ACCT는 2D 이미지 분할을 위한 기계 학습을 사용하는 빠르고 접근 가능한 자동 세포 계수 도구입니다.

Scientific Reports 13권, 기사 번호: 8213(2023) 이 기사 인용

460 액세스

1 알트메트릭

측정항목 세부정보

세포 수를 계산하는 것은 신경과학에서 질병 진행을 추적하는 초석입니다. 이 프로세스에 대한 일반적인 접근 방식은 숙련된 연구원이 이미지 내에서 셀을 개별적으로 선택하고 계산하도록 하는 것입니다. 이는 표준화하기 어려울 뿐만 아니라 시간도 많이 소요됩니다. 이미지의 셀 수를 자동으로 계산하는 도구가 있지만 이러한 도구의 정확성과 접근성을 향상시킬 수 있습니다. 따라서 우리는 새로운 도구 ACCT를 소개합니다. 훈련 가능한 Weka 분할을 통한 자동 셀 계산. 사용자 중심 훈련 후 객체 분할을 통해 유연한 자동 셀 계산이 가능합니다. ACCT는 공개적으로 이용 가능한 뉴런 이미지와 면역형광 염색 소교세포의 사내 데이터 세트를 비교 분석하여 입증되었습니다. 비교를 위해 두 데이터 세트 모두 수동으로 계산되어 클러스터 컴퓨팅이나 고급 데이터 준비 없이도 정확한 방식으로 세포를 자동으로 정량화하는 접근 가능한 수단으로 ACCT의 적용 가능성을 입증했습니다.

면역형광 이미지에서 세포를 정량화하는 것은 오랫동안 연구에 사용되는 현미경 데이터 분석에 시간과 노력이 필요한 제한적인 단계였습니다. 이러한 선택적 이미지 분석 기술은 귀중한 생리학적 정보를 제공할 수 있으며 숙련된 전문가가 수동으로 계산하는 것은 정량화에 대한 "최적 표준"으로 여겨져 왔습니다1,2.

여기서는 자동 세포 계산 방법과 비교하기 위해 여러 명의 개별 관찰자의 완전한 수동 계산을 사용했습니다. 전통적으로 세포 정량화의 일관성을 유지하는 중요한 측면은 이상적으로는 실험 조건에 대해 눈이 먼 채 정확성과 재현성을 위해 노력하는 단일 관찰자가 데이터세트를 계산하도록 하는 것이었습니다. 이는 인력 증가가 항상 속도 증가로 이어지는 것은 아니기 때문에 세포 계수 데이터를 처리할 수 있는 속도를 크게 제한합니다. 수동 계산은 사람의 실수와 피로로 인해 데이터 세트 전체의 재현성과 일관성에 어려움을 겪을 수 있습니다. 이러한 문제는 이미지 개수에 관계없이 일관성을 유지하는 계산 모델을 활용하면 피할 수 있습니다.

이를 위해 여기 ACCT: GitHub(https://github.com/tkataras/Automatic-Cell-counting-with-TWS.git)에 호스팅된 Trainable Weka Segmentation(TWS)을 사용한 자동 셀 계산을 소개합니다. TWS는 ImageJ, Python 및 BeanShell3,4의 스크립트를 통해 제공되는 추가 이미지 처리 잠재력과 함께 액세스 가능한 자동 세포 계수 방법을 위한 기계 학습 기반을 제공합니다. TWS 프로그램은 셀 픽셀과 비셀 픽셀을 구별하는 기계 학습 분류기를 훈련하고 적용하기 위한 그래픽 사용자 인터페이스(GUI)를 제공합니다. 그런 다음 픽셀은 셀 개체로 그룹화되고 계산됩니다. ACCT는 이 픽셀 분할을 중심으로 구축되어 세포 수준에서 정량적 검증을 제공하고 최적의 분류기 선택 및 적용을 지원합니다(그림 1). ACCT는 사용자가 제공하는 단일 채널 이미지를 처리합니다. 여러 채널이 있는 이미지는 한 번에 하나의 채널을 표시하고 각 채널에 대해 개별적으로 이미지 세트를 처리하는 이미지 복사본을 사용하여 분석할 수 있습니다.

이 연구에서는 다양한 이미징 상황에서 성능을 보여주기 위해 두 가지 데이터 세트가 사용되었습니다. 사용된 첫 번째 데이터세트는 인간 면역결핍 바이러스-1(HIV-1)5의 외피 단백질 gp120의 형질전환 발현에 의해 유발된 면역 및 염증 활성화 조건이 있거나 없는 생쥐의 이미지화된 미세아교세포로 구성됩니다. NeuroHIV(HIVgp120tg 마우스)의 이 모델은 수동 카운트에서 관찰 가능한 결과를 제공합니다. HIVgp120(이하 활성화됨) 존재 시 소교세포 증가와 바이러스 단백질 부재 시(비형질전환 동배 대조군, 휴식). ACCT는 그림 2에 표시된 이미지와 미세아교세포 수의 차이를 평가하는 데 사용되었습니다. 자동 계산 방법이 실험적 맥락에서 효과적이려면 실험 조건6으로 인한 데이터 표현의 가변성을 수용할 수 있어야 합니다. Microglia는 면역형광 염색을 통해 이미지화할 때 형태와 모양을 변경하는 활성화 중에 형태학적 변화를 겪는 것으로 알려져 있습니다. 우리는 세포 유형별 마커이며 미세아교세포를 시각화할 수 있는 이온화된 칼슘 결합 어댑터 단백질-1(Iba-1)에 대해 면역형광으로 표지된 세포의 이미지 데이터 세트에 중점을 둡니다. 그러나 방법론과 그에 수반되는 스크립트를 사용하면 다양한 이미징 상황에서 세포를 자동으로 정량화할 수 있습니다.