topics in Signal Processing (Special Issue on: Digital Image Processing Techniques for Oncology) Available from: https://www.lfb.rwth-aachen.de/en/ (2009)
- Jain, V., et al. Supervised Learning of Image Restoration with Convolutional Networks. 2007 IEEE 11th International Conference on Computer Vision. , 1-8 (2007).
