מאמר זה מסביר כיצד להשתמש בלמידת מכונה בפיקוח סימולציה לניתוח מורפולוגיה של מיטוכונדריה בתמונות מיקרוסקופיה פלואורסצנטית של תאים קבועים.
הניתוח הכמותי של אברונים תת-תאיים כגון מיטוכונדריה בתמונות מיקרוסקופיה פלואורסצנטית של תאים הוא משימה תובענית בגלל האתגרים המובנים בפילוח של מבנים קטנים ומגוונים מורפולוגית אלה. במאמר זה אנו מדגימים את השימוש בצינור סגמנטציה וניתוח בעזרת למידת מכונה לכימות מורפולוגיה מיטוכונדריאלית בתמונות מיקרוסקופיה פלואורסצנטית של תאים קבועים. כלי הפילוח מבוסס הלמידה העמוקה מאומן על תמונות מדומות ומבטל את הדרישה לביאורים של אמת קרקעית ללמידה עמוקה מפוקחת. אנו מדגימים את התועלת של כלי זה על תמונות מיקרוסקופיה פלואורסצנטית של קרדיומיובלסטים קבועים עם ביטוי יציב של סמני מיטוכונדריה פלואורסצנטיים ומשתמשים בתנאי תרבית תאים ספציפיים כדי לגרום לשינויים במורפולוגיה המיטוכונדריאלית.
במאמר זה אנו מדגימים את התועלת של כלי למידת מכונה מבוסס פיזיקה לסגמנטציה תת-תאית1 בתמונות מיקרוסקופיה פלואורסצנטית של קרדיומיובלסטים קבועים המבטאים סמני מיטוכונדריה פלואורסצנטיים.
מיטוכונדריה הם האברונים העיקריים המייצרים אנרגיה בתאי יונקים. באופן ספציפי, מיטוכונדריה הם אברונים דינמיים מאוד והם נמצאים לעתים קרובות ברשתות המשתנות כל הזמן באורך ובהסתעפות. צורת המיטוכונדריה משפיעה על תפקודם, ותאים יכולים לשנות במהירות את המורפולוגיה המיטוכונדריאלית שלהם כדי להסתגל לשינוי בסביבה2. כדי להבין את התופעה, הסיווג המורפולוגי של המיטוכונדריה כנקודות, מוטות או רשתות הוא אינפורמטיבי מאוד3.
פילוח המיטוכונדריה חיוני לניתוח המורפולוגיה המיטוכונדריאלית בתאים. השיטות הנוכחיות לפלח ולנתח תמונות מיקרוסקופיה פלואורסצנטית של מיטוכונדריה מסתמכות על סגמנטציה ידנית או על גישות עיבוד תמונה קונבנציונליות. גישות מבוססות סף כגון Otsu4 הן פחות מדויקות בשל רמות הרעש הגבוהות בתמונות מיקרוסקופיה. בדרך כלל, תמונות לניתוח מורפולוגי של המיטוכונדריה כוללות מספר רב של מיטוכונדריה, מה שהופך את הפילוח הידני למייגע. גישות מתמטיות כמו MorphoLibJ5 וגישות למידת מכונה מפוקחות למחצה כמו Weka6 הן תובעניות מאוד ודורשות ידע מקצועי. סקירה של טכניקות ניתוח התמונה עבור מיטוכונדריה7 הראתה כי טכניקות מבוססות למידה עמוקה עשויות להיות שימושיות למשימה. ואכן, פילוח תמונות בתמונות מחיי היומיום עבור יישומים כגון נהיגה עצמית עבר מהפכה עם השימוש במודלים מבוססי למידה עמוקה.
