معلومة

البحث عن مشكلة تجزئة الخلايا الصلبة

البحث عن مشكلة تجزئة الخلايا الصلبة


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

أنا فيزيائي أعمل على تقنية جديدة لتجزئة الصور ، وأود اختبارها عن طريق تجزئة بعض الصور ذات الخلايا منخفضة الدقة على خلفية صاخبة ... هل تعرف أين يمكنني العثور على مثل هذه الصور؟ شكرا!


تجزئة الصورة للعثور على الخلايا في الصور البيولوجية

لدي مجموعة من صور الخلايا وأريد استخراج مكان الخلايا. أنا أستخدم حاليًا تحويلات Hough الدائرية وهي تعمل بشكل جيد ، لكن يتم تثبيتها بانتظام. أتساءل عما إذا كان لدى الناس أي مؤشرات. عذرًا ، هذا ليس سؤالًا خاصًا بالبرنامج - إنه كيفية الحصول على أداء أفضل في مشكلة تجزئة الصورة.

لقد جربت أشياء أخرى في الكشط بنجاح محدود ، مثل اكتشاف الكفاف ، واكتشاف الحواف ، والحواف النشطة. لم ينجح أي شيء بشكل جيد ، على الرغم من أنني لم أعبث بالمعلمات بشكل صحيح. لم أفعل الكثير من تجزئة الصور ، ولا أعرف حقًا كيف تعمل هذه الأشياء أو ما هي أفضل الطرق لتلاعبها بهيئة المحلفين.

هذا هو الكود الذي أستخدمه حاليًا والذي يأخذ صورة ذات تدرج رمادي كمصفوفة متداخلة ويبحث عن الخلية كدائرة:

فيما يلي مثال حيث وجد الرمز دائرة خاطئة كحدود للخلية. يبدو أنه قد تم الخلط بينه وبين المادة اللزجة التي تحيط بالخلية:


ملخص المؤلف

يمكن لتجارب الفحص المجهري الآلية أن تولد مجموعات بيانات ضخمة ، مما يسمح بتحليل مفصل لفسيولوجيا الخلية وخصائصها مثل التعبير الجيني. على وجه الخصوص ، أثبتت القياسات الديناميكية للتعبير الجيني باستخدام الفحص المجهري الفاصل الزمني أنها لا تقدر بثمن لفهم كيفية عمل شبكات تنظيم الجينات. ومع ذلك ، لا تزال معالجة الصور تمثل عنق الزجاجة الرئيسي في خط أنابيب التحليل ، وتتطلب عادةً تدخلاً بشريًا و لاحقة يتم المعالجة. في الآونة الأخيرة ، بشرت النهج القائمة على التعلم الآلي في حقبة جديدة من تحليل الصور السريع والمستقل. في هذا العمل ، نستخدم خوارزمية التعلم العميق U-Net وإعادة توظيفها لتطوير خط أنابيب لمعالجة الصور لا يمكنه فقط تحديد موقع الخلايا في الصورة بدقة ، ولكن أيضًا تعقبها بمرور الوقت أثناء نموها وانقسامها. كتطبيق ، نركز على أفلام الفاصل الزمني المتعددة الساعات للبكتيريا التي تنمو في جهاز ميكروفلويديك. تعد الخوارزمية الخاصة بنا دقيقة وسريعة ، حيث تقترب معدلات الخطأ من 1٪ وتتطلب أقل من ثانية لتحليل إطار فيلم نموذجي. هذه الزيادة في السرعة والدقة لديها القدرة على فتح طرق تجريبية جديدة ، على سبيل المثال حيث يتم تحليل الصور أثناء التنقل بحيث يمكن تحديث الظروف التجريبية في الوقت الفعلي.

الاقتباس: Lugagne J-B و Lin H و Dunlop MJ (2020) DeLTA: التجزئة الآلية للخلايا والتتبع وإعادة بناء النسب باستخدام التعلم العميق. بلوس كومبوت بيول 16 (4): e1007673. https://doi.org/10.1371/journal.pcbi.1007673

محرر: Anand R. Asthagiri ، جامعة نورث إيسترن ، الولايات المتحدة

تم الاستلام: 1 أغسطس 2019 وافقت: 22 يناير 2020 نشرت: 13 أبريل 2020

حقوق النشر: © 2020 Lugagne et al. هذا مقال مفتوح الوصول يتم توزيعه بموجب شروط ترخيص Creative Commons Attribution License ، والذي يسمح بالاستخدام غير المقيد والتوزيع والاستنساخ في أي وسيط ، بشرط ذكر المؤلف والمصدر الأصليين.

توافر البيانات: جميع البيانات ذات الصلة موجودة داخل المخطوطة وملفات المعلومات الداعمة الخاصة بها.

التمويل: تم دعم هذا العمل من خلال منح المعاهد الوطنية للصحة R01AI102922 و R21AI137843 ومن قبل مكتب العلوم (BER) في منحة وزارة الطاقة الأمريكية DE-SC0019387. لم يكن للممولين أي دور في تصميم الدراسة أو جمع البيانات وتحليلها أو اتخاذ قرار النشر أو إعداد المخطوطة.

تضارب المصالح: وقد أعلن الباحثون إلى أن لا المصالح المتنافسة موجودة.


1 المقدمة

أصبح التصوير بالمجهر الإلكتروني على نطاق واسع أداة ذات أهمية متزايدة في مختلف مجالات علم الأحياء. كانت هذه التقنية رائدة من خلال الجهود المبذولة لرسم خرائط للدوائر العصبية للحيوانات الصغيرة بدقة متشابكة للحصول على ما يسمى بالشبكة العصبية. في الثمانينيات ، وايت وآخرون. [37] قاموا برسم الشبكة العصبية الكاملة لـ C. elegans في جهد تتبع يدوي امتد لأكثر من عقد من الزمان. منذ ذلك الحين ، زاد إنتاجية التصوير الكهرومغناطيسي بعدة أوامر من حيث الحجم بفضل الابتكارات مثل القسم التسلسلي متعدد الحزم EM [10] ، والتطريز بالسكين الساخن [13] أو الطحن العنقودي الغازي [13]. وهذا يسمح بتصوير كميات أكبر بكثير تصل إلى الدماغ الكامل ليرقة ذبابة الفاكهة [11] وحتى ذبابة الفاكهة البالغة [41]. في الآونة الأخيرة ، أصبحت الدراسات المستندة إلى EM على نطاق واسع أكثر شيوعًا في مجالات أخرى من علم الأحياء أيضًا [27 ، 29 ، 33].

نظرًا للكم الهائل من البيانات التي تم إنشاؤها ، يعد التحليل الآلي للصور المكتسبة أحد الخطوات الرئيسية التي تتمثل في تجزئة الخلايا أو الخلايا العصبية أو العضيات الخلوية على سبيل المثال. في السنوات الأخيرة ، زادت دقة خوارزميات التجزئة الآلية بشكل كبير بفضل ظهور الأدوات القائمة على التعلم العميق في رؤية الكمبيوتر وتطوير الشبكات العصبية التلافيفية (CNN) للتجزئة الدلالية والمثيلات

[3 ، 12 ، 22 ، 16]. ومع ذلك ، ليس من الجيد حتى الآن التخلي تمامًا عن قراءة الإثباتات البشرية. من بين جميع مشاكل تحليل الصور الكهرومغناطيسية ، تبين أن تجزئة الخلايا العصبية صعبة بشكل خاص [16] بسبب القطر الصغير والمدى الطويل للخلايا العصبية والخلايا النجمية ، لكن مشاكل التجزئة الكهرومغناطيسية الأخرى لم يتم تشغيلها آليًا بالكامل أيضًا. تكمن إحدى الجوانب السلبية الرئيسية لمقاربات التجزئة القائمة على CNN في مجال رؤيتها المحدود مما يجعلها تعتمد بشكل مفرط على أدلة الحدود المحلية. تلطيخ المعادن الثقيلة المستخدمة في إعداد عينة EM تلطيخ جميع الخلايا بشكل عشوائي وتفرض خوارزميات التجزئة على الاعتماد على اكتشاف غشاء الخلية لفصل الكائنات المرتبطة بالغشاء. يمكن أن يؤدي تلطيخ القطع الأثرية أو مشكلات المحاذاة إلى إضعاف هذا الدليل بشدة وغالبًا ما يتسبب في أخطاء دمج خاطئة حيث يتم دمج الكائنات المنفصلة في واحدة. من ناحية أخرى ، غالبًا ما تتسبب أغشية العضيات الخلوية أو الأجسام ذات القطر الصغير في حدوث أخطاء انقسام خاطئة حيث ينقسم هيكل واحد إلى عدة كائنات مجزأة.

يتجنب الخبراء البشريون العديد من هذه الأخطاء من خلال استغلال المعرفة المسبقة الإضافية حول شكل الكائن المتوقع أو القيود من البيولوجيا عالية المستوى. بعد هذه الملاحظة ، تم إدخال العديد من الخوارزميات مؤخرًا لتمكين اكتشاف الأخطاء المورفولوجية في الكائنات المجزأة [31 ، 42 ، 9]. من خلال النظر إلى كائنات كاملة بدلاً من حفنة من وحدات البكسل ، يمكن لهذه الخوارزميات تحسين دقة التجزئة الأولية بشكل كبير. بالإضافة إلى المعايير المورفولوجية البحتة ، كراسوفسكي وآخرون. في [18] اقترح خوارزمية لاستغلال السوابق البيولوجية مثل مزيج غير متوافق من عناصر البنية التحتية.

بناءً على هذا العمل السابق ، تقدم هذه المساهمة نهجًا عامًا للاستفادة من المعرفة الخاصة بالمجال لتحسين دقة التجزئة. يسمح بدمج مجموعة كبيرة ومتنوعة من القواعد ، الصريحة أو المكتسبة من البيانات ، والتي يمكن التعبير عنها على أنها احتمالية أن تنتمي مناطق معينة في الصورة إلى نفس الكائن في التجزئة. يمكن أن تكون المناطق متناثر و / أو بعيد مكانيا. بمزيد من التفصيل ، نقوم بصياغة مشكلة التجزئة باستخدام قواعد مثل مشكلة تقسيم الرسم البياني مع حواف جذابة أو مثيرة للاشمئزاز بعيدة المدى.

الشكل 1: رسم خرائط المعرفة بالمجال لحواف الرفع المتناثرة لقشرة الثدييات (يسار) ودماغ دروفسيلا (وسط) وغرفة تشوانوسيت الإسفنجية (يمين). من البيانات الأولية (أ) إلى مشكلة الرسم البياني المحلية (ب) ذات الحواف الجذابة (الخضراء) والمثيرة للاشمئزاز (الحمراء). يتم تعيين معرفة المجال إلى العقد (ج) مما يؤدي إلى حواف مرفوعة (خضراء) مثيرة للاشمئزاز (حمراء) (د) للحصول على تجزئة نهائية (هـ). من أجل الوضوح ، نعرض فقط مجموعة فرعية من الحواف المرتفعة.

هورفناكوفا وآخرون. في [15] أظهر أن هذه المشكلة ، التي أطلقوا عليها اسم Lifted Multicut لأنها تتوافق مع مشكلة تقسيم Multicut مع حواف مرفوعة إضافية (طويلة المدى) ، يمكن حلها في وقت معقول لأحجام مشكلة صغيرة ، بينما Beier et al. في [4] قدم حلًا تقريبيًا فعالًا. تم بالفعل تطبيق Multicut المرتفع مع حواف مرتفعة كثيفة قصيرة المدى على مشكلة تجزئة الخلايا العصبية [3]. هناك ، تم التعرف على أوزان الحواف المرتفعة مباشرة من مقاطع الأرض. في حين أن إدخال حواف مرتفعة كثيفة قصيرة المدى تعمل بالفعل على تحسين التجزئة مقارنةً بتقسيم Multicut العادي ، إلا أنها لا تسمح بالتعبير عن المعرفة البيولوجية الصريحة أو المكتسبة حول مورفولوجيا الكائن المعقد أو العلاقات بين الكيانات الدلالية المختلفة. استغلال هذه المعرفة هو الهدف من هذه المساهمة.

