השימוש בבינה מלאכותית (Ai) לניתוח תמונות מתגלה כגישה חזקה, פחות מוטה ומהירה בהשוואה לשיטות נפוצות. כאן אימנו את Ai לזהות אברון תאי, ריסים ראשוניים, ולנתח תכונות כגון אורך ועוצמת הכתמים באופן קפדני ושחזורי.
Cilia הם נספחים תאיים מבוססי מיקרוטובול המתפקדים כמרכזי איתות למגוון מסלולי איתות בסוגי תאי יונקים רבים. אורך Cilia נשמר מאוד, מוסדר היטב, ומשתנה בין סוגי תאים ורקמות שונים והיה מעורב בהשפעה ישירה על יכולת האיתות שלהם. לדוגמה, הוכח כי cilia משנה את אורךם בתגובה להפעלת קולטנים מצמידי חלבון G. עם זאת, מדידה מדויקת ורבייה של ריסים רבים היא הליך גוזל זמן רב ועבודה אינטנסיבית. גישות נוכחיות הן גם שגיאה והטיה נוטה. ניתן להשתמש בתוכניות בינה מלאכותית (Ai) כדי להתגבר על אתגרים רבים אלה בשל יכולות המאפשרות התבוללות, מניפולציה ואופטימיזציה של ערכות נתונים נרחבות. כאן, אנו מדגימים כי מודול Ai ניתן לאמן לזהות cilia בתמונות הן בדגימות vivo והן במבחנה. לאחר שימוש ב- Ai מאומן לזיהוי ריסים, אנו מסוגלים לעצב ולנצל במהירות יישומים המנתחים מאות ריסים במדגם יחיד לאורך, עוצמת פלואורסצנטיות ולוקליזציה משותפת. גישה בלתי משוחדת זו הגבירה את הביטחון והקפדנות שלנו כאשר משווים דגימות מהקדמה עצבית ראשונית שונה במבחנה, כמו גם על פני אזורי מוח שונים בתוך בעל חיים ובין בעלי חיים. יתר על כן, טכניקה זו יכולה לשמש כדי לנתח באופן אמין את הדינמיקה cilia מכל סוג תא ורקמות באופן תפוקה גבוהה על פני דגימות מרובות וקבוצות טיפול. בסופו של דבר, גישות מבוססות Ai צפויות להפוך לסטנדרט ככל שרוב השדות נעים לעבר גישות פחות מוטות ויותר ניתנות לשחזור לרכישת וניתוח תמונות.
ריסים עיקריים הם אברונים חושיים הבולטים מרוב סוגי תאי היונקים1,2,3,4. הם בדרך כלל נספחים בודדים קריטי לתיאום מסלולי איתות תאים מגוונים על ידי שילוב אותות חוץ תאיים5,6,7. ריסים ראשוניים ממלאים תפקידים חשובים במהלך התפתחות עוברית והומאוסטזיס של רקמות בוגרות, ושיבוש תפקודם או המורפולוגיה שלהם קשור למספר הפרעות גנטיות, הנקראות יחד ciliopathies. בשל האופי הכמעט בכל מקום של ריסים, ciliopathies קשורים עם מגוון רחב של תכונות קליניות שיכולות להשפיע על כל מערכות האיברים8,9,10,11,12. במודלים בעלי חיים של ciliopathies, אובדן מבנה ciliary או יכולת איתות מתבטא במספר פנוטיפים רלוונטיים קלינית כולל השמנת יתר הקשורים היפרפגיה3,13,14,15. במערכות מודל רבות, שינויים באורך ריסים הוכחו להשפיע על יכולת האיתות שלהםפונקציות 16,17,18,19. עם זאת, ישנם מספר אתגרים ארוכי זמן וטכניים הקשורים להערכה מדויקת ורבייה של אורך הריסים והרכב.
מערכת העצבים המרכזית של היונקים הבוגרים (CNS) היא הקשר ביולוגי אחד שהציב אתגר להבנת מורפולוגיה ותפקוד ריסים. אמנם נראה כי נוירונים ותאים ברחבי מערכת רה”מ מחזיקים ריסים, בשל הכלים המוגבלים והיכולות להתבונן ולנתח את הריסים האלה הבנה של הפונקציות שלהם נשאר חמקמק20. לדוגמה, סמן הריסים הרב-טיפוס, אצטילאט α-טובולין, אינו מתייג ריסים עצביים20. הקושי לחקור את הריסים האלה נפתר בחלקו עם גילוי של מספר קולטנים מצמידי חלבון G (GPCR), מכונות איתות וחלבונים הקשורים לממברנה המועשרים על הממברנה של ריסים עצביים21,22. כל התצפיות הבסיסיות הפשוטות הללו מרמזות על החשיבות והמגוון של ריסים של CNS, אשר עד כה נראה שאין שני לו על ידי רקמות אחרות. לדוגמה, וריאציה באורך סיליה ולוקליזציה GPCR ניתן לראות בכל המוח, עם אורכים בגרעין עצבי מסוים להיות שונה בהשוואה גרעין אחרים19,23. באופן דומה, התוכן GPCR שלהם מחמאה מכונות איתות להראות גיוון המבוסס על מיקום נוירואנטומי וסוג עצבי2,24,25,26,27,28,29. תצפיות פשוטות אלה ממחישות כי אורך הריסים של היונקים והרכבם מוסדרים היטב, בדיוק כמו באורגניזמים מודל, כמו Chlamydomonas reinhardtii, אבל ההשפעה של הבדלי אורך אלה על תפקוד cilia, איתות ובסופו של דבר התנהגות עדיין לא ברור16,30,31,32.
