Görüntüleri analiz etmek için yapay zekanın (Ai) kullanımı, yaygın olarak kullanılan yöntemlere kıyasla güçlü, daha az önyargılı ve hızlı bir yaklaşım olarak ortaya çıkıyor. Burada Ai’yi hücresel bir organel, birincil cilia’yı tanıması ve uzunluk ve lekelenme yoğunluğu gibi özellikleri titiz ve tekrarlanabilir bir şekilde analiz etmesi için eğitdik.
Cilia, birçok memeli hücre tipinde sinyal yolları çeşitliliği için sinyal merkezleri olarak işlev gösteren mikrotübül bazlı hücresel uzantılardır. Cilia uzunluğu yüksek oranda korunmuş, sıkı bir şekilde düzenlenmiştir ve farklı hücre tipleri ve dokular arasında değişir ve sinyal kapasitelerini doğrudan etkilemede suçlanmıştır. Örneğin, cilia’nın silier G protein bağlantılı reseptörlerin aktivasyonuna yanıt olarak uzunluklarını değiştirdiği gösterilmiştir. Bununla birlikte, çok sayıda cilia’nın uzunluklarını doğru ve tekrarlanabilir bir şekilde ölçmek zaman alıcı ve emek yoğun bir prosedürdür. Mevcut yaklaşımlar da hata ve önyargıya eğilimlidir. Yapay zeka (Ai) programları, kapsamlı veri kümelerinin asimilasyonuna, manipülasyonuna ve optimizasyonuna izin veren yetenekler nedeniyle bu zorlukların çoğunun üstesinden gelmek için kullanılabilir. Burada, bir Ai modülün hem in vivo hem de in vitro örneklerden görüntülerdeki cilia’yı tanımak için eğitilebileceğini gösteriyoruz. Cilia’yı tanımlamak için eğitilmiş Ai’yi kullandıktan sonra, uzunluk, floresan yoğunluğu ve birlikte lokalizasyon için yüzlerce cilia’yı tek bir örnekte analiz eden uygulamalar tasarlayabilir ve hızla kullanabiliriz. Bu tarafsız yaklaşım, farklı primer nöronal preps in vitro’dan ve bir hayvan içindeki ve hayvanlar arasındaki farklı beyin bölgelerinden örnekleri karşılaştırırken güvenimizi ve katılığımızı artırdı. Ayrıca, bu teknik, herhangi bir hücre tipinden ve dokudan cilia dinamiklerini birden fazla örnek ve tedavi grubunda yüksek verimli bir şekilde güvenilir bir şekilde analiz etmek için kullanılabilir. Sonuç olarak, çoğu alan görüntü alma ve analiz için daha az önyargılı ve daha tekrarlanabilir yaklaşımlara doğru ilerledikçe yapay zeka tabanlı yaklaşımlar büyük olasılıkla standart hale gelecektir.
Birincil cilia, çoğu memeli hücre tipi 1 , 2,3,4’tençıkıntılı duyusal organellerdir. Genellikle hücre dışı sinyalleri entegre ederek çeşitli hücre sinyal yollarını koordine etmek için kritik olan yalnız ekler5,6,7. Primer cilia embriyonik gelişim ve erişkin doku homeostazı sırasında önemli roller oynar ve işlevlerinin veya morfolojilerinin bozulması, toplu olarak ciliopatiler olarak adlandırılan çeşitli genetik bozukluklarla ilişkilidir. Cilia’nın neredeyse her yerde bulunan doğası nedeniyle, ciliopatiler tüm organ sistemlerini etkileyebilecek çok çeşitli klinik özelliklerle ilişkilidir 8,9,10,11,12. Ciliopatilerin hayvan modellerinde, silier yapı kaybı veya sinyal kapasitesi, hiperfaji ile ilişkili obezite 3,13,14,15dahil olmak üzere klinik olarak ilgili çeşitli fenotiplerde kendini gösterir. Birçok model sisteminde, cilia uzunluk değişikliklerinin sinyal kapasitelerini ve işlevlerini etkilediği gösterilmiştir16,17,18,19. Bununla birlikte, cilia uzunluğu ve bileşimini doğru ve tekrar tekrar değerlendirmekle ilişkili birkaç zaman alıcı ve teknik zorluk vardır.