بالنسبة لمشكلة تجزئة الصورة ، يتوافق الرسم البياني في مشكلة تقسيم Multicut مع الرسم البياني المجاور للمنطقة لوحدات البكسل أو وحدات البكسل الفائقة. يمكن تعيين عقد الرسم البياني مباشرة إلى المواقع المكانية في الصورة. معرفة المجال المعبر عنها كقواعد أن بعض المواقع يجب أو لا يجب أن تنتمي إلى نفس الكائن يمكن بالتالي تقطيرها إلى حواف مرفوعة بين هذه المواقع. يتم اشتقاق أوزان هذه الحواف المرفوعة من صرامة القواعد ، والتي يمكن أن تتراوح بالعامية من "عادةً ما تفعل / لا تنتمي إلى نفس الكائن" إلى "دائمًا / لا تنتمي أبدًا إلى نفس الكائن".

نثبت صحة هذا النهج لثلاثة تطبيقات ، مع دمج أنواع مختلفة من معرفة المجال في إطار عمل multicut الذي تم رفعه:

استخدام مؤشرات إسناد محور عصبي / تغصن لتجنب عمليات الدمج بين العمليات العصبية المحورية والتغصنية ،

باستخدام مورفولوجيا الكائن المكتسب لاكتشاف وتصحيح العمليات العصبية المدمجة بشكل خاطئ و

استخدام التجزئة الدلالية للتركيبات البيولوجية لتقليل عدد الانقسامات الخاطئة في حالة تجزئة الخلايا الإسفنجية.

يعطي الشكل 1 نظرة عامة على التطبيقات الثلاثة. بالنسبة إلى الثلاثة ، تتيح لنا معرفة المجال الإضافية تحسين دقة التجزئة بشكل كبير. بهدف تطبيق الطريقة على البيانات ذات الحجم ذي الصلة بيولوجيًا ، نقدم بشكل إضافي أداة حل جديدة قابلة للتطوير لمشكلة multicut المرفوعة بناءً على عملنا السابق من [30].


تجزئة الخلايا وتتبعها في 4D

اهلا ياجماعة! أنا سعيد للغاية لأنني صادفت للتو هذا subreddit. لديّ تحدٍ كبير في بحثي الحالي عن تكوين الخلايا العصبية وأحب أي فكرة يمكن لأي شخص أن يقدمها هنا.

أقوم بالتقاط صور مجهرية ثنائية الفوتون للأدمغة الحية مثل Z-Stacks بمرور الوقت (4D T-Series). الآن ، أود تقسيم الخلايا العصبية باستخدام مورفولوجيا معينة وتتبعها أثناء انتقالها بمرور الوقت عبر X و Y و Z.

لقد جربت Trainable Weka Segmentation في ImageJ وهي الأجزاء ثلاثية الأبعاد فقط ، وما زلت أعمل على تدريب المصنف وتطبيقه على بقية المجموعات ، لمحاولة اكتشاف كيفية ربط المقاطع وتتبعها لاحقًا.

ومع ذلك ، لا تبدو هذه العملية الأكثر فاعلية ، لذلك أتساءل عما إذا كان لدى أي شخص خبرة في البرامج الأخرى أو المكونات الإضافية في ImageJ التي يمكنها تقسيم الأشكال الغريبة في صورة ثلاثية الأبعاد وإجراء التتبع في 4D في نفس البرنامج؟

سأكون ممتنًا إلى الأبد إذا كان لدى أي شخص أي نظرة ثاقبة من تجاربه الخاصة مع هذا النوع من البيانات.

آمل أيضًا أن يكون الجميع آمنين وبصحة جيدة في هذا الوقت المجنون!

تحرير: طُلب مني تقديم صورة. الصورة التي أرفقتها أدناه هي صورة مكبرة ، ومستوى واحد لما تبدو عليه الصور ، بعد تصحيح الحركة وبعض التعديل من أجل التباين. تخيل الصورة المرفقة كتكدس كبير مع 200 إطار Z و 18 نقطة زمنية لكل إطار. الخلايا التي أتطلع إلى تقسيمها وتتبعها هي الأرومات العصبية الطويلة المظهر للحيوانات المنوية ، وهي لحسن الحظ أكثر إشراقًا من الأنسجة المحيطة.


الملخص

التعرف على الكائنات الحبيبية أو الفقاعة عبارة عن مهمة معالجة صور ذات خلفية تطبيقية غنية ، تتراوح من تجزئة الخلية / النوى في علم الأحياء إلى التعرف على الجسيمات النانوية في الفيزياء. في هذه الدراسة ، قمنا بإنشاء إطار عمل جديد وشامل للتعرف على الأشياء الحبيبية. تجمع الكثافة المحلية و تحليل المكون المتصل تشكل المرحلة الأولى. لفصل الكائنات المتداخلة ، نقترح أيضًا نهجًا معدلًا لمستجمعات المياه يسمى حاجز متدرج، والتي تدمج بشكل أفضل معلومات تدرج الكثافة في إطار مستجمعات المياه الهندسية. نقوم أيضًا بمراجعة إجراء تحديد العلامات لدمج خطوة التجميع على جميع العلامات التي تم العثور عليها في البداية ، ومن المحتمل تجميع علامات متعددة داخل نفس الكائن. يتم بعد ذلك إجراء مستجمعات المياه في حاجز التدرج بناءً على تلك العلامات ، ويوجه تدرج الكثافة في الصورة مباشرةً تدفق المياه أثناء عملية الفيضان. نقترح أيضًا مخططًا مهمًا لاكتشاف الحواف وفصل المقدمة / الخلفية يسمى نهج لحظة الشدة. تظهر النتائج التجريبية لمجموعة متنوعة من الكائنات في تخصصات مختلفة - بما في ذلك صور الخلايا / النوى ، وصور المستعمرات البيولوجية ، وصور الجسيمات النانوية - فعالية الإطار المقترح.


البحث عن مشكلة تجزئة الخلايا الصلبة - علم الأحياء

خوارزمية عامة لتجزئة الخلية والنواة.

كتب هذا الكود كارسن سترينجر وماريوس باتشيتاريو. للتعرف على Cellpose ، اقرأ الجريدة أو شاهد الحديث. للحصول على الدعم ، يرجى فتح مشكلة.

إذا كنت ترغب في تحسين Cellpose لك وللآخرين ، فيرجى التفكير في المساهمة بالتقسيمات اليدوية لعدد قليل من صورك عبر واجهة المستخدم الرسومية المضمنة (انظر التعليمات أدناه).

Pytorch هو الآن برنامج الشبكة العصبية العميقة الافتراضي للخلية. سيظل Mxnet مدعومًا. لتثبيت mxnet (CPU) ، قم بتشغيل pip install mxnet-mkl. لاستخدام mxnet في جهاز كمبيوتر محمول ، قم بالإعلان عن torch = False عند إنشاء نموذج ، على سبيل المثال النموذج = النماذج ، الخلط (الشعلة = خطأ). لاستخدام mxnet في سطر الأوامر ، أضف العلم --mxnet ، على سبيل المثال python -m cellpose --dir

/ الصور / --mxnet. يعد تنفيذ pytorch أسرع بنسبة 20٪ من تنفيذ mxnet عند التشغيل على وحدة معالجة الرسومات و 20٪ أبطأ عند التشغيل على وحدة المعالجة المركزية.

يتم حساب الديناميكيات باستخدام الاستيفاء ثنائي الخطوط بشكل افتراضي بدلاً من أقرب أقرب جار. تعيين interp = False في model.eval لإيقاف التشغيل. سيكون الاستيفاء الثنائي الخطي أبطأ قليلاً على وحدة المعالجة المركزية ، ولكنه أسرع من أقرب جار في حالة استخدام المصباح وتم تمكين وحدة معالجة الرسومات.

قم بتشغيل cellpose بدون تثبيت بيثون محلي

يمكنك تجربة Cellpose على الموقع بسرعة أولاً (تم تعطيل بعض الميزات).

يمكنك أيضًا تشغيل Cellpose في google colab باستخدام وحدة معالجة الرسومات (GPU):

  • دفتر ملاحظات قائم على التعليمات البرمجية:
  • دفتر ملاحظات أكثر سهولة في الاستخدام للتجزئة ثنائية الأبعاد كتبه @ pr4deepr:
  • دفتر ملاحظات ZeroCostDL4Mic سهل الاستخدام يتضمن نماذج خلوية للتدريب ، كتبهguijacquemet:

يوصى باستخدام أجهزة الكمبيوتر المحمولة colab إذا كانت لديك مشكلات مع MKL أو تشغيل السرعة على جهاز الكمبيوتر المحلي لديك (وتقوم بتشغيل وحدات تخزين ثلاثية الأبعاد). لا يسمح لك Colab بتشغيل واجهة المستخدم الرسومية ، ولكن يمكنك حفظ ملفات * _seg.npy في colab التي يمكنك تنزيلها وفتحها في واجهة المستخدم الرسومية.

ملف تنفيذي: يمكنك تنزيل ملف قابل للتنفيذ لـ نظام التشغيل Windows 10 أو ل نظام التشغيل Mac OS (High Sierra أو أعلى) تم تصنيعه باستخدام PyInstaller على معالجات Intel (يعمل تسريع MKL ، ولكن لا يدعم GPU). لاحظ أنه في كلتا الحالتين سيستغرق فتحه بضع ثوانٍ.

  • ال نظام التشغيل Mac OS سيتم تنزيل الملف بتنسيق cellpose_mac أو cellpose_mac.dms. ستحتاج إلى تحويله إلى ملف قابل للتنفيذ وتشغيله عبر الجهاز:
  • ال نظام التشغيل Windows 10 الملف هو exe ويمكنك النقر فوقه لتشغيل واجهة المستخدم الرسومية. يمكنك أيضًا التشغيل باستخدام واجهة سطر الأوامر ، على سبيل المثال مثل cellpose.exe --dir Pictures / --chan 2 - save_png

يتم دعم Linux و Windows و Mac OS لتشغيل الكود. لتشغيل الواجهة الرسومية ، ستحتاج إلى نظام تشغيل Mac OS أحدث من Yosemite. مطلوب ما لا يقل عن 8 جيجابايت من ذاكرة الوصول العشوائي لتشغيل البرنامج. قد تكون هناك حاجة إلى 16 جيجا بايت - 32 جيجا بايت للصور الأكبر والأحجام ثلاثية الأبعاد. تم اختبار البرنامج بشكل مكثف على نظامي التشغيل Windows 10 و Ubuntu 18.04 وأقل اختبارًا على نظام التشغيل Mac OS. الرجاء فتح مشكلة إذا كانت لديك مشاكل في التثبيت.

يجب أن تستغرق هذه العملية أقل من 5 دقائق.

  1. تثبيت توزيعة Anaconda من Python - اختر بايثون 3.7 ونظام التشغيل الخاص بك. لاحظ أنك قد تحتاج إلى استخدام موجه الأناكوندا إذا لم تقم بإضافة الأناكوندا إلى المسار.
  2. قم بتنزيل ملف environment.yml من المستودع. يمكنك القيام بذلك عن طريق استنساخ المستودع أو نسخ ولصق النص من الملف في مستند نصي على جهاز الكمبيوتر المحلي الخاص بك.
  3. افتح موجه الأوامر / anaconda مع conda لـ بيثون 3 في الطريق
  4. قم بتغيير الدلائل إلى حيث توجد environment.yml وتشغيل conda env create -f environment.yml
  5. لتنشيط هذه البيئة الجديدة ، قم بتشغيل conda activating cellpose
  6. يجب أن ترى (cellpose) على الجانب الأيسر من الخط الطرفي. الآن قم بتشغيل الخلية python -m وستكون جاهزًا تمامًا.

لترقية cellpose (الحزمة هنا) ، قم بتشغيل ما يلي في البيئة:

إذا كان لديك بيئة خلوية قديمة ، يمكنك إزالتها باستخدام conda env remove -n cellpose قبل إنشاء واحدة جديدة.

لاحظ أنه سيكون عليك دائمًا الجري كوندا تفعيل الخلية قبل تشغيل الخلية. إذا كنت ترغب في تشغيل دفاتر jupyter في هذه البيئة ، فقم أيضًا بتثبيت conda jupyter و pip install matplotlib.

إذا كنت تشعر بالمغامرة ، يمكنك أيضًا محاولة تثبيت cellpose من بيئتك الأساسية باستخدام الأمر

اذا كنت تمتلك مسائل مع التثبيت ، راجع المستندات للحصول على مزيد من التفاصيل ، ثم إذا فشلت الاقتراحات ، فافتح مشكلة.

إصدار GPU (CUDA) على نظام التشغيل Windows أو Linux

إذا كنت تخطط لتشغيل العديد من الصور ، فقد ترغب في تثبيت إصدار GPU من شعلة (إذا لم يكن مثبتًا بالفعل).