מדידה מדויקת של אורך הריסים והרכבה מתגלה כאתגר טכני שנוטה לשגיאת משתמש וחוסר תוכחות. כיום cilia ב vivo ו במבחנה מזוהים לרוב באמצעות גישות אימונופלואורסצנטיות המגדירות חלבונים סיליאריים או כתב פלואורסצנטי מועשר ריסים אללס33,34,35. האורכים של ריסים מתויגים פלואורסצנטיים אלה נמדדים לאחר מכן מתמונה דו-ממדית (דו-ממדית) באמצעות כלי מדידת קו בתוכניות ניתוח תמונה כגון ImageJ36. תהליך זה הוא לא רק מייגע ועבודה אינטנסיבית, אלא גם נוטה הטיה וטעייה. אותם מכשולים מתעוררים בעת מדידת עוצמות ריסים, המסייעים להצביע על שינויים במבנהריסים 37. כדי למזער את חוסר העקביות בסוגים אלה של ניתוחי תמונה, תוכניות בינה מלאכותית (Ai) הופכות נפוץ יותר ובמחיר סביר אפשרויות38.
Ai הוא קידום של מערכות מחשב המשתמשות ביתרון של אלגוריתמים ממוחשבים ותכנות לביצוע משימות שבדרך כלל דורשות אינטליגנציה אנושית39. מכשירי Ai לומדים לתפוס דפוסים, פרמטרים ומאפיינים חוזרים ולנקוט פעולות כדי למקסם את הסיכויים ליצירת תוצאות מוצלחות. Ai הוא רב-תכליתי וניתן לאמן אותו לזהות אובייקטים או מבנים ספציפיים בעלי עניין, כגון cilia, ולאחר מכן להיות מתוכנת להפעיל מגוון של ניתוחים על האובייקטים המזוהים. לכן, נתוני תמונה מורכבים יכולים להיווצר במהירות ובשחזור על ידי Ai38. אוטומציה וניתוח Ai של תמונות שנתפסו יגבירו את היעילות והיעילות תוך הגבלת כל טעות אנוש פוטנציאלית והטיה39. יצירת מתודולוגיה מבוססת Ai לזיהוי ריסים יוצרת דרך עקבית עבור כל קבוצות המחקר לנתח ולפרש נתוני ריסים.
כאן אנו משתמשים במודול Ai כדי לזהות את הריסים הן ב- vivo והן במבחנה בתמונות 2D. באמצעות קבוצה של תמונות לדוגמה, ה- Ai מאומן לזהות ריסים. לאחר השלמת האימון, Ai המיועד משמש להחלת מסיכה בינארית על ריסים המזוהים על Ai בתמונה. הקבצים הבינאריים המוחלים על ידי Ai ניתנים לשינוי, במידת הצורך, כדי להבטיח שכל הריסים בתמונות מזוהים כראוי וזיהוי לא ספציפי מסולק. לאחר ניצול Ai כדי לזהות cilia, תוכניות ניתוח כללי שנבנה בהתאמה אישית (GA) משמשים לביצוע ניתוחים שונים כגון מדידת אורך cilia ועוצמת פלואורסצנטיות. הנתונים הנאספים מיוצאים לטבלה שניתן לקרוא, לפרש ולהשתמש בה בקלות עבור ניתוחים סטטיסטיים (איור 1). השימוש בטכנולוגיה אוטומטית ובבינה מלאכותית לזיהוי ריסים וקבלת מדידות ספציפיות בין קבוצות ניסוי יסייע במחקרים עתידיים שמטרתם להבין את ההשפעה של תפקוד ריסים של מערכת הסביבה ומורפולוגיה על תקשורת והתנהגות תאים-תאים.
