글로메룰로네프염의 세포외 DNA의 반정화를 위한 감독된 기계 학습

골수페록시다아제 항호성 세포질항체 관련 혈관염(MPO-AAV)은 상당한 세포 사멸과 탈옥리보핵산(DNA)^1,,2의방출로 병리학적 사구체 손상으로부터 신부전을 초래하는 자가면역 질환이다. DNA는 위험 신호로 작용하여 면역 계통을 활성화할 수 있습니다. 정상적인 건강 한 조건에서, DNA의 핵 위치는 면역 체계에 노출에서 보호를 제공. 병원성 과정 또는 자가면역 중에 세포외적으로 방출되는 자가 DNA는 면역 계통에 의해 강력한 염증 손상과 관련된 분자 자가 단백질(DAMP) 3으로 볼 수^있다. 엑스트라 세포 DNA(ecDNA)는 세포 사멸, 네크로토시스 호중구 세포 외 트랩 형성 (NETs), 괴사 또는 발열체^{44, 5,56,6,7,,8과}같은 뚜렷한 생화학적 경로에 의해 조절되는 몇 가지 뚜렷한 메커니즘을 통해 죽어가는 세포에서 방출된다.

본 명세서에서는 MPO-AAV^9,,10을가진 환자로부터 실험적인 항MPO GN 및 신장 생검으로부터 포르말린 고정 파라핀 임베디드(FFPE) 신장의 섹션에서 죽어가는 세포로부터 방출되는 ecDNA를 염색하고 측정하는 방법을 설명한다. 혈청과 소변 모두에서 이중 좌초 DNA(dsDNA) 및 DNA 복합체를 순환하는 검출을 위한 여러 가지 방법이 존재하며, 체외 내^{검사서(11,,12)에서}존재한다. 이러한 방법은 ecDNA의 양을 결정하는 데 정확하지만 ecDNA가 해부학적으로 방출되는 위치를 결정하지 는 않습니다. 세포 사멸을 위한 튜클과 같은 ecDNA의 특정 측정을 기술하고 세포^{이물질(13,,14)의}측정을 설명하는 방법이 있다. 병리학적 손상이 발생하는 FFPE 신장의 모든 형태의 세포 사멸에서 절정에 달하는 ecDNA를 측정하는 방법을 설명하는 방법은 없습니다. 이것은 실험적인 치료 처리가 실제 표적 기관에 있는 병리학적인 상해의 사이트에서 ecDNA를 지우는지 결정하는 것이 중요합니다.

신장 샘플에서 여러 이미지를 수집하면 단일 사용자가 일반적으로 분석하는 대량의 데이터가 생성됩니다. 이는 노동 집약적이고 시간이 많이 소요되며 사용자 편향으로 인해 다른 사용자가 신뢰할 수 없는 재현성을 받을 수 있습니다. Trainable Weka 세분화는 최첨단 생물정보 도구를 사용하여 기계 학습 알고리즘^15,,16을사용하여 픽셀을 분류하는 ImageJ용 오픈 소스 소프트웨어 플러그인입니다. 이 메서드는 픽셀 세그먼트의 사용자 분류에서 학습 하 고 다른 이미지에 새로운 학습 분류를 적용 하는 “교육 가능”. 이 메서드는 세그먼트의 각 픽셀을 특정 “클래스”에 속하는 것으로 “분류”하는 데 사용되는 ImageJ 프로그램 내의 일반적인 분석 도구에 의존합니다. 프로그램이 “분류자”를 알게 되면 동일한 이미지 내에서 다른 유사한 분류 세그먼트를 식별하는 데 사용할 수 있습니다. 그런 다음 이 모델을 저장하여 동일한 실험 내의 다른 이미지 집합에 적용됩니다.

신장 단면도에서 ecDNA를 결정하는 현재 장애물은 포르말린의 고정및 심상에 있는 노동 집약적인 분석에서 내인성 자동 형광입니다. 우리는 이 자동 형광을 담금질하고, ecDNA를 검출하고, ecDNA의 높은 처리량 측정을 위해 감독된 기계 학습을 사용하는 방법을 여기에서 설명합니다. 우리는 이전에 ImageJ에서 매크로를 사용하여 NET및 세포 외 MPO (ecMPO)의 측정을 발표했습니다, 우리는 지금 감독 기계 학습^1을사용하여 이러한 방법의 반 자동화를 시연한다. 우리는 동일한 이미지 내에서 NET 및 ecMPO에 대한 대체 얼룩을 분류하기 위해 기계 학습 도구의 적응성을 보여줍니다. ecDNA, NET및 ecMPO를 검출하기 위해 여기에 기재된 이러한 염색 방법은 ecDNA, NETS 및 ecMPO가 류마티스 관절염 및 루푸스^17,,18과같은 질병을 영속시키는 데 중요한 역할을 하는 다른 고체 장기 및 질병으로 번역될 수 있다.