قبل تثبيت إصدار GPU ، قم بإزالة إصدار وحدة المعالجة المركزية:

اتبع التعليمات الموجودة هنا لتحديد الإصدار المراد تثبيته. يوصى بتثبيت Anaconda جنبًا إلى جنب مع الإصدار 10.2 من CUDA. على سبيل المثال ، سيقوم هذا الأمر بتثبيت الإصدار 10.2 على Linux و Windows (لاحظ أن أوامر torchvision و torchaudio تتم إزالتها لأن الخلية لا تتطلبهما):

بالنسبة لإصدار وحدة معالجة الرسومات من mxnet ، ستحتاج إلى تثبيت مجموعة أدوات cuda أولاً إذا لم تكن قد قمت بذلك بالفعل (على نظام Windows ، قد يكون من الضروري التثبيت عبر anaconda على النحو التالي):

عند ترقية GPU Cellpose في المستقبل ، سترغب في تجاهل التبعيات (لضمان عدم تثبيت إصدار النقطة للشعلة):

تركيب نسخة جيثب

اتبع الخطوات المذكورة أعلاه لتثبيت التبعيات. في مستودع github ، قم بتشغيل pip install -e. وسيتم تثبيت إصدار جيثب. إذا كنت تريد العودة إلى إصدار النقطة من cellpose ، فقل أن تثبيت pip هو cellpose.

أسرع طريقة للبدء هي فتح واجهة المستخدم الرسومية من محطة سطر الأوامر.قد تحتاج إلى فتح موجه الأناكوندا إذا لم تقم بإضافة الأناكوندا إلى المسار:

في المرة الأولى التي يتم فيها تشغيل الخلية ، يتم تنزيل أحدث أوزان النماذج المدربة المتوفرة من موقع الويب.

تستطيع الآن السحب والإفلات أي صور (* .tif ، * .png ، * .jpg ، * .gif) في واجهة المستخدم الرسومية وتشغيل Cellpose ، و / أو تقسيمها يدويًا. عند معالجة واجهة المستخدم الرسومية ، سترى شريط التقدم ممتلئًا وخلال هذا الوقت لا يمكنك النقر فوق أي شيء في واجهة المستخدم الرسومية. لمزيد من المعلومات حول ما تفعله واجهة المستخدم الرسومية ، يمكنك إلقاء نظرة على الجهاز / المطالبة التي فتحت بها واجهة المستخدم الرسومية. على سبيل المثال البيانات ، راجع موقع الويب أو مجلد google drive هذا. للحصول على أفضل دقة وأداء في وقت التشغيل ، قم بتغيير حجم الصور بحيث تكون الخلايا أقل من 100 بكسل عبرها.

  1. قم بتنزيل مجلد google drive وفك ضغطه. هذه مجموعة فرعية من صور الاختبار من الورق.
  2. ابدأ واجهة المستخدم الرسومية باستخدام خلية بيثون م.
  3. اسحب صورة من المجلد إلى واجهة المستخدم الرسومية.
  4. قم بتعيين النموذج (في العرض التوضيحي جميعًا cyto) والقناة التي تريد تقسيمها (في العرض التوضيحي كلها خضراء). اختياريا ، قم بتعيين القناة الثانية إذا كنت تقوم بتقسيم الخلايا ولديك قناة نواة متاحة.
  5. انقر فوق زر المعايرة لتقدير حجم الكائنات في الصورة. بدلاً من ذلك ، يمكنك ضبط قطر الخلية يدويًا والضغط على ENTER. سترى الحجم الذي قمت بتعيينه كقرص أحمر في الجزء السفلي الأيسر من الصورة.
  6. انقر فوق الزر تشغيل التجزئة. إذا تم تحديد MASKS ON ، فسترى أقنعة مرسومة على الصورة.
  7. يمكنك الآن النقر فوق مفاتيح الأسهم لليسار / لليمين للتنقل عبر المجلد وتقسيم صورة أخرى.

في الصور التوضيحية ، يجب تشغيل كل خطوة من هذه الخطوات في أقل من بضع ثوانٍ على كمبيوتر محمول قياسي أو سطح مكتب (مع عمل mkl).

بالنسبة إلى تيف متعدد القنوات ومتعدد Z ، يكون التنسيق المتوقع هو قنوات Z x x Ly x Lx.

المساهمة ببيانات التدريب

نحن متحمسون جدًا لتلقي مساهمات المجتمع في بيانات التدريب وإعادة تدريب نموذج السيتوبلازم لجعله أفضل. يرجى اتباع هذه الإرشادات:

  1. قم بتشغيل cellpose على بياناتك لمعرفة مدى نجاحها. حاول تغيير القطر ، مما قد يغير النتائج قليلاً.
  2. إذا كانت هناك أخطاء قليلة نسبيًا ، فلن يساعد كثيرًا في المساهمة بالبيانات المصنفة.
  3. إذا كانت هناك أخطاء متسقة ، فمن المحتمل أن تكون بياناتك مختلفة تمامًا عن أي شيء في مجموعة التدريب ، ويجب أن تتوقع تحسينات كبيرة من المساهمة حتى في عدد قليل من الصور المقسمة يدويًا.
  4. بالنسبة للصور التي تساهم بها ، يجب أن يكون قطر الخلايا 10 بكسل على الأقل ، ويجب أن يكون هناك على الاكثر عدة عشرات من الخلايا لكل صورة ، بشكل مثالي

إذا كنت تواجه مشكلات مع نموذج النواة ، فيرجى فتح مشكلة قبل المساهمة بالبيانات. صور Nucleus بشكل عام أقل تنوعًا بكثير ، ونعتقد أن مجموعة بيانات التدريب الحالية تغطي بالفعل مجموعة كبيرة جدًا من الأساليب.

تخدم واجهة المستخدم الرسومية وظيفتين رئيسيتين:

توجد نافذة تعليمات في واجهة المستخدم الرسومية توفر المزيد من الإرشادات وصفحة في الوثائق هنا. أيضًا ، إذا قمت بالمرور فوق كلمات معينة في واجهة المستخدم الرسومية ، فسيتم الكشف عن تعريفاتها كتلميحات أدوات. فيما يلي ملخص لوظائفهم:

قم بتشغيل خلية python -m وحدد المعلمات على النحو التالي. على سبيل المثال ، للتشغيل في مجلد يحتوي على صور حيث يكون السيتوبلازم أخضر والنواة زرقاء وحفظ الناتج بتنسيق png:

يمكنك تحديد القطر لجميع الصور أو ضبطه على 0 إذا كنت تريد أن تقوم الخوارزمية بتقديرها على أساس صورة على حدة. فيما يلي كيفية تشغيل البيانات النووية (تدرج الرمادي) حيث يتم تقدير القطر تلقائيًا:

يمكنك التحقق مما إذا كان cellpose يعمل على إصدار MKL (إذا كنت تستخدم وحدة المعالجة المركزية وليس GPU) عن طريق إضافة العلامة --check_mkl. إذا كنت لا تستخدم MKL cellpose سيكون أبطأ بكثير. فيما يلي أوقات تشغيل Cellpose مقسمة إلى الوقت الذي يستغرقه تشغيل الشبكة العصبية العميقة (DNN) ووقت المعالجة اللاحقة (تتبع التدرج ، والتجزئة ، ومراقبة الجودة ، وما إلى ذلك). يتم عرض وقت تشغيل DNN باستخدام إما GPU (Nvidia GTX 1080Ti) أو وحدة المعالجة المركزية (Intel 10-core 7900X) ، مع أو بدون تجميع الشبكة (4net vs 1net). يتشابه وقت تشغيل المعالجة اللاحقة بغض النظر عن التجميع أو إصدار وحدة المعالجة المركزية / وحدة معالجة الرسومات. يتم عرض وقت التشغيل لأحجام مختلفة للصور ، بقطر خلية يبلغ 30 بكسل (المتوسط ​​من مجموعة التدريب الخاصة بنا).

256 بكسل 512 بيكسل 1024 بيكسل
DNN (1net ، GPU) 0.054 ثانية 0.12 ثانية 0.31 ثانية
DNN (شبكة واحدة ، وحدة المعالجة المركزية) 0.30 ثانية 0.65 ثانية 2.4 ثانية
DNN (4net ، GPU) 0.23 ثانية 0.41 ثانية 1.3 ثانية
DNN (4net ، وحدة المعالجة المركزية) 1.3 ثانية 2.5 ثانية 9.1 ثانية
المعالجة اللاحقة (CPU) 0.32 ثانية 1.2 ثانية 6.1 ثانية

يعتمد cellpose على الحزم الممتازة التالية (التي يتم تثبيتها تلقائيًا مع conda / pip إذا كانت مفقودة):


أساليب

تم تحليل ما مجموعه 18 تسلسلًا للصور خماسية الأبعاد تُظهر الخلايا الجذعية العصبية للفأر البالغ والخلايا البطانية العصبية والأوعية الدموية. تم تصوير الخلايا الجذعية داخل مزرعة نباتية كاملة ثلاثية الأبعاد من المنطقة تحت البطينية (SVZ) في الدماغ. يتم تحديد كل موقع voxel 5-D على أنه (x,ذ,ض,ر,& # x003bb) أين & # x003bb يشير إلى إشارة مضان متعددة القنوات ، قناة واحدة للتصوير NSCs ، القناة الثانية تحتوي على الخلايا البطانية العصبية والأوعية الدموية. تم التقاط الأفلام على مجهرين في مختبرين مختلفين. تم تشريح أعداد SVZ الكاملة تحت مجهر تشريح كما هو موصوف سابقًا [7 ، 8] من الفئران المعدلة وراثيًا التي تعبر عن البروتين الفلوري الأخضر أو ​​الطماطم الفلوري الأحمر في الخلايا الجذعية العصبية (FVB / N-Tg (GFAPGFP) 14Mes / J ، مختبر جاكسون Ascl1 tm1 .1 (cre / ERT2) B6.Cg-Gt (ROSA) 26Sortm9 (CAG-tdTomato) ، NSCI). لفترة وجيزة ، تمت إزالة الدماغ وتقليصه إلى النصف وتقشير القشرة مرة أخرى للكشف عن SVZ. تم استخدام مشرط لعمل قطع مقاس 2 & # × 020134 مم على الجانب الخطي من SVZ وتم استخدام ملقط الساعات لقص SVZ على الجانبين الأمامي والخلفي ونقله بعناية إلى محلول ملحي يحتوي على 5 فوسفات. & # x003bcجم / مل Alexa Fluor 647 مترافق Isolectin GS-IB4 (تقنيات الحياة) على الجليد لمدة 20 دقيقة لتسمية البطانة العصبية والأوعية الدموية. تم نقل الأعداد الكاملة لـ SVZ من جانب SVZ إلى طبق ثقافة ذو قاع زجاجي (شركة MatTek) وتثبيتها عن طريق تغطية مادة Matrigel الخالية من عامل النمو (BD Biosciences) على الفور (4 & # x000b0C) مع 5٪ ثاني أكسيد الكربون لمدة 20 دقيقة للسماح لـ Matrigel بالتصلب. تمت إضافة وسط استزراع الشرائح حديثًا إلى طبق الاستزراع وتم وضع الطبق على مجهر متحد البؤر Zeiss LSM780 مجهز بعلبة بيئية مثبتة عند 37 & # x000b0C و 5٪ CO2. تم ضبط الثقب على 2 AU و Z stacks (25 1 & # x003bcm خطوات) كل 20 دقيقة باستخدام هدف 20X لمدة 16 ساعة. كانت الدقة المكانية 512 & # x000d7512 ، بتباعد بكسل قدره 0.8 & # x003bcم لإجمالي 1.3 جيجا بايت من بيانات الصورة بمعدل 32 بت لكل فوكسل (BPV). في هذه الدقة ، يمكن تنزيل تسلسل الصور بالكامل إلى ذاكرة الوصول العشوائي للفيديو على بطاقة 1.5 جيجابايت ، مع ترك مساحة لمخزن الإطار المؤقت وذاكرة التخزين المؤقت الخلفية. تم التقاط الصور أيضًا على مجهر متحد البؤر Zeiss LSM510 بدقة مكانية تبلغ 1024 & # x000d71024 عند تباعد بكسل قدره 0.3 & # x003bcm لمدة تصل إلى 20 ساعة ، مما ينتج عنه ما يصل إلى 5 جيجابايت من بيانات الصورة لكل تسلسل. تتطلب هذه التسلسلات الكبيرة تخزين بيانات تسلسل الصور مؤقتًا في ذاكرة النظام ، وهي مهمة يتم التعامل معها تلقائيًا بواسطة برنامج تشغيل العرض. ومن المثير للاهتمام ، لوحظ تكاثر أقل في تسلسل الصور الملتقطة بدقة زمانية مكانية أعلى. بمجرد التقاط بيانات تسلسل الصور 5-D ، يتم استيرادها مباشرة من ملف الإخراج المجهر باستخدام تطبيق Bioformats مفتوح المصدر.