Yetişkin memeli merkezi sinir sistemi (CNS), cilia morfolojisini ve işlevini anlamak için bir zorluk oluşturan biyolojik bir bağlamdır. CNS’deki nöronların ve hücrelerin cilia’ya sahip olduğu görünse de, bu cilia’yı gözlemlemek ve analiz etmek için sınırlı araçlar ve yetenekler nedeniyle işlevlerinin anlaşılması zor kalır20. Örneğin, asetillenmiş α-tubulin olan prototipik cilia işaretleyicisi nöronal cilia20‘yi etiketlemez. Bu cilia’yı incelemenin zorluğu, nöronal cilia21,22membranında zenginleştirilmiş birkaç G protein bağlantılı reseptör (GPCR), sinyal makineleri ve membran ilişkili proteinlerin keşfi ile kısmen çözüldü. Tüm bu basit temel gözlemler, şimdiye kadar diğer dokular tarafından benzersiz görünen CNS cilia’nın önemine ve çeşitliliğine işaret ediyor. Örneğin, cilia uzunluğu ve GPCR lokalizasyonundaki varyasyon beyin boyunca gözlenebilir, bazı nöronal çekirdeklerdeki uzunluklar diğer çekirdeklerle karşılaştırıldığında farklıdır19,23. Benzer şekilde, GPCR içeriği ve sinyal makineleri iltifatı nöroanatomik konuma ve nöroanal tip 2,24,25,26,27,28,29‘agöre çeşitlilik gösterir. Bu basit gözlemler, memeli CNS cilia uzunluğunun ve bileşiminin, Chlamydomonas reinhardtiigibi model organizmalarda olduğu gibi sıkı bir şekilde düzenlendiğini göstermektedir, ancak bu uzunluk farklılıklarının cilia işlevi, sinyalizasyon ve nihayetinde davranış üzerindeki etkisi belirsizliğini korumaktadır16,30,31,32.
Cilia uzunluğu ve bileşiminin doğru bir şekilde ölçülmesi, kullanıcı hatasına ve geri alınamazlığa eğilimli teknik bir zorluk olduğunu kanıtlamaktadır. Şu anda cilia in vivo ve in vitro en sık silier proteinleri veya cilia ile zenginleştirilmiş floresan muhabir alellerini etiketleyen immünofluoresan yaklaşımlar kullanılarak tanımlanır33,34,35. Floresan olarak etiketlenen bu cilia’nın uzunlukları daha sonra ImageJ 36 gibi görüntü analiz programlarında çizgi ölçüm araçları kullanılarak 2 boyutlu (2D) bir görüntüdenölçülür. Bu süreç sadece sıkıcı ve emek yoğun değil, aynı zamanda önyargı ve hataya da eğilimlidir. Bu aynı engeller, cilia yapısındaki değişiklikleri göstermeye yardımcı olan cilia yoğunluklarını ölçerken ortaya çıkar37. Bu tür görüntü analizlerindeki tutarsızlıkları en aza indirmek için, yapay zeka (Ai) programları daha yaygın ve uygun fiyatlı seçenekler haline geliyor38.
Ai, genellikle insan zekası gerektiren görevleri yürütmek için bilgisayar algoritmalarının ve programlamanın avantajını kullanan bilgisayar sistemlerininilerlemesidir 39. Ai cihazlarına yinelenen kalıpları, parametreleri ve özellikleri algılamaları ve başarılı sonuçlar yaratma olasılığını en üst düzeye çıkarmak için eylemlerde bulunanlar öğretilir. Ai çok yönlüdür ve cilia gibi belirli nesneleri veya ilgi çekici yapıları tanımak için eğitilebilir ve daha sonra tanımlanan nesneler üzerinde çeşitli analizler yapmak üzere programlanabilir. Bu nedenle, karmaşık görüntü verileri Ai38tarafından hızlı ve tekrarlanabilir . Yakalanan görüntülerin otomasyonu ve Ai analizi, herhangi bir potansiyel insan hatasını ve önyargısını sınırlarken etkinliği ve verimliliği artıracaktır39. Cilia tanımlaması için Ai tabanlı bir metodoloji oluşturmak, tüm araştırma gruplarının cilia verilerini analiz etmesi ve yorumlaması için tutarlı bir yol oluşturur.
Burada, 2D görüntülerde hem in vivo hem de in vitro cilia’yı tanımlamak için bir Ai modülü kullanıyoruz. Bir dizi örnek görüntü kullanan Ai, cilia’yı tanımlamak için eğitilir. Eğitim tamamlandıktan sonra, belirlenen Ai, bir görüntüde Ai tanımlanan cilia üzerine ikili maske uygulamak için kullanılır. Ai tarafından uygulanan ikili dosyalar, gerekirse görüntülerdeki tüm cilia’nın düzgün bir şekilde tanımlanmasını ve spesifik olmayan tanımlamanın ortadan kaldırılmasını sağlamak için değiştirilebilir. Cilia’yı tanımlamak için Ai’yi kullandıktan sonra, cilia uzunluğu ve floresan yoğunluğunu ölçmek gibi farklı analizleri gerçekleştirmek için özel olarak oluşturulmuş genel analiz (GA) programları kullanılır. Toplanan veriler kolayca okunabilen, yorumlanabilen ve istatistiksel analizler için kullanılabilecek bir tabloya dışa aktarılıyor (Şekil 1). Cilia’yı tanımlamak ve deneysel gruplar arasında belirli ölçümler elde etmek için otomatik teknoloji ve Ai’nin kullanılması, CNS cilia fonksiyonu ve morfolojisinin hücre-hücre iletişimi ve davranışı üzerindeki etkisini anlamaya yönelik gelecekteki çalışmalarda yardımcı olacaktır.