מדידות אורך ועוצמה הן דרכים נפוצות שבהן מנתחים ריסים ראשוניים, עם זאת, אין שיטה קונבנציונלית סטנדרטית המשמשת בתחום. זיהוי וכימות של ריסים ראשיים באמצעות תוכנה כגון ImageJ הוא זמן רב נוטה הטיית משתמש וטעייה. הדבר מקשה על ניתוח מדויק של ערכות נתונים גדולות. כאן אנו מראים כי באמצעות תוכנית Ai יכול להתגבר על רבים מהאתגרים האלה מה שהופך ניתוח תפוקה גבוהה של cilia ראשוני בר השגה. כאן אנו מתארים את ההליך להכשרת יישום מבוסס Ai לזיהוי ריסים ראשוניים ומתארים את השלבים הנדרשים לניתוח אורך ועוצמת.
בעוד ההכשרה הראשונית של Ai לזהות cilia דורש זמן משמעותי מהמשתמש, לאחר השלמתו ניתן להשתמש בו על כל ערכת נתונים שנרכשה עם אותם פרמטרים. המסיכה הבינארית שנוצרת על-ידי ה- Ai ניתנת לשינוי כך שניתן יהיה לתקן שגיאות כלשהן. עם זאת, שגיאות בזיהוי cilia צריך לאותת למשתמש כי Ai צריך להיות מאומן עוד יותר עם תמונות נוספות. אחד היתרונות העיקריים של שיטה זו הוא כי Ai ניתן לאמן לזהות cilia בסוגי מדגם שונים הן 2D ו 3D. שיטות ניתוח קודמות שנוצרו בתוך מעבדות יש מגבלות שונות כולל דרישת סף ידני לזיהוי ובעיות בזיהוי cilia בתמונה מקטעי רקמות שבו צפיפות התא גבוהה36,46,47. שיטות אלה מתמחות גם בניתוח ריסים ואילו ניתוח באמצעות תוכנת אלמנטים של NIS יכול להעריך מספר היבטים של התמונות בו זמנית. מכיוון שה-Ai המתואר כאן הוא חלק מחבילת התוכנה של NIS Elements, ניתן להמשיך בקלות בתמונות שנרכשו באמצעות מיקרוסקופ ניקון עד לניתוח. עם זאת, הדמיה עם ניקון אינה נדרשת לשימוש בשיטה זו. ללא קשר לתבנית קובץ הנתונים הגולמיים שנתפסו, קבצי “.tif” יכולים להיפתח על ידי רכיבי NIS לשימוש ב- Ai.
יישום AI זה בתוך אלמנטים NIS זמין באופן נרחב ואולי כבר חלק מתוכנת ניתוח תמונה בשימוש על ידי מעבדות לומדות ריסים ראשוניים. עם ההתרחבות של טכנולוגיית הבינה מלאכותית, תוכנות הדמיה אחרות עשויות להרחיב את אפשרויות הניתוח שלהן כך שיכללו מודול AI דומה. החלת ניתוח Ai לזיהוי cilia יכול לשמש עבור מספר היבטים שונים של ניתוח cilia. בעוד שרטטנו שיטות למספר ניתוחים פשוטים כגוןאורך ( איור 2 ו- 3), עוצמה (איור 4) ואנלקציה (איור 5) ניתן להוסיף ניתוח מתוחכם יותר לזרימת העבודה של ניתוח GA3 כמו באיור 6. לדוגמה, במקום למדוד את עוצמתו שלסיליום שלם, הבדלים בעוצמה בתוך תת-אזור שלסיליום עשויים לעניין להעריך לוקליזציה תת-סיליארית. הבדלים בעוצמה בתוך תת-תחזית שלסיליום יכולים להצביע על כך שהחלבון מצטבר בקצה או בבסיס של הסליום, כגון האופן שבו חלבוני Gli מועשרים בקצה ריס48. בנוסף, יישום Ai זה יכול לשמש כדי לזהות בקלות הבדלים בין גנוטיפים או קבוצות טיפול. בעוד המעבדה שלנו משתמשת בעיקר בשיטה זו כדי לנתח ריסים שמצויים מחלקי מוח או מתרביות עצביות, ניתן להחיל אותה על תמונות שנרכשו מקווי תאים שונים או מסוגי רקמות אחרים. הגמישות של סוג המדגם כי יישום זה יכול לשמש על עושה שיטה זו של ניתוח בעל ערך עבור קבוצות רבות ושונות לומדות ריסים ראשוניים או כל אברון נפרד כי הוא מוערך כגון מיטוכונדריה, גרעין, או ER.
The authors have nothing to disclose.
עבודה זו מומנה על ידי המכון הלאומי לסוכרת ומחלות עיכול וכליות R01 DK114008 ל- NFB ומענק מלגת איגוד הלב האמריקאי #18PRE34020122 ל- RB. אנו מודים לריץ’ גרוסקין, המנהל הכללי של ניקון תוכנה, מליסה בנטלי, קורטני הייקראפט ותרזה מסלאצ’י על הערות תובנות על כתב היד.
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 |