تبدأ معالجة بيانات تسلسل الصور خماسية الأبعاد باستخدام أداة BioFormats مفتوحة المصدر [9] لتحويل بيانات المجهر الأصلي (ملف Zeiss LSM) إلى صور شجار ذات قيمة شدة. يتيح استخدام BioFormats لـ LEVER 3D العمل ليس فقط مع تنسيقات ملفات معينة من Zeiss ، ولكن مع تنسيقات الملفات المستخدمة من قبل معظم الشركات المصنعة للميكروسكوبات الرئيسية. بالإضافة إلى بيانات الصورة ، تستخرج BioFormats إعدادات التصوير بما في ذلك الدقة الزمانية المكانية المستخدمة لحساب تباين الصورة ، مما يوفر قياسًا للتتبع والحسابات القائمة على المسافة.

يوضح الشكل & # x200B الشكل 1 1 تدفق البيانات وخطوات المعالجة المستخدمة للانتقال من بيانات تسلسل صورة الإدخال الخام إلى تتبع نسبي تم التحقق منه بالكامل وتصحيحه. يوضح الشكل & # x200B الشكل 1 أيضًا مكونات البرنامج الرئيسية المستخدمة بما في ذلك CUDA لمعالجة الصور بكفاءة من C ++ ، و MATLAB للتصور ثنائي الأبعاد لشجرة النسب وتحليل البيانات وتصديرها ، و Direct 3D للعرض والتصور ثلاثي الأبعاد. يتم وصف كل خطوة من هذه الخطوات بمزيد من التفصيل خلال الجزء المتبقي من هذا القسم.

رسم تخطيطي لـ LEVER 3-D. يوضح مخطط التدفق هذا العملية التي يستخدم فيها LEVER 3-D خوارزميات آلية جنبًا إلى جنب مع مدخلات المستخدم لإنشاء شجرة نسب مصححة بنسبة 100٪. لاحظ حلقة التعليقات من & # x0201cالتحقق والتصحيح& # x0201d يعود إلى & # x0201cتجزئة& # x0201d و & # x0201cتتبع& # x0201d.

إزالة ضوضاء الخلفية

إن الفحص المجهري المتحد البؤر ومتعدد الفوتونات للخلايا الجذعية الحية هو معركة بين التقاط إشارة كافية واضطراب العينة. يتم التصوير بطريقة تزيد من نسبة الإشارة إلى الضوضاء (SNR) لبيانات الصورة مع الحد الأدنى من التدخل الجراحي. يؤدي استخدام طاقة إثارة أقل إلى سمية ضوئية أقل واضطراب لخلايا التكاثر الحساسة. هذا يعني أنه من الناحية العملية ، فإن نسبة الإشارة إلى الضوضاء (SNR) تكون منخفضة للغاية. تتمثل إحدى طرق تحسين تحليل هذا الحجم الكبير من بيانات تسلسل الصور الصعبة في تطبيق تقنيات المعالجة المسبقة التي تمثل البيانات الديناميكية الأساسية وعمليات الضوضاء. هنا نستخدم طريقتين مختلفتين لإزالة الضوضاء في الخلفية للخلايا الجذعية وقناة الأوعية الدموية لمطابقة خصائص الكائنات التي يتم تصويرها بشكل أفضل. توفر خوارزميات إزالة الضوضاء الخلفية هذه فائدة إزالة الضوضاء وتوفير تحسين التباين التكيفي. هذا يبسط ويحسن أداء تحويل التصور اللاحق وكذلك خوارزميات تجزئة الخلايا والأوعية.

بالنسبة لقناة الخلايا الجذعية ، نقوم بتكييف تقنية إزالة ضوضاء الخلفية التي وصفها ميشيل وآخرون. [10] يصمم الضوضاء كإشارة ضوضاء خلفية منخفضة التردد متغيرة بطيئة مع عملية ضوضاء عشوائية (لقطة). يختلف نهجنا اختلافًا طفيفًا في ذلك بدلاً من استخدام نظرية القيمة القصوى والقمم فوق نهج العتبات للكشف عن جسيمات الفلورسنت ، فإننا نستخدم نهج تجزئة يعتمد على التشكل الرياضي جنبًا إلى جنب مع تحويل أوتسو التكيفي [11] على الصورة التي تمت تصفيتها كما هو موضح في & # x0201cتجزئة& # x0201d القسم. تعمل هذه التقنية على النحو التالي: بالنظر إلى الصورة التي تمت ملاحظتها والتي نمثلها كمزيج من الخلفية منخفضة التردد (ب) ، ضوضاء طلقة عشوائية (ر) والصورة الأصلية (منزوعة الألوان) التي نرغب في استعادتها ،

مساهمة الخلفية منخفضة التردد (ب) يتم تقديره باستخدام مرشح تمرير منخفض (غاوسي). يمكن تعيين حجم الحي لمرشح Gaussian بواسطة المستخدم ، ولكن يتم ضبطه افتراضيًا على 100 في كل منهما (X ، Y ، Z) البعد. عند طرح نتائج هذا المرشح الذي يحتوي على حي كبير ، يتم الاحتفاظ بالبنية. سيؤدي جعل الحي صغيرًا جدًا إلى التخلص من الكثير من البنية وستفقد الصورة طاقة إجمالية كبيرة. لقد وجدنا أن أحجام الأحياء في النطاق 75 & # x02013250 تعطي نتائج متوقعة. ومع ذلك ، فإن تجاوز المستوى 100 يعطي عوائد متناقصة. بعد طرح مكون الخلفية المقدرة من الصورة المرصودة ، تتم إزالة ضوضاء اللقطة عالية التردد باستخدام مرشح متوسط ​​لإنتاج صورة الخلايا الجذعية النهائية المستخدمة في وظائف نقل التصور وخوارزمية التجزئة.

يعمل نهج تقليل الضوضاء أعلاه بشكل جيد على قناة الخلايا الجذعية حيث توجد وحدات البكسل الأمامية (أو وحدات البكسل ذات البعد الثالث) في مناطق التردد العالية الصغيرة نسبيًا المقابلة للخلايا. في قناة الأوعية الدموية ، يمكن أن تشكل وحدات البكسل الأمامية أجزاء كبيرة من الصورة المقابلة للمناطق الكثيفة من الأوعية الدموية. لتقليل الضوضاء من قناة الأوعية الدموية ، اعتمدنا نهجًا مختلفًا لتقليل الضوضاء باستخدام حقول ماركوف العشوائية [12] وتقدير عالمي لتباين الضوضاء بدلاً من تقدير الخلفية المحلية المستخدم في قناة الخلايا الجذعية. هذه تقنية تكرارية تقوم أولاً بتقدير تباين التشويش للصورة الأصلية أنا 0 عن طريق التفافها مع عامل لابلاسيان. يتم استخدام تقدير تباين الضوضاء هذا كشرط إيقاف لتقليل الضوضاء التكراري الخاص بنا حيث نحتفظ بـ ن الصورة التي تختلف عن الصورة الأصلية كما توقع مقدر التشويش لدينا ،

كل تكرار يغير فوكسل بالقيمة الدنيا & # x00394 ، حيث & # x00394 = minف,ص& # x02208أنا,ف& # x02260ص|الخامسف& # x02212الخامسص| و الخامسأنا هي مجموعة محدودة من قيم فوكسل في الصورة. بمعنى آخر ، & # x00394 هو الحد الأدنى للفجوة الموجودة في الرسم البياني الحالي. يضبط كل تكرار شدة كل فوكسل بواسطة & # x00394 اعتمادًا على التدرج اللوني للحي ، كما هو محدد على النحو التالي:

يستمر هذا التدرج اللائق / اللكنة حتى يتم استيفاء معيار الإيقاف. تعمل خوارزميات تقليل الضوضاء الخلفية لكل من قنوات الأوعية الدموية والخلايا الجذعية على تبسيط التجزئة والتسجيل والتصور. تزداد كفاءة جميع الخطوات اللاحقة بشكل كبير إذا كان من الممكن استخراج إشارة & # x0201cpure & # x0201d.

تسجيل

يعد التسجيل إحدى الخطوات التالية للمعالجة المسبقة للصور الثابتة الكبيرة. إحدى الهياكل المثيرة للاهتمام بشكل خاص والتي تنتج الخلايا الجذعية طوال حياة الثدييات هي المنطقة تحت البطينية (SVZ) في الدماغ. في الدراسات السابقة ، تم استهداف أقسام فرعية فقط من SVZ للتفتيش [13]. كانت الأقسام الفرعية ضرورية نظرًا لأن مجال الرؤية صغير نظرًا للتكبير العالي. نفضل أن نكون قادرين على فحص هيكل SVZ بأعلى دقة ممكنة. يعني وجود دقة خلوية فرعية أنه يمكننا مقارنة مجموعات سكانية مختلفة بمستوى أعلى من الدقة. ومع ذلك ، قد لا تحتوي الأقسام الفرعية على الهياكل المقابلة التي تصطف بالضبط بين التجارب. يتمثل حلنا لهذه المشكلة في تقسيم SVZ إلى فسيفساء من الأقسام الفرعية المتداخلة عالية الدقة. ثم يتم إعادة بناء هذه الصور في صورة كبيرة الحجم عالية الدقة للهيكل بأكمله.

نحن هنا بالتفصيل تحسينًا جديدًا لهذه المشكلة باستغلال القيود التي تفرضها بنية العينة وطريقة التصوير. باستخدام المجاهر الحديثة ، يتم تخزين موضع المرحلة في البيانات الوصفية لكل التقاط صورة. إن معرفة موضع المرحلة التقريبي للأقسام الفرعية فيما يتعلق ببعضها البعض ، يحد من الصور التي يمكن أن تكون متجاورة. هذه المعلومات كافية لإعادة بناء الهيكل بأكمله. ومع ذلك ، فإن النتائج تترك الكثير مما هو مرغوب فيه. يتم عرض مواضع إعادة الإعمار الأولية كخطوط خضراء في الشكل & # x200B الشكل 2. 2. أثناء عملية التصوير ، يمكن أن تتحول العينة بالنسبة إلى المرحلة ، مما يجعل موضع المرحلة غير كافٍ للتسجيل. يمكن أن يحدث هذا بسبب اهتزاز المرحلة أو الانجراف الميكانيكي أو الجفاف أو تسوية شريحة الأنسجة ، وكذلك إزالة الشريحة بين الصور. يمكن التغلب على عدم دقة الموضع هذه بسرعة باستخدام مناطق الصورة المتداخلة للعثور على الإزاحات النسبية (التسجيل) لفسيفساء الصور.

إعادة بناء SVZ كامل. الصورة هي نتيجة تسجيل 34 قسمًا فرعيًا لمنطقة تحت البطين بالماوس. يشار إلى التسجيل باستخدام بيانات موضع مرحلة المجهر فقط بخط متقطع أخضر. تمثل الخطوط الصلبة الزرقاء شجرة ممتدة بحد أقصى تشير إلى حافة القسم الفرعي التي تم تسجيلها ، على سبيل المثال تم تسجيل القسم الفرعي 22 في 18 و 21 و 23 ، حيث تم تسجيل القسم الفرعي 11 فقط في 12. تشير الخطوط المتقطعة الحمراء إلى الموضع النهائي لكل قسم فرعي بعد التسجيل. يحدث التسجيل في ض الاتجاه أيضًا ، غير موضح هنا.

يمكن تقليل تعقيد مشكلة التسجيل من خلال حقيقة أن الصور تتكون من نقطة زمنية واحدة وأن كل صورة في المونتاج موجهة بشكل متعامد إلى مرحلة التصوير. يشير المونتاج الذي يحتوي على عدد كبير من الأقسام الفرعية ، يقترب من 100 ، إلى أن العينة يجب أن تكون ثابتة في الوقت المناسب. يستغرق تصوير قسم فرعي وقتًا طويلاً ، وبحلول الوقت الذي يبدأ فيه عمود أو صف آخر ، ستكون أقسام التداخل قد تغيرت كثيرًا بحيث لا يمكن إعادة بنائها. يأتي الافتراض التالي من حركة مرحلة المجهر نفسها. تتحرك المرحلة بطريقة تجعل الأقسام الفرعية كلها في زوايا قائمة لبعضها البعض بطريقة رقعة الشطرنج. افتراضنا الأخير هو أن الحجم سوف يتشوه فقط في اتجاه الجاذبية. هذا يتفق مع الاستقرار والجفاف. يجب أن يكون هناك قسم فرعي واحد فقط على طول هذا الاتجاه. هذا يخفف من الحاجة إلى التحولات مثل الدوران والقص والتشوه عند التسجيل. بناءً على هذه الافتراضات يمكننا صياغة خوارزمية تسجيل ترجمة فعالة ودقيقة.