למידה עמוקה היא תת-קבוצה של למידת מכונה המספקת אלגוריתמים שלומדים מכמויות גדולות של נתונים. אלגוריתמים מפוקחים של למידה עמוקה לומדים קשרים מקבוצות גדולות של תמונות המבוארות עם תוויות האמת הקרקעית (GT) שלהן. האתגרים בשימוש בלמידה עמוקה מפוקחת לפילוח מיטוכונדריה בתמונות מיקרוסקופיה פלואורסצנטית הם כפולים. ראשית, למידה עמוקה מפוקחת דורשת מערך נתונים גדול של תמונות אימון, ובמקרה של מיקרוסקופיה פלואורסצנטית, אספקת מערך נתונים גדול זה תהיה משימה נרחבת בהשוואה לשימוש בתמונות מסורתיות מבוססות מצלמה הזמינות בקלות רבה יותר. שנית, תמונות מיקרוסקופיה פלואורסצנטיות דורשות ביאורים GT של האובייקטים המעניינים בתמונות האימון, שהיא משימה מייגעת הדורשת ידע מקצועי. משימה זו יכולה בקלות לקחת שעות או ימים מזמנו של המומחה לתמונה אחת של תאים עם מבנים תת-תאיים המסומנים באופן פלואורסצנטי. יתר על כן, וריאציות בין ביאורים מהווים בעיה. כדי להסיר את הצורך בביאור ידני, וכדי להיות מסוגלים למנף את הביצועים המעולים של טכניקות למידה עמוקה, נעשה כאן שימוש במודל סגמנטציה מבוסס למידה עמוקה שהוכשר על תמונות מדומות. סימולטורים מבוססי פיזיקה מספקים דרך לחקות ולשלוט בתהליך היווצרות התמונה במיקרוסקופ, ומאפשרים יצירת תמונות של צורות ידועות. תוך שימוש בסימולטור מבוסס פיזיקה, נוצר לשם כך מערך נתונים גדול של תמונות מיקרוסקופיה פלואורסצנטיות מדומות של מיטוכונדריה.
הסימולציה מתחילה ביצירת גיאומטריה באמצעות עקומות פרמטריות ליצירת צורה. פולטים ממוקמים באופן אקראי על פני הצורה באופן מפוזר באופן אחיד כך שהצפיפות תואמת את ערכי הניסוי. פונקציית התפשטות נקודה תלת-ממדית (PSF) של המיקרוסקופ מחושבת באמצעות קירוב יעיל מבחינה חישובית8 של מודל גיבסון-לני9. כדי להתאים באופן הדוק את התמונות המדומות לתמונות ניסיוניות, הן הזרם הכהה והן רעש הצילום מדומים כדי להשיג ריאליזם של תמונות. ה- GT הפיזי נוצר בצורה של מפה בינארית. הקוד ליצירת מערך הנתונים ולאימון מודל הסימולציה זמין10, והשלב ליצירת מערך נתונים מדומה זה מתואר באיור 1.
אנו מציגים את התועלת של סגמנטציה מבוססת למידה עמוקה המאומנת כולה על מערך נתונים מדומה על ידי ניתוח תמונות מיקרוסקופיה קונפוקלית של קרדיומיובלסטים קבועים. קרדיומיובלסטים אלה ביטאו סמן פלואורסצנטי בקרום החיצוני של המיטוכונדריה, מה שאפשר הדמיה של המיטוכונדריה בתמונות המיקרוסקופיה הפלואורסצנטית. לפני ביצוע הניסוי שניתן כדוגמה כאן, התאים היו משוללים גלוקוז והותאמו לגלקטוז במשך 7 ימים בתרבית. החלפת גלוקוז במצע הגדילה בגלקטוז מאלצת את התאים בתרבית להפוך לחמצון יותר, ובכך להיות תלויים במיטוכונדריה שלהם לייצור אנרגיה11,12. יתר על כן, זה הופך את התאים לרגישים יותר לפגיעה במיטוכונדריה. שינויים במורפולוגיה של המיטוכונדריה יכולים להיות מושרים באופן ניסיוני על-ידי הוספת חומר אי-חיבור מיטוכונדריאלי כגון קרבוניל ציאניד m-כלורופניל הידרזון (CCCP) לתרבית התאים13. CCCP מוביל לאובדן הפוטנציאל של קרום המיטוכונדריה (ΔΨm) ובכך גורם לשינויים במיטוכונדריה ממורפולוגיה צינורית יותר (דמוית מוט) למורפולוגיה כדורית יותר (דמוית נקודה)14. בנוסף, המיטוכונדריה נוטה להתנפח במהלך טיפול CCCP15. אנו מציגים את ההתפלגות המורפולוגית של השינויים במיטוכונדריה כאשר הקרדיומיובלסטים המותאמים לגלקטוז טופלו ב-CCCP המיטוכונדריאלי. פילוחי הלמידה העמוקה של המיטוכונדריה אפשרו לנו לסווג אותם כנקודות, מוטות או רשתות. לאחר מכן גזרנו מדדים כמותיים כדי להעריך את אורכי הענפים ואת השפע של הפנוטיפים המיטוכונדריאליים השונים. שלבי הניתוח מתוארים באיור 2, והפרטים של תרבית התאים, ההדמיה, יצירת מערך הנתונים לסגמנטציה מבוססת למידה עמוקה, כמו גם הניתוח הכמותי של המיטוכונדריה, מובאים להלן.