Uzunluk ve yoğunluk ölçümleri birincil cilia’nın analiz edildiği yaygın yollardır, ancak alanda kullanılan standartlaştırılmış bir geleneksel yöntem yoktur. ImageJ gibi yazılımlar kullanılarak birincil cilia’nın tanımlanması ve ölçülmesi zaman alıcıdır ve kullanıcı önyargısına ve hatasına eğilimlidir. Bu, büyük veri kümelerini doğru bir şekilde analiz etmeyi zorlaştırır. Burada, bir Ai programı kullanmanın, birincil cilia’nın yüksek verim analizini ulaşılabilir hale getiren bu zorlukların çoğunun üstesinden gelebileceğini gösteriyoruz. Burada, birincil cilia’yı tanımak ve uzunluğu ve yoğunluğu analiz etmek için gereken adımları özetlemek için Ai tabanlı bir uygulamayı eğitme prosedürünü açıklıyoruz.
Ai’nin cilia’yı tanımak için ilk eğitimi kullanıcıdan önemli bir zaman gerektirirken, tamamlandığında aynı parametrelerle elde edilen herhangi bir veri kümesinde kullanılabilir. Ai tarafından oluşturulan ikili maske, herhangi bir hatanın düzeltilebileceği şekilde değiştirilebilir. Bununla birlikte, cilia tanımlamadaki hatalar kullanıcıya Ai’nin ek görüntülerle daha fazla eğitilmesi gerektiğini işaret etmelidir. Bu yöntemin en büyük avantajlarından biri, Ai’nin hem 2D hem de 3D olarak farklı örnek türlerinde cilia’yı tanımak için eğitilebilmesidir. Laboratuvarlarda oluşturulan önceki analiz yöntemleri, hücre yoğunluğunun yüksek olduğu doku bölümlerinden görüntülenen cilia’yı tanımlamak için manuel eşikleme ve problemler dahil olmak üzere çeşitli sınırlamalara sahiptir36,46,47. Nis Elements yazılımı kullanılarak yapılan analizler görüntülerin çeşitli yönlerini aynı anda değerlendirebilirken, bu yöntemler cilia analizi için de uzmanlaşmıştır. Burada açıklanan Ai, NIS Elements yazılım paketinin bir parçası olduğundan, Nikon mikroskobu kullanılarak elde edilen görüntüler analize kolayca devam edilebilir. Ancak, bu yöntemin kullanımı için Nikon ile görüntüleme gerekli değildir. Yakalanan ham veri dosyası biçiminden bağımsız olarak, “.tif” dosyaları Ai’de kullanmak için NIS Elements tarafından açılabilir.
NIS Elements içindeki bu Ai uygulaması yaygın olarak mevcuttur ve muhtemelen birincil cilia’yı inceleyen laboratuvarlar tarafından kullanılan görüntü analizi yazılımının bir parçasıdır. Ai teknolojisinin yaygınlığı genişlerken, diğer görüntüleme yazılımları analiz seçeneklerini benzer bir Ai modülünü içerecek şekilde genişletebilir. Cilia tanımlamasına Ai analizi uygulamak, cilia analizinin birkaç farklı yönü için kullanılabilir. Uzunluk (Şekil 2 ve 3 ), yoğunluk ( Şekil 4) ve kolokalizasyon (Şekil 5) gibi birkaç basit analiz için yöntemleri özetlerken, GA3 analiz iş akışına Şekil 6’daolduğu gibi daha sofistike analizler eklenebilir. Örneğin, tam bir siliyumun yoğunluğunu ölçmek yerine, bir siliyumun bir alt bölgesindeki yoğunluk farklılıkları, sub-siliary lokalizasyonunu değerlendirmek için ilgi çekici olabilir. Bir sicim alt bölgesinde yoğunluktaki farklılıklar, gli proteinlerinin cilia48’inucunda nasıl zenginleştirilmesi gibi, proteinin siciumun ucunda veya tabanında biriktiğini gösterebilir. Ek olarak, bu Ai uygulaması genotipler veya tedavi grupları arasındaki farklılıkları kolayca tanımlamak için kullanılabilir. Laboratuvarımız öncelikle beyin bölümlerinden veya nöronal kültürlerden alınan cilia’yı analiz etmek için bu yöntemi kullanırken, çeşitli hücre çizgilerinden veya diğer doku türlerinden elde edilen görüntülere uygulanabilir. Bu uygulamanın kullanılabileceği örnek türünün esnekliği, bu analiz yöntemini birincil cilia veya mitokondri, çekirdek veya ER gibi değerlendirilen herhangi bir ayrı organel üzerinde çalışan birçok farklı grup için değerli kılar.
The authors have nothing to disclose.
Bu çalışma Ulusal Diyabet ve Sindirim ve Böbrek Hastalıkları Enstitüsü R01 DK114008 tarafından NFB’ye ve Amerikan Kalp Derneği Bursu Rb’ye #18PRE34020122 finanse edildi. Nikon Software’in Rich Gruskin Genel Müdürü Melissa Bentley, Courtney Haycraft ve Teresa Mastracci’ye el yazması hakkındaki içgörülü yorumları için teşekkür ederiz.
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 |