تعمل التقنية التالية بشكل أفضل مع قناة ذات هياكل شبه متفرقة فريدة تمتد عبر المناطق الفرعية للصورة. تعد قناة الأوعية الدموية SVZ & # x02019s مثالًا مثاليًا على مثل هذا الهيكل. تتمثل الخطوة الأولى في طريقة التسجيل لدينا في إنشاء صورة قصوى على طول اتجاه القسم الفرعي الفردي كما هو مذكور في الفقرة أعلاه. يتم بعد ذلك إزاحة الإسقاطين المتراكبين للحد الأقصى للكثافة على طول المحورين المتبقيين بالنسبة لبعضهما البعض كما هو محدد بواسطة منطقة نافذة حول بيانات موضع المرحلة. يتم تقييم كل منصب لتحديد مدى ملاءمتهما معًا. نحن نستخدم ال التغاير الطبيعي بين المجلدين المتداخلين ، normcov في المعادلة 4 ، لتحديد التشابه واختيار القيمة القصوى. بمجرد العثور على أفضل تطابق ، نستخدم أحجام التداخل ثلاثية الأبعاد الأصلية (لم تعد الصور القصوى للكثافة) للعثور على أفضل تسجيل على طول المحور المتبقي. تتمثل فوائد هذه الطريقة في أنها قوية للتغير في معلمات التصوير مثل الشدة (عن طريق طرح المتوسط & # x003bc) والتباين (بالتطبيع على التباين & # x003c3) ، فضلا عن كونه كائن لا أدري. تعمل هذه التقنية أيضًا بشكل مباشر على الصور بدلاً من طلب المعالجة المسبقة لتحديد مجموعة من نقاط الميزات المستخدمة في أنظمة التسجيل الأكثر تعقيدًا.

يتم تقييم كل قسم فرعي متداخل وتخزينه في هيكل رسم بياني. تمثل العقد إزاحة عن موضع المرحلة الأصلي. كل حافة هي مقياس التغاير الطبيعي عند الإزاحة المحددة. نقوم بعد ذلك بإسقاط أدنى حواف الدرجات حتى نترك لنا شجرة ممتدة بحد أقصى ، ممثلة بالخط الأزرق في الشكل & # x200B الشكل 2.2. يتيح لنا ذلك إرساء صورة فرعية واحدة واتباع هذه الشجرة الممتدة القصوى التي تعين قيم دلتا بالنسبة للتغيير من العقدة السابقة في الرسم البياني. بمعنى آخر ، يتم اختيار العقدة لتكون ثابتة (يعتمد الموضع فقط على بيانات موضع المرحلة). تعتمد دلتا كل عقدة متصلة بعقدة الجذر هذه فقط على تغيير موضع التسجيل. يتم حساب كل دلتا لاحقة على مسار الحواف من دلتا التراكمي من دلتا التسجيل المحلي والجذر. يمكن رؤية المواضع النهائية كخطوط حمراء في الشكل & # x200B الشكل 2. 2. بمجرد حساب دلتا لكل صورة فرعية ، يمكن إنشاء صورة نهائية أعيد بناؤها. نظرًا لأنه تم التقاط كل قناة من صورة فرعية معينة في نفس الوقت ، يمكننا تسجيل كل قناة باستخدام قيمة دلتا واحدة فقط. يوضح الشكل & # x200B الشكل 3 SVZ مسجل بالكامل يحتوي على خمس قنوات. يُظهر الملف الإضافي 1 نفس الحجم بالتناوب والتكبير في منطقة الاهتمام. ثم يتم تصدير هذه الصور كملفات tiff كبيرة إلى جانب ملفات البيانات الوصفية المحدثة التي تحتوي على الأبعاد الجديدة. الصورة في الشكل & # x200B Figure3 3 لها أبعاد 10173 بكسل في x، 3858 بوصة ذ، 74 بوصة ض، وخمس قنوات. هذه الصور التي تم تصديرها حديثًا جاهزة الآن للمعالجة تمامًا مثل أي صور أخرى يتم تلقيها من المجهر.

مونتاج ثلاثي الأبعاد مسجل بالكامل مع 5 قنوات. تمت إعادة بناء هذه الصورة وتقديمها باستخدام نافذة العرض ثلاثية الأبعاد مع التعديلات التي تم إجراؤها في واجهة وظيفة النقل في الشكل & # x200B الشكل 5. 5. القنوات هي: الأوعية الدموية (الحمراء) ، نواة الخلية (الأزرق الداكن) ، الخلايا الجذعية العصبية والخلايا النجمية (الخضراء) ، الخلايا قليلة التغصن (الصفراء) ، والأرومة العصبية المهاجرة (السماوي).

تجزئة

في التطبيقات السابقة التي تتضمن تجزئة الخلايا الجذعية والتتبع في تسلسل صور ثنائية الأبعاد على النقيض من الطور [5 ، 6 ، 14] وجدنا أن التحدي الأكثر أهمية لتجزئة الخلايا الجذعية هو تحديد العدد الصحيح للخلايا في كل مكون متصل من المقدمة بكسل. في إطار معين ، قد تكون أعداد الخلايا في منطقة معينة غامضة حتى بالنسبة لخبير المجال. ينشأ الغموض عندما تلمس الخلايا وغالبًا ما يحدث فور حدوث الانقسام الفتيلي. يمكن أن يحدث هذا أيضًا عندما تكون هناك كثافة عالية من الخلايا. من تجربتنا أنه من الأسهل حل التجزئة الصحيحة في الصور ثلاثية الأبعاد مقارنة بالصور ثنائية الأبعاد لكل من الخوارزميات البشرية والآلية. تعتبر مشكلة تقدير عدد الخلايا في أي مكون متصل من وحدات البكسل الأمامية أسهل في ثلاثية الأبعاد نظرًا للطبيعة التمييزية للقناة المكانية الإضافية. يحسن ناتج خوارزمية تقليل الضوضاء دقة التجزئة عن طريق إزالة البيانات التي لا ترتبط مباشرة بوحدات voxels الأمامية. تُعد تقنيات تقليل الضوضاء الخاصة بنا مفيدة بشكل خاص في الحفاظ على حدود التدرج بين الخلايا ويمكنها إزالة الغموض.

تبدأ خوارزمية التجزئة الخاصة بنا بتطبيق حد تكيفي على جميع القنوات ، باستخدام مرشح CUDA Otsu [11]. ينتج عن هذا صورة ثنائية من وحدات البكسل الأمامية والخلفية. يتم تطبيق عامل الإغلاق الصرفي باستخدام عنصر هيكلة الكرة الثنائية لإزالة أي ثقوب خاطئة في الهياكل. تتم معالجة قناة الخلايا الجذعية بعد ذلك باستخدام مرشح صورة مكون متصل وأي مكونات متصلة أقل من 19 & # x003bcيتم التخلص من م 3 في الحجم. يمكن تعيين هذه القيمة بشكل تجريبي من قبل المستخدم قبل تشغيل خوارزمية التجزئة وتعتمد فقط على نوع الخلية. تؤدي إزالة الكائنات التي تقع تحت أصغر حجم متوقع لنوع خلية معين إلى تقليل المقاطع الهامشية التي تُعزى عادةً إلى الضوضاء. أخيرًا ، يتم حساب الهيكل المحدب لوحدات البكسل الأمامية لكل خلية باستخدام حزمة QHULLS مفتوحة المصدر [15] ، مما يؤدي إلى إنشاء قوائم وجوه ورؤوس لكل خلية. يتم بعد ذلك تحميل الهياكل المحدبة التي تم إنشاؤها بواسطة QHULLS في مخازن Direct 3D الرأسية والفهرس.

تتم معالجة قناة الأوعية الدموية بطريقة مماثلة. باتباع العتبة التكيفية ، يتم حساب خريطة المسافة باستخدام مرشح خريطة المسافة MATLAB. يوفر هذا المسافة من كل فوكسل إلى أقرب فوكسل أمامي ، ويستخدم في التحليل اللاحق لتحديد المسافة بين كل خلية وأقرب وعاء لها. يتم تمرير نتائج تجزئة الخلايا الجذعية بعد ذلك إلى خوارزمية التتبع لإنشاء مراسلات زمنية بين نتائج التجزئة وتعيين معرفات التتبع لكل خلية.

تتبع

بمجرد تقسيم الخلايا ، نستخدم نهجًا يسمى تتبع الرابطة متعددة الزمن (MAT) [6 ، 16] لإنشاء مراسلات زمنية بين نتائج التجزئة. MAT هو نهج تتبع قائم على الرسم البياني ، يقوم ، لكل إطار ، بتقييم دالة تكلفة متعددة الأوقات تقترب من قيمة Bayesian لاحقة احتمالية الارتباط بين المجموعة الحالية من المسارات وجميع امتدادات المسار الممكنة إلى حجم نافذة ثابت دبليو. في تتبع الفرضيات المتعددة ، يتم عادةً حل مشكلة ارتباط البيانات هذه باستخدام التخصيص الثنائي أو متعدد الأبعاد ، وهو أمر صعب ويتطلب نمذجة واضحة لظروف التصوير المحددة بما في ذلك الانسدادات والاكتشافات المفقودة والغريبة. تستخدم MAT بدلاً من ذلك نهج الشجرة الممتدة الدنيا لحل مشكلة ارتباط البيانات. يعتمد فقط على السلوك الديناميكي للخلية النموذجي للحركة السلسة وهو مستقل عن ظروف التصوير. بالإضافة إلى النتائج الحالية التي تتبع الخلايا الجذعية ثلاثية الأبعاد ، حققت MAT نتائج ممتازة لمئات من في المختبر (2-D) تسلسل الصور للخلايا الجذعية العصبية الجنينية والبالغة في الفئران ، وكذلك الخلايا الجذعية المكونة للدم والخلايا السلفية لشبكية الفئران [6] وتم تطبيقها لتتبع نقل العضيات عالية الكثافة على طول المحور العصبي [16]. تمت معالجة جميع أفلام الخلايا الجذعية التي تم تتبعها بواسطة MAT في 2-D و 3-D بنفس التنفيذ.

من أجل تمديد المسارات من الإطار ر إلى ر+1 ، نشير إلى مسار تم إنشاؤه جزئيًا وينتهي عند أنا الكشف في الإطار ر مثل ، والإشارة إلى مجموعة جميع الامتدادات الممكنة التي تمر عبر ي الكشف في الإطار ر+1 كـ. تكلفة الحافة جاي جاي في الرسم البياني للتتبع ، يتم تعيين الحد الأدنى لتكلفة تمديد المسار الجزئي عبر ي الكشف في الإطار التالي. حواف مرضية ولأي م& # x02260أنا و ن& # x02260ي تسمى حواف متطابقة. إذا كان موجودًا ، فإننا نمد كل مسار على طول الحافة المطابقة له. لأي اكتشافات في ر+1 بدون حافة واردة مطابقة ، نقوم بتهيئة مسار جديد. يتم التعامل مع الانسدادات ، حيث تحجب إحدى الخلايا الأخرى بشكل مرئي ، من خلال السماح للمسارات التي لم يتم تمديدها في الاعتبار في الإطارات اللاحقة.