אנו דנים באמצעי זהירות הקשורים לשלבים הקריטיים בפרוטוקול בפסקאות על “יצירת גיאומטריה” ו”פרמטרים של סימולטור “. הפסקה שכותרתה “למידת העברה” דנה בשינויים לתפוקה גבוהה יותר בעת הסתגלות למיקרוסקופים מרובים. הפסקאות על “ניתוח חלקיקים” ו”יצירת מבנים תת-תאיים אחרים” מתייחסות ליישומים עתידיים של שיטה זו. הפסקה על “ההבדל מהאמת הביולוגית” דנה בסיבות השונות לכך שהסימולציות יכולות להיות שונות מנתונים אמיתיים והאם הסיבות הללו משפיעות על היישום שלנו. לבסוף, נדון בתרחיש מאתגר לשיטתנו בפסקה “מבנים צפופים”.
יצירת גיאומטריה
כדי ליצור את הגיאומטריה התלת-ממדית של המיטוכונדריה, מבנה דו-ממדי פשוט שנוצר מעקומות b-spline כשלדים פועל היטב ליצירת מערך הנתונים הסינתטי. צורות סינתטיות אלה מחקות באופן הדוק את צורות המיטוכונדריה שנצפו בתרביות תאים דו-ממדיות. עם זאת, במקרה של רקמה תלת ממדית כגון רקמת לב, הצורה והסידור של המיטוכונדריה שונים למדי. במקרים כאלה, הביצועים של מודל הסגמנטציה עשויים להשתפר עם תוספת של כיווניות בתמונות המדומות.
פרמטרים של סימולטור
יש לנקוט משנה זהירות בעת הגדרת הפרמטרים של הסימולטור כדי לוודא שהם תואמים לאלה של הנתונים שעליהם יש להפעיל את ההסקה, שכן אי ביצוע פעולה זו עלול להוביל לביצועים נמוכים יותר בפילוח. פרמטר אחד כזה הוא טווח יחס האות לרעש (SNR). טווח ה- SNR של הנתונים שייבדקו צריך להתאים לערכים של ערכת הנתונים המדומה. בנוסף, ה-PSF שבו נעשה שימוש צריך להתאים לזה של נתוני בדיקת היעד. לדוגמה, אין להשתמש בתמונות שהוכשרו על-ידי מודלים מ-PSF קונפוקלי כדי לבדוק תמונות ממיקרוסקופ אפי-פלואורסצנטי. פרמטר נוסף שיש לשים לב אליו הוא השימוש בהגדלה נוספת בנתוני הבדיקה. אם נעשה שימוש בהגדלה נוספת בנתוני הבדיקה, יש להגדיר גם את הסימולטור כראוי.
העברת למידה
למידת העברה היא תופעה של מינוף מודל נלמד המאומן על משימה אחת לשימוש במשימה אחרת. תופעה זו חלה גם על הבעיה שלנו ביחס לסוגים שונים של נתוני מיקרוסקופ. המשקלים של מודל הסגמנטציה (המסופק עם קוד המקור) המאומן על סוג אחד של נתוני מיקרוסקופיה יכולים לשמש לאתחול מודל סגמנטציה לשימוש בסוג אחר של נתוני מיקרוסקופ אופטי. זה מאפשר לנו להתאמן על תת-קבוצה קטנה משמעותית של מערך נתוני האימון (3,000 תמונות לעומת 10,000), ובכך להפחית את העלויות החישוביות של הסימולציה.
ניתוח חלקיקים
ניתן לבצע ניתוח חלקיקים גם על המסכות המקוטעות. זה יכול לספק מידע על האזור והעקמומיות וכו ‘, של המיטוכונדריה הבודדת. מידע זה יכול לשמש גם כמדדים להשוואה כמותית של מיטוכונדריה (שאינה משמשת לניסוי זה). לדוגמה, כיום אנו מגדירים את מורפולוגיה של הנקודה באמצעות סף המבוסס על אורך המיטוכונדריה. זה עשוי להיות שימושי, במקרים מסוימים, לשלב אליפטיות כדי להפריד טוב יותר מיטוכונדריה קטנה דמוית מוט מפונקטה או מיטוכונדריה דמוית נקודה. לחלופין, אם תנאים ביולוגיים מסוימים גורמים למיטוכונדריה להתכרבל, אז כימות העקמומיות עשוי לעניין את ניתוח אוכלוסיית המיטוכונדריה.
יצירת מבנים תת-תאיים אחרים
סגמנטציה מבוססת פיזיקה של מבנים תת-תאיים הוכחה עבור מיטוכונדריה ובועיות1. אף על פי ששלפוחיות מציגות צורות שונות, גודלן קטן יותר, והן מופיעות ככדורים פשוטים כאשר הן נצפות דרך מיקרוסקופ פלואורסצנטי. לפיכך, הגיאומטריה של שלפוחית מדומה באמצעות מבנים כדוריים של טווח קוטר מתאים. משמעות הדבר היא ששינוי בפונקציה יוצר את הגיאומטריה (צילינדרים במקרה של מיטוכונדריה וכדורים במקרה של שלפוחית) של המבנים והפרמטרים המתאימים (שלב 5.4 בסעיף הפרוטוקול). מבחינה גאומטרית, הרשתית האנדופלסמית והמיקרוטובולים הודגמו גם הם כמבנים צינוריים17. מידול הרשתית האנדופלסמית בקוטר 150 ננומטר ומיקרוטובולים בקוטר חיצוני ממוצע של 25 ננומטר וצינור חלול פנימי בקוטר 15 ננומטר מספק קירובים של הצורות של מבנים אלה. פרמטר נוסף שישתנה עבור כל אחד מהמבנים התת-תאיים הללו הוא צפיפות הפלואורופור. זה מחושב על סמך התפלגות הביומולקולה שאליה נקשרים הפלואורופורים וההסתברות להיקשר.
הבדל מהאמת הביולוגית
הנתונים המדומים המשמשים לאימון בפיקוח סימולציה של מודל הלמידה העמוקה שונים מנתונים אמיתיים במובנים רבים. (i) היעדר תיוג לא ספציפי בנתונים המדומים שונה מנתונים אמיתיים, שכן לעתים קרובות יש פלואורופורים צפים חופשיים בנתונים האמיתיים. פעולה זו גורמת לערך רקע ממוצע גבוה יותר בתמונה האמיתית. הבדל זה מצטמצם על ידי התאמת ה- SNR והגדרת ערך הרקע כך שיתאים לערכים הממשיים שנצפו. (ii) התנועה של מבנים תת-תאיים ופוטוקינטיקה הם שני מקורות לדינמיקה במערכת. מבנים נעים בתאים חיים (הנעים בטווח של כמה אלפיות שניה) גורמים לטשטוש תנועה. זמן החשיפה מתקצר במהלך רכישת נתונים אמיתיים כדי למנוע את אפקט הטשטוש. מצד שני, איננו מדמים הילוך מהיר ומניחים מבנים חסרי תנועה; הנחה זו תקפה כאשר זמן החשיפה בנתונים האמיתיים קטן. עם זאת, הנחה זו עלולה לגרום לשגיאה בפלט אם זמן החשיפה של הנתונים האמיתיים גדול מספיק כדי להציג טשטוש תנועה. פוטוקינטיקה, לעומת זאת, היא בסדר גודל של ננו-שניות עד מיקרו-שניות וניתן להשמיט אותה בסימולציה, שכן זמני החשיפה הרגילים של ניסויים ארוכים מספיק (בסדר גודל של אלפיות השנייה) כדי לממוצע את ההשפעות של פוטוקינטיקה. (iii) לרעש בתמונות מיקרוסקופ יש מקורות שונים, ולמקורות אלה יש פונקציות צפיפות הסתברות שונות. במקום למדל את מקורות הרעש האינדיבידואליים האלה, אנו מעריכים אותו כרעש גאוס על רקע קבוע. הבדל זה אינו משנה באופן משמעותי את התפלגות הנתונים עבור התנאים של יחס אות לרקע נמוך (בטווח של 2-4) וכאשר מתמודדים עם צפיפות המאקרו של פלואורופורים1. (iv) ממצאים בהדמיה יכולים לנבוע מסטיות, סחף וטשטוש שיטתי. אנו מניחים שהמיקרוסקופ מיושר היטב ושהאזורים שנבחרו לניתוח בנתונים האמיתיים נטולי ממצאים אלה. קיימת גם אפשרות לדגמן חלק מהממצאים הללו ב- PSF18,19,20.
מבנים צפופים
הקשיים באי היכולת להבדיל בין מוטות חופפים לרשתות הם בעיה מתמשכת בפילוח נתוני מיקרוסקופיה דו-ממדית. תרחיש מאתגר ביותר מוצג באיור 5, שבו המיטוכונדריה ארוזה בצפיפות, מה שמוביל לתוצאות תת-אופטימליות במודל הסגמנטציה ובניתוח הבא. למרות האתגר הזה, שימוש באופרטורים מורפולוגיים במצבים כאלה כדי לרזות את השלד יכול לעזור לשבור את הרשתות המחוברות יתר על המידה הללו תוך מתן אפשרות לזהות שינויים משמעותיים בכל קטגוריות המורפולוגיה המיטוכונדריאלית. בנוסף, השימוש במיקרוסקופ קונפוקלי ולא במיקרוסקופ שדה רחב להדמיה הוא אחת השיטות למתן באופן חלקי בעיה זו על ידי סילוק אור מחוץ לממוקד. יתר על כן, בעתיד, יהיה זה שימושי לבצע סגמנטציה תלת-ממדית כדי להבדיל בין מיטוכונדריה המצטלבת (כלומר, יוצרת פיזית רשת) לבין מיטוכונדריה דמוית מוט שהקרנותיה במישור יחיד חופפות זו לזו.
פילוח למידה עמוקה הוא כלי מבטיח המציע להרחיב את יכולות הניתוח של משתמשי מיקרוסקופיה, ובכך לפתוח את האפשרות של ניתוח אוטומטי של נתונים מורכבים ומערכי נתונים כמותיים גדולים, אשר בעבר היה בלתי ניתן לניהול.
The authors have nothing to disclose.
המחברים מודים על הדיון עם עריף אחמד סח’. זמברלאל בהוג’בל מוכר כמי שסייע בבניית תאי H9c2 היציבים. אנו מכירים במימון הבא: מענק התחלת ERC מס’ 804233 (ל- K.A.), מענק מחקר להתחדשות מדעית מס’ 325741 (ל- D.K.P.), מענק רשות הבריאות האזורית של צפון נורבגיה מס’ HNF1449-19 (Å.B.B.), ופרויקט המימון התמטי של UiT VirtualStain עם 2061348 מזהה פרויקט כריסטין (D.K.P., Å.B.B., K.A., ו- A.H.).
12-well plate | FALCON | 353043 | |
Aqueous Glutaraldehyde EM Grade 25% | Electron Microscopy Sciences | 16200 | |
Axio Vert.A1 | Zeiss | Brightfield microscope | |
CCCP | Sigma-Aldrich | C2759 | |
Computer | n/a | n/a | Must be running Linux/Windows Operating System having an NVIDIA GPU with at least 4GB of memory |
Coverslips | VWR | 631-0150 | |
DAPI (stain) | Sigma-Aldrich | D9542 | |
DMEM | gibco | 11966-025 | |
Fetal Bovine Serum | Sigma-Aldrich | F7524 | |
Glass Slides (frosted edge) | epredia | AA00000112E01MNZ10 | |
H9c2 mCherry-EGFP-OMP25 | In-house stable cell line derived from purchased cell line | ||
Incubator | Thermo Fisher Scientific | 51033557 | |
LSM 800 | Zeiss | Confocal Microscope | |
Mounting Media (Glass) | Thermo Fisher Scientific | P36980 | |
Paraformaldehyde Solution, 4% in PBS | Thermo Fisher Scientific | J19943-K2 | |
Plan-Apochromat 63x oil (M27) objective with an NA of 1.4 | Zeiss | 420782-9900-000 | |
Sterile laminar flow hood | Labogene | SCANLAF MARS | |
Trypsin | Sigma-Aldrich | T4049 | |
Vacusafe aspiration system | VACUUBRAND | 20727400 | |
ZEN 2.6 | Zeiss |