لتتبع الخلايا الجذعية في تسلسل الصور 5-D ، استخدمنا نفس وظيفة التكلفة المستخدمة سابقًا لتتبع NSCs المصوّرة بتباين الطور ثنائي الأبعاد [6] ، مع التعديل الوحيد باستخدام قيمة Z في مسافة المكون المتصل. نحدد مسافة المكون المتصل بين اكتشافين على النحو التالي

أين ص& # x003b1, ص& # x003b2 هي إحداثيات voxel المتدرجة المقابلة لـ voxels المقدمة لاكتشافات التجزئة و ، على التوالي. نحدد أيضًا مسافة حجم الكشف للحفاظ على الأحجام المتجانسة على طول مسار معين ،

أين |& # x003b1| هو عدد البكسل في مقدمة المكون المتصل بالكشف & # x003b1. بالنسبة إلى امتداد مسار معين ، نحسب تكلفة المسار الممتد (& # x003c4,& # x003c1) ، كمجموع مرجح لمسافات المكونات المحلية المتصلة على طول اكتشافات (& # x003c4,& # x003c1),

مع & # x003c1أنا مشيرا إلى أنا الكشف على المسار (& # x003c4,& # x003c1). نحدد |& # x003c1| كحد أدنى لطول المسار أو حجم النافذة دبليو. حسب الاتفاقية ، إذا أنا& # x022640 التي نستخدمها ، مما يسمح بتقييم التكلفة على المسار الممتد بالكامل. تعكس هذه التكلفة السلوك المتوقع للخلايا الجذعية العصبية ، أي أن الخلايا يجب ألا تتحرك بعيدًا (مسافة صغيرة متصلة بالمكونات) ويجب ألا يختلف حجمها اختلافًا كبيرًا في الإطارات المجاورة. لا يشجع المصطلح المضاعف المسارات الأقصر التي قد يكون لها تكلفة أقل بسبب قلة الشروط. نستخدم حجم النافذة دبليو= 4. أثبتت وظيفة التكلفة هذه فعاليتها في تتبع كل من الخلايا ثنائية الأبعاد وثلاثية الأبعاد كما هو موضح في التطبيقات الحالية والسابقة.

الانساب

يحدد Lineaging العلاقات بين الوالدين والابنة بين الخلايا المتكاثرة. يستخدم نهج الخط الخاص بنا امتدادات مسار التكلفة الدنيا التي تم اكتشافها بواسطة خوارزمية MAT وتخزينها في بنية رسم بياني متفرقة أثناء التتبع ، وهي نفس الخوارزمية التي استخدمناها سابقًا للخط ثنائي الأبعاد [5 ، 6 ، 14]. يتم تعيين الخلايا التي تشكل مسارات قابلة للتطبيق والتي تظهر بعد إطار الصورة الأول أسلاف بناءً على نتائج التتبع هذه. إعطاء المسار & # x003c4مولود جديد، نحدد مساره الأصلي على أنه

بمجرد اكتمال ذلك لجميع المسارات في تسلسل الصور ، يتم تقديم أكبر شجرة نسب (معظم العقد) للمستخدم. هذه الشجرة هي أول شجرة يتم عرضها مع توقع أنها تمثل السلالة البيولوجية الأكثر إثارة للاهتمام أو النسب التي تحتاج إلى أكبر عدد من تعديلات المستخدم.

تنقل أشجار النسب التقليدية بيانات إعلامية مثل وقت دورة الخلية ، وعدد النسل ، وموت الخلايا المبرمج ، وتماثل الأشجار الفرعية ، إلخ. من أجل دراسة الخلايا في مكانها المناسب ، يجب قياس العلاقات المكانية بين الكائنات. يوضح الشكل & # x200B الشكل 4 والملف الإضافي 2 شجرة النسب التي تشفر المسافة المكانية بين الخلايا الجذعية وأقرب الأوعية الدموية. تم تعديل الخطوط الرأسية على شجرة النسب في اتجاه المحور السيني لإظهار المسافة بين خلية جذعية معينة وأقرب فوكسل وعائي في كل إطار صورة. في وقت الانقسام ، تُظهر شجرة النسب خلية ابنة واحدة بعيدًا عن بنية الأوعية الدموية بينما تحافظ الخلية الأخرى على المسافة. نحن نمثل أيضًا الزاوية التي تنقسم فيها الخلايا أثناء الانقسام بواسطة المستوى. يسمح مستوى الانقسام هذا بالفحص النوعي لكيفية انقسام الخلايا بالإضافة إلى ميزة إضافية للتحليل الكمي.

حدث الانقسام مع شجرة النسب. تُظهر شجرة النسب في اللوحة اليمنى استنساخًا كاملاً يبدأ بالخلية السلفية 73 التي تنقسم إلى خليتين ابنتيتين ، 371 و 578. ذ-محور يمثل الوقت حيث x- يمثل المحور المسافة بين الخلية و # x02019s لأقرب وعاء دموي لها. تُظهر اللوحة اليسرى الخلية 73 في الإطار قبل أن تخضع للانقسام. تُظهر اللوحة المركزية الإطار الذي تنقسم فيه الخلية 73 إلى خليتين 371 و 578. يتم تمثيل مستوى الانقسام بشبكة بيضاء ويظهر زاوية الانقسام بالنسبة لقناة الوعاء. عادةً ما تحتوي العينات التي يتم تصويرها بمرور الوقت على قنوات أقل من العينات الثابتة. يمكن أن يكون التألق المناعي ضارًا بسلوك الخلية الطبيعي ويجب استخدامه باعتدال. يمكن تلطيخ الصور الثابتة للسماح لعدد أكبر من القنوات بالنظر إلى أن الخلايا ميتة بالفعل.

واجهة المستخدم

التحليل الآلي لبيانات تسلسل الصور التي تظهر الخلايا المتكاثرة سوف يرتكب أخطاء حتمًا. بالإضافة إلى انخفاض نسبة الإشارة إلى الضوضاء (SNR) ، غالبًا ما تحتوي تسلسلات الصور هذه على غموض بصري ، على سبيل المثال بسبب انقسام الخلايا أو دخولها أو خروجها من إطار التصوير إلخ.، حيث قد يكون من المستحيل حتى بالنسبة لخبير المجال البشري التعرف بشكل صحيح على عدد الخلايا في مكون متصل من وحدات البكسل الأمامية من نقطة زمنية واحدة. تتسبب أخطاء التقسيم هذه في أخطاء تتبع وترتيب الخطوط التي يمكن أن تفسد التحليل النهائي. بمجرد اكتمال جميع خوارزميات التحليل الآلي للصور ، يجب عرض البيانات على المستخدم بطريقة تمكنه من تحديد الأخطاء بسهولة وتصحيحها بسرعة. النهج المتبع هنا هو عرض بيانات تسلسل الصور الحجمي مع نتائج التجزئة والتتبع المتراكبة في نافذة Direct 3D وشجرة النسب في نافذة الشكل التفاعلية MATLAB ثانية. تعمل مكونات Direct 3D و MATLAB في عملية ذاكرة واحدة ، يتم إطلاقها من MATLAB وتتواصل مع الذاكرة المشتركة عبر واجهة MATLAB Mex. هذا يسمح للنماذج الأولية والبرمجة السريعة مباشرة في بيئة التطوير المتكاملة MATLAB. يمكّن هذا المبرمجين من توسيع معالجة الصور وعلماء الأحياء للوصول إلى بياناتهم مباشرة (العديد من المستخدمين سوف يناسبون كلتا حالات الاستخدام هذه).

يستخدم تصور البيانات الحجمية مفهوم القوام ثلاثي الأبعاد. يتم عرض شرائح كل نسيج ثلاثي الأبعاد على مستويات تتكون من مثلثين محاذيين للعرض. توجد أوقات يمتد فيها الحد الأقصى لبعد البكسل لهذه المستويات إلى عمق حجم الصورة. يقوم Direct 3D بتعيين بيانات الصورة على المثلثات باستخدام تظليل مخصص. يشتمل هذا التظليل على معلمات مشتقة من منزلقات وظيفة النقل في الشكل & # x200B الشكل 5. 5. كانت وظيفة النقل مستوحاة من عمل وان وآخرون. [17]. يوجد حاليًا ستة ألوان فريدة يمكن تخصيصها لكل قناة. كما وان وآخرون. للإشارة إلى أنه من الصعب تقديم ألوان فريدة قابلة للفصل بصريًا أكبر من ثلاثة. عندما يُسمح للقنوات بمزج ألفا (الشفافية بين القنوات) يصبح التمييز بين الألوان الممزوجة أكثر صعوبة. يسمح LEVER 3-D بتعيين أي من الألوان لقناة وتبديل رؤيتها.

عارض الصور ثلاثي الأبعاد وإطارات وظيفة النقل. تعرض اللوحة اليمنى عناصر التحكم لتعيين وظيفة النقل التي تحدد قيم كثافة الصور الأصلية إلى قيم وألوان في نافذة العرض. تعرض اللوحة اليسرى بيانات الصورة الأصلية دون أي تغييرات في وظيفة النقل. تعرض اللوحة الوسطى صورة حيث تم تطبيق إعدادات وظيفة النقل الموضحة في اللوحة اليمنى القصوى.

تُستخدم أشرطة التمرير الملونة لقناة معينة لتعيين وظيفة نقل متعددة الحدود والتي ستقوم بتعيين قيم كثافة الصورة الأصلية إلى قيمة شدة سيتم تلوينها وعرضها في النافذة ثلاثية الأبعاد. سيتم تعيين شريط التمرير الأغمق (العلوي) لقناة معينة حيث سيتم وضع القيم المنخفضة للصورة الأصلية على الصفر. يتم استخدام شريط التمرير الأكثر سطوعًا (السفلي) لقناة معينة لتعيين العتبة التي يتم فيها تعيين جميع القيم الأكبر إلى القيمة القصوى في هذه الحالة 255 لصورة 8 بت. يغير شريط التمرير الأوسط منحنى الخط بين القيم القصوى والدقيقة. يتم استخدام شريط التمرير الموجود على الحافة اليسرى لتعيين المضاعف على قيمة ألفا الأساسية لقناة معينة ، مما يسمح لقناة معينة أن تكون أكثر أو أقل شفافية بالنسبة إلى القنوات الأخرى. يتم تعيين ألفا الأساسي لبكسل معين على أقصى كثافة للقناة عند هذا voxel بعد تطبيق وظيفة النقل. يعمل شريط التمرير هذا على نطاق [0،2] ، حيث يساوي الموضع المركزي مضاعفًا لـ 1. آخر عنصر تحكم في واجهة المستخدم يتعلق ببيانات الصورة هو ما إذا كان سيتم إضاءة النسيج أم لا. يقوم مربع اختيار الإضاءة بتشغيل وإيقاف تشغيل ضوء الاتجاه العام. تضاء بيانات الصورة باستخدام السطح الطبيعي لكل فوكسل. يتم تقريب هذا الوضع الطبيعي مباشرةً في التظليل من خلال إيجاد اتجاه التدرج اللوني لكل بكسل بناءً على حي 3 & # x000d73 & # x000d73. تضفي الإضاءة من هذا النوع إحساسًا ثلاثي الأبعاد على الصورة حتى عند عرضها على وسيط ثنائي الأبعاد (انظر الشكل & # x200B الشكل 5). 5). بمجرد تعيين الصور حسب رغبة المستخدم & # x02019s ، يمكنهم دمج نتائج التجزئة في النافذة ثلاثية الأبعاد.

ثم يتم تحميل بيانات التجزئة في ذاكرة الوصول العشوائي للفيديو ليتم تراكبها على حجم الصورة لإظهار نتائج التتبع والخط. يتم تحميل شبكات المثلث التي تم إنشاؤها بواسطة QHULLS كبدن محدب لكل خلية & # x02019s voxels بواسطة عملية التجزئة في الفهرس المباشر ثلاثي الأبعاد والمخازن المؤقتة للرأس (قوائم المثلث) ويتم تعيين الألوان وفقًا لنتائج التتبع وخط الخط. يتم تقديم المخزن المؤقت للتجزئة بواسطة تظليل مخصص ثاني يمكن التبديل بين إيقاف التشغيل والإطار السلكي والصلب. يرسم العارض الافتراضي النسيج بالكامل ثم يرسم نتائج التجزئة فوق ذلك. هذا يعني أنه سيتم دائمًا رسم مثلثات التجزئة أعلى بيانات الصورة. لا يظهر هذا عندما يتم تضمين التجزئة في بنية أخرى ، ومع ذلك ، يتم عرضها بمعدلات إطارات عالية. تحجب الكائنات بعضها البعض بناءً على موضعها فقط في حلقة العرض. يعطي تقشير العمق مزيدًا من الإشارات المرئية بأن كائنًا ما محجوبًا بآخر. يتم تحقيق ذلك من خلال وضع طبقات أو & # x0201cpeeling & # x0201d من كل بنية بترتيب فرز عميق وتداخلها في حلقة العرض. سيؤدي ذلك إلى رسم الكائنات الأقرب إلى العرض بعد الكائنات الأخرى ، مما يؤدي إلى حجب الكائنات الأكثر بُعدًا. يمكن أن يؤدي ذلك إلى إبطاء عرض بيانات الحجم الأكبر إلى سرعات غير تفاعلية. للتخفيف من هذه المشكلة ، تم إجراء تقشير عميق مقسم [17]. يوجد شريط تمرير في نافذة وظيفة النقل (الشكل & # x200B (الشكل 5) 5) المسمى & # x0201cتقشير& # x0201d. هذا يسمح لـ [1 ،ن] القطع المراد تقشيرها ، حيث ن هو عرض عدد فوكسل المحاذاة للحجم. يمكن استخدام شريط التمرير هذا لإضافة مستوى تكامل التجزئة في بيانات الصورة حيث سيسمح جهاز المستخدم & # x02019s وسيظل تفاعليًا. غالبًا ما تكون نتائج التجزئة هي سبب حدوث أخطاء في التتبع والخط ، وهي المكان الذي تحدث فيه غالبية عمليات التحرير. هذا هو السبب في أنه من المهم إعطاء أكبر عدد ممكن من الإشارات المرئية لإظهار أين يكون التقسيم خاطئًا. عندما يكون الأمر خاطئًا ، يتيح LEVER 3-D للمستخدم تصحيحه يدويًا.

تحديد خلية للتصور أو التحرير في الحجم ثلاثي الأبعاد باستخدام أدوات ثنائية الأبعاد (على سبيل المثال مؤشر الماوس) يمكن أن يكون تحديا. عندما ينقر المستخدم على وحدة التخزين ، يتم استخدام إسقاط عكسي للعثور على الخلية المقصودة. يتكون الإسقاط العكسي من شعاع يبدأ من أصل العرض ويمر عبر موضع المؤشر & # x02019s على مستوى الإسقاط ويستمر عبر مساحة الحجم. يتم بعد ذلك تحديد الخلية التي تحتوي على المثلث الأول الذي يتقاطع مع هذا الشعاع. باستخدام هذه الخلية المحددة ، يمكن للمستخدم بعد ذلك إزالة جميع الأقسام الأخرى من الشاشة لترك التركيز على الخلية المعنية. في تكوين العرض هذا ، يكون لدى المستخدم القدرة على تشغيل التسلسل ومتابعة الخلية المعينة من خلال التجربة.

بمجرد تحديد خلية ، يمكن للمستخدم بعد ذلك تصحيح نتائج التجزئة أو تتبع الخلية. لتصحيح نتائج التجزئة ، يمكن تقسيم الخلية إلى ن الخلايا أو يمكن حذفها. لتقسيم خلية ، نضع مزيجًا من Gaussians [18] على وحدات البكسل الأمامية للخلية.هذا فعال لأن مزيجًا من حدود القرار الغاوسي يفضل الأشكال الإهليلجية التي تصمم NSCs ثلاثية الأبعاد بشكل أكثر ملاءمة من ك- الوسائل التي تفضل المزيد من الأشكال الكروية. بعد تصحيح التجزئة ، تتم إعادة تشغيل التتبع تلقائيًا. يمكن أن يكون تحرير التجزئة الذي يوفره المستخدم & # x0201cpropagated & # x0201d من خلال فحص تعيينات التتبع للتجزئة الأصلية كمرشحين محتملين للتصحيح الآلي حتى ينشئ التقسيم المضاف حديثًا مساره الخاص. هذا هو نفس النهج القائم على الاستدلال للتعلم من التعديلات المقدمة من المستخدم المستخدمة في تطبيقنا السابق لخط الخلايا الجذعية ثنائي الأبعاد [6].

يؤدي تحديد خلية معينة أيضًا إلى تحديد النسخة المراد عرضها في نافذة شجرة النسب ثنائية الأبعاد. تعد شجرة النسب واحدة من أسهل الطرق لتحديد الأخطاء في إجراءات تحليل الصور الآلي بسبب الصفات التي يمكن التنبؤ بها مثل الأحداث الانقسامية المتباعدة بانتظام أو الخلايا الموجودة في شجرة النسب الموجودة حتى تصل إلى نهاية التسلسل أو حدود الإطار ، إلخ. يتم ترجمة تحديد الخلية من خلال واجهة Mex إلى MATLAB مما يسمح بتبديل الاستنساخ المحدد. تتيح بنية مكس للذاكرة المشتركة إمكانية الوصول إلى جميع نتائج التجزئة والتتبع والخط المباشر مباشرة مثل هياكل بيانات MATLAB وتعزز التنفيذ من تطبيقنا السابق لخط الخلايا الجذعية ثنائي الأبعاد [6] لمعالجة شجرة النسب وعرضها. تسمح واجهة Mex بالاتصال ثنائي الاتجاه بين MATLAB وواجهات المستخدم المباشرة ثلاثية الأبعاد مما يسمح بإقران النافذتين بإحكام وتمكين نهج الإنتاجية العالية للتحقق من صحة خوارزميات تحليل الصور الآلي وتصحيحها.

يستمر تدفق العمل النموذجي لـ LEVER 3-D على النحو التالي. يمكن للمستخدم الذي لديه حق الوصول إلى برنامج MATLAB إطلاق LEVER 3-D من داخل بيئة تطوير MATLAB. يسمح هذا للمستخدم بدمج مكونات التصور والتحليل LEVER 3-D مع البرامج النصية الخاصة بهم. بالنسبة للمستخدم الذي ليس لديه حق الوصول إلى MATLAB ، فإننا نقدم برنامجًا قائمًا بذاته. يمكن تصدير نتائج البرنامج المستقل للتحليل في بيئات أخرى. الخطوة الأولى هي تحديد موقع ملف البيانات الخام من المجهر. ثم يتم تخزين بيانات الصورة مؤقتًا على بطاقة الرسومات ويتم عرضها في نافذة الصورة. إذا تمت معالجة مجموعة البيانات الحالية مسبقًا (من جلسة سابقة) ، فسيتم عرض نتائج التجزئة في نافذة الصورة. يتم عرض شجرة النسب التي تحتوي على معظم الخلايا في النافذة الثانية. إذا كانت مجموعة البيانات غير معالجة ، يكون المستخدم قادرًا على تحديد طريقة معالجة على قناة معينة. الآن يمكن للمستخدم استكشاف بيانات الصورة والتحقق من صحة المعالجة الآلية. يتم تحسين عرض بيانات الصورة من خلال نافذة وظيفة النقل. يتم استخدام وظيفة النقل للتعويض عن الصور ذات الكميات المنخفضة من التألق والشاشات غير المعايرة. بمجرد رضا المستخدم عن البيانات وإعدادات العرض ، يمكن لـ LEVER 3-D بعد ذلك تصدير الصور والأفلام والمقاييس للاستخدام الخارجي. يوفر الملف الإضافي 3 نظرة عامة قصيرة بالفيديو حول استخدام تطبيق LEVER 3-D من داخل بيئة MATLAB. سيناريو استخدام مشابه ممكن أيضًا دون الحاجة إلى MATLAB باستخدام ملفنا القابل للتنفيذ المترجم.


البحث عن مشكلة تجزئة الخلايا الصلبة - علم الأحياء

DenoiSeg: نزع الضوضاء والانقسام المشترك

Tim-Oliver Buchholz * ، 1،2 ، Mangal Prakash * ، 1،2 ، Alexander Krull 1،2،3 و Florian Jug 1،2 ، ^

1 معهد ماكس بلانك لبيولوجيا الخلايا الجزيئية وعلم الوراثة ، دريسدن ، ألمانيا
2 مركز بيولوجيا الأنظمة ، دريسدن ، ألمانيا
3 معهد ماكس بلانك لفيزياء الأنظمة المعقدة ، درسدن ، ألمانيا
^ [email protected]
* مساهمة متساوية (حسب الترتيب الأبجدي).

غالبًا ما يتطلب تحليل الصور المجهرية تجزئة الكائنات ، لكن بيانات التدريب لهذه المهمة نادرة عادةً ويصعب الحصول عليها. هنا نقترح DenoiSeg ، وهي طريقة جديدة يمكن تدريبها من طرف إلى طرف على عدد قليل من مقاطع الحقيقة المشروحة. نحقق ذلك من خلال توسيع Noise2Void ، وهو مخطط لتقليل الضوضاء يتم الإشراف عليه ذاتيًا ويمكن تدريبه على الصور الصاخبة وحدها ، للتنبؤ أيضًا بالتقسيمات الكثيفة من فئة 3. سبب نجاح طريقتنا هو أن التجزئة يمكن أن تستفيد من تقليل الضوضاء ، خاصة عندما يتم إجراؤها بشكل مشترك داخل نفس الشبكة. تصبح الشبكة خبيرة في تقليل الضوضاء من خلال رؤية جميع البيانات الأولية المتاحة ، أثناء التعلم المشترك للتقسيم ، حتى لو توفر عدد قليل فقط من تسميات التجزئة. يتم دعم هذه الفرضية أيضًا من خلال ملاحظتنا أن أفضل نتائج التجزئة على البيانات الخام عالية الجودة (ضوضاء منخفضة جدًا) يتم الحصول عليها عند إضافة كميات معتدلة من الضوضاء الاصطناعية. هذا يجعل مهمة تقليل الضوضاء غير تافهة ويطلق العنان لتأثير التعلم المشترك المطلوب. نعتقد أن DenoiSeg يوفر طريقة قابلة للتطبيق للتحايل على الجوع الهائل لبيانات التدريب عالية الجودة وتمكن بشكل فعال من التعلم القليل من التقسيمات الكثيفة.

يتطلب هذا التنفيذ Tensorflow. لقد اختبرنا DenoiSeg على LinuxMint 19 باستخدام python 3.6 و 3.7 و tensorflow-gpu 1.15.

إذا بدأت من الصفر.

نوصي باستخدام المينيكوندا. إذا لم يكن لديك رأي قوي بعد ، فاستخدمه أيضًا!

بعد تثبيت Miniconda ، من المحتمل أن تكون الأسطر التالية هي أسهل طريقة لتثبيت Tensorflow و CuDNN على جهازك (ملحوظة: أجهزة Mac غير مدعومة ، وإذا كنت تجلس على جهاز يعمل بنظام Windows ، فقد يتطلب هذا أيضًا بعض التعديلات.):

ملاحظة: من المهم جدًا أن يكون إصدار keras 2.2.4 أو 2.2.5 ، ومن هنا جاء التثبيت الصريح أعلاه. بمجرد الانتهاء من ذلك (أو تم تثبيت tensorflow وآخرون بالفعل) ، يمكنك تثبيت DenoiSeg بأحد الخيارين التاليين:

الخيار 1: PIP (الإصدار الثابت الحالي)

الخيار 2: Git-Clone والتثبيت من المصادر (الإصدار الحالي من الفرع الرئيسي)

هذا الخيار مثالي إذا كنت تريد تحرير الكود. استنساخ المستودع:

غيّر إلى دليله وقم بتثبيته:

أنت الآن جاهز لتشغيل DenoiSeg.

ألق نظرة على دفتر Jupyter الخاص بنا:

الإصدار الحالي والماجستير هو نسخة معاد بناءها من الكود المستخدم للورق. تنتج هذه النسخة المعاد تصنيعها نفس الرقم المذكور في الورقة ، ولكن إذا كنت ترغب في استخدام الرمز الدقيق المستخدم في الورقة ، فيرجى المتابعة هنا.


مراجع

Lawrence MS و Stojanov P و Polak P و Kryukov GV و Cibulskis K و Sivachenko A و Carter SL و Stewart C و Mermel CH و Roberts SA وآخرون. التغايرية الطفرية في السرطان والبحث عن جينات جديدة مرتبطة بالسرطان. طبيعة سجية. 2013499 (7457): 214-8.

بوريل آر إيه ، ماكجراناهان إن ، بارتيك ي ، سوانتون سي.أسباب وعواقب عدم التجانس الجيني في تطور السرطان. طبيعة سجية. 2013 501 (7467): 338-45.

Turajlic S، Sottoriva A، Graham T، Swanton C. حل التباين الجيني في السرطان. نات ريف جينيت. 2019 20 (7): 404–16.

ياب تا ، جيرلينجر إم ، فوتريل بي إيه ، بوسزتاي إل ، سوانتون سي عدم تجانس الورم الداخلي: رؤية الخشب للأشجار. Sci Trans Med. 2012 4 (127): 127-1012710.

Aparicio S ، Mardis E. عدم تجانس الورم: تسلسل الجيل التالي يعزز الرؤية من مجهر أخصائي علم الأمراض: Springer 2014. https://doi.org/10.1186/s13059-014-0463-6.

الديري و و س ، ب تايلور ، نيل جي دبليو. تطور الورم وعدم تجانسه وعلاج مرضانا المصابين بالسرطان المتقدم: إلى أي مدى وصلنا ؟. Am Soc Clin Oncol Educ Book. 2017 37: 8-15.

ماكجراناهان ن ، سوانتون سي. عدم التجانس النسيلي وتطور الورم: الماضي والحاضر والمستقبل. زنزانة. 2017 168 (4): 613–28.

Zhou Z و Xu B و Minn A و Zhang NR. التنميط عدم التجانس الجيني عن طريق تسلسل الخلية الواحدة rna. bioRxiv. 2019: 457622. https://doi.org/10.1101/457622.

Alizadeh AA ، Aranda V ، Bardelli A ، Blanpain C ، Bock C ، Borowski C ، Caldas C ، Califano A ، Doherty M ، Elsner M ، et al. نحو فهم واستغلال عدم تجانس الورم. نات ميد. 2015 21 (8): 846.

Oesper L، محمودى A، رافائيل BJ. ثيتا: استنتاج عدم التجانس داخل الورم من بيانات تسلسل الحمض النووي عالية الإنتاجية. جينوم بيول. 2013 14 (7): 80.

ماكجراناهان ن ، سوانتون سي. عدم التجانس النسيلي وتطور الورم: الماضي والحاضر والمستقبل. زنزانة. 2017 168 (4): 613–28.

Fan X، Zhou W، Chong Z، Nakhleh L، Chen K. نحو توصيف دقيق للتغاير النسيلي على أساس التباين الهيكلي. المعلوماتية الحيوية BMC. 2014 15 (1): 299.

Dagogo-Jack I، Shaw AT. عدم تجانس الورم ومقاومته لعلاجات السرطان. نات ريف كلين أونكول. 2018 15 (2): 81.

المغني J ، Kuipers J ، Jahn K ، Beerenwinkel N. تحديد الطفرة أحادية الخلية عبر الاستدلال النشئي. نات كومون. 2018 9 (1): 1–8.

Kuipers J ، Tuncel MA ، Ferreira P ، Jahn K ، Beerenwinkel N. استدعاء رقم نسخة الخلية الواحدة وإعادة بناء تاريخ الحدث. bioRxiv. 2020. https://doi.org/10.1101/2020.04.28.065755.

شاه سب ، شوان إكس ، ديليو أر جيه ، خوجاسته إم ، لام WL ، نج آر ، مورفي كيه بي. دمج تعدد الأشكال في عدد النسخ في تحليل مجموعة CGH باستخدام HMM قوي. المعلوماتية الحيوية. 2006 22 (14): 431-9.

كارتر NP ، Bebb CE ، Nordenskjo M ، Ponder BA ، Tunnacliffe A ، وآخرون. PCR معدة قليل النوكليوتيد المنحل: التضخيم العام للحمض النووي المستهدف بواسطة تمهيدي واحد متحلل. علم الجينوم. 1992 13 (3): 718-25.

Navin N و Kendall J و Troge J و Andrews P و Rodgers L و McIndoo J و Cook K و Stepansky A و Levy D و Esposito D وآخرون. تطور الورم يُستدل عليه بالتسلسل أحادي الخلية. طبيعة سجية. 2011472 (7341): 90.

Baslan T و Kendall J و Rodgers L و Cox H و Riggs M و Stepansky A و Troge J و Ravi K و Esposito D و Lakshmi B وآخرون. تحليل رقم نسخة الجينوم للخلايا المفردة. بروتوكول نات. 2012 7 (6): 1024.

Zafar H، Navin N، Nakhleh L، Chen K. النهج الحسابية لاستنتاج تطور الورم من البيانات الجينومية أحادية الخلية. نظام Opin بالعملة بيول. 2018 7: 16-25.

Xi L، Belyaev A، Spurgeon S، Wang X، Gong H، Aboukhalil R، Fekete R. طريقة إنشاء مكتبة جديدة للجينومات أحادية الخلية. بلوس واحد. 2017 12 (7).

Gordon DJ، Resio B، Pellman D. أسباب ونتائج اختلال الصيغة الصبغية في السرطان. نات ريف جينيت. 2012 13 (3): 189-203.

ميرميل سي إتش ، شوماخر سي ، هيل بي ، ميرسون إم إل ، بيروخيم آر ، جيتز جي جيستيك 2. يسهّل 0 توطين حساس وواثق لأهداف تغيير رقم النسخ الجسدي البؤري في السرطانات البشرية. جينوم بيول. 2011 12 (4): 41.

Dagogo-Jack I، Shaw AT. عدم تجانس الورم ومقاومته لعلاجات السرطان. نات ريف كلين أونكول. 2018 15 (2): 81.

Krijgsman O ، Carvalho B ، Meijer GA ، Steenbergen RD ، Ylstra B. انحرافات رقم نسخة الكروموسومات البؤرية في السرطان - الإبر في كومة قش الجينوم. Biochim Biophys Acta (BBA) -Mol Cell Res. 2014 1843 (11): 2698-704.

غاراواي لوس أنجلوس ، لاندر إس. دروس من جينوم السرطان. زنزانة. 2013153 (1): 17-37.

Gao R و Davis A و McDonald TO و Sei E و Shi X و Wang Y و Tsai P-C و Casasent A و Waters J و Zhang H وآخرون. تطور رقم النسخ المتقطع والركود النسيلي في سرطان الثدي الثلاثي السلبي. نات جينيه. 2016 48 (10): 1119.

Jahn K ، Kuipers J ، Beerenwinkel N. استدلال شجرة لبيانات الخلية الواحدة. جينوم بيول. 2016 17 (1): 86.

Ross EM ، Markowetz F. Onconem: استنتاج تطور الورم من بيانات التسلسل أحادية الخلية. جينوم بيول. 2016 17 (1): 1-14.

Zafar H، Tzen A، Navin N، Chen K، Nakhleh L. Sifit: استنتاج أشجار الورم من بيانات التسلسل أحادية الخلية تحت نماذج المواقع المحدودة. جينوم بيول. 2017 18 (1): 178.

El-Kebir M. Sphyr: تقدير نسالة الورم من بيانات تسلسل الخلية الواحدة تحت الفقد والخطأ. المعلوماتية الحيوية. 2018 34 (17): 671-9.

Malikic S، Mehrabadi FR، Ciccolella S، Rahman MK، Ricketts C، Haghshenas E، Seidman D، Hach F، Hajirasouliha I، Sahinalp SC. Phiscs: نهج اندماجي لإعادة بناء نسالة الورم دون الكمال من خلال الاستخدام التكاملي لبيانات التسلسل أحادية الخلية والكتلة. الدقة الجينوم. 2019 29 (11): 1860–77.

Zafar H، Navin N، Chen K، Nakhleh L. Siclonefit: الاستدلال البايزي على التركيب السكاني ، والنمط الجيني ، وتطور نسالة الورم المستنسخة من بيانات تسلسل الجينوم أحادي الخلية. الدقة الجينوم. 2019 29 (11): 1847–59.

Bäumer C ، Fisch E ، Wedler H ، Reinecke F ، Korfhage C. استكشاف جودة الحمض النووي للخلايا المفردة لتحليل الجينوم مع تضخيم الجينوم الكامل المتزامن. ممثل العلوم .2018 8 (1): 1–10.

Xi L. تسلسل الحمض النووي أحادي الخلية: من التناظرية إلى الرقمية. الدقة السرطان. 2017 3 (1): 161-9.

Dean FB و Hosono S و Fang L و Wu X و Faruqi AF و Bray-Ward P و Sun Z و Zong Q و Du Y و Du J وآخرون. تضخيم الجينوم البشري الشامل باستعمال تضخيم الإزاحة المتعدد. بروك ناتل أكاد علوم. 2002 99 (8): 5261-6.

Wang Y و Waters J و Leung ML و Unruh A و Roh W و Shi X و Chen K و Scheet P و Vattathil S و Liang H وآخرون. تم الكشف عن التطور النسيلي في سرطان الثدي من خلال تسلسل جينوم النواة الواحدة. طبيعة سجية. 2014 512 (7513): 155.

Hou Y و Song L و Zhu P و Zhang B و Tao Y و Xu X و Li F و Wu K و Liang J و Shao D وآخرون. تسلسل الإكسوم أحادي الخلية والتطور أحادي النسيلة للأورام التكاثرية النقوية السلبية jak2. زنزانة. 2012 148 (5): 873-85.

Zong C ، Lu S ، Chapman AR ، Xie XS. الكشف على مستوى الجينوم للنيوكليوتيدات المفردة وتغيرات رقم النسخ لخلية بشرية واحدة. علم. 2012 338 (6114): 1622-6.

زان إتش ، ستيف أ ، لاكس إي ، إيريو بي ، فان إنسبيرغي إم ، شاه سب ، أباريسيو إس ، هانسن سي إل. إعداد مكتبة خلية مفردة كاملة الجينوم قابلة للتطوير بدون تضخيم مسبق. طرق نات. 2017 14 (2): 167.

Navin NE. علم جينوم السرطان: خلية واحدة في كل مرة. جينوم بيول. 2014 15 (8): 452.

Gao R و Davis A و McDonald TO و Sei E و Shi X و Wang Y و Tsai P-C و Casasent A و Waters J و Zhang H وآخرون. ترقيم تطور رقم النسخ والركود النسيلي في سرطان الثدي الثلاثي السلبي. نات جينيه. 2016 48 (10): 1119.

تقييم عدم تجانس الورم مع خلية مفردة CNV. https://www.10xgenomics.com/products/single-cell-cnv/. تم الوصول إليه في 18 مايو 2020.

Baslan T و Kendall J و Ward B و Cox H و Leotta A و Rodgers L و Riggs M و D’Italia S و Sun G و Yong M et al. تحسين التسلسل المتناثر للخلايا المفردة من أجل التنميط الشديد لأرقام النسخ المتعددة. الدقة الجينوم. 2015 25 (5): 714–24.

Baslan T، Hicks J. نهج تسلسل الخلية المفردة للأنظمة البيولوجية المعقدة. العملة الجينية Opin Dev. 2014 26: 59-65.

باسلان تي ، هيكس ج. كشف البيولوجيا وتغيير النماذج في السرطان باستخدام تسلسل الخلية الواحدة. نات ريف السرطان. 2017 17 (9): 557.

Ortega MA ، Poirion O ، Zhu X ، Huang S ، Wolfgruber TK ، Sebra R ، Garmire LX. استخدام مناهج omics متعددة الخلية أحادية الخلية لحل عدم تجانس الورم. كلين مترجم ميد. 2017 6 (1): 46.

Vitak SA ، Torkenczy KA ، Rosenkrantz JL ، Fields AJ ، Christianen L ، Wong MH ، Carbone L ، Steemers FJ ، Adey A. تسلسل آلاف الجينومات أحادية الخلية مع فهرسة اندماجية. طرق نات. 2017 14 (3): 302.

Chen C و Xing D و Tan L و Li H و Zhou G و Huang L و Xie XS. تحليلات الجينوم الكامل لخلية واحدة عن طريق التضخيم الخطي عبر إدخال ترانسبوسون (lianti). علم. 2017356 (6334): 189-94.

Bakker B و Taudt A و Belderbos ME و Porubsky D و Spierings DC و de Jong TV و Halsema N و Kazemier HG و Hoekstra-Wakker K و Bradley A et al. يكشف تسلسل الخلية الواحدة عن عدم تجانس النمط النووي في الأورام الخبيثة لدى الفئران والأورام البشرية. جينوم بيول. 2016 17 (1): 115.

van den Bos H و Spierings DC و Taudt A و Bakker B و Porubskỳ D و Falconer E و Novoa C و Halsema N و Kazemier HG و Hoekstra-Wakker K وآخرون. لا يكشف التسلسل الكامل للجينوم أحادي الخلية أي دليل على اختلال الصيغة الصبغية الشائع في الخلايا العصبية الطبيعية ومرض الزهايمر. جينوم بيول. 2016 17 (1): 116.

لاكس إي ، زان إتش ، لاي د ، ماكفرسون أ ، ستيف أ ، بريمهول جيه ، بيلي جي ، وانج ب ، مسعود تي ، جريوال دي ، وآخرون. المصدر: تسلسل الجينوم الكامل القابل للتطوير لـ 40.000 خلية مفردة يحدد اختلالات الصبغيات العشوائية وحالات تكرار الجينوم والذخيرة النسيلة. bioRxiv. 2018: 411058. https://doi.org/10.1101/411058.

احصل على SNVs و CNV من منصة Tapestri. https://missionbio.com/get-snvs-and-cnvs-from-the-toliday-platform/. تم الوصول إليه في 18 مايو 2020.

مالوري إكس إف ، إدريسي إم ، نافين إن ، نخلة ل. تقييم أداء طرق كشف انحراف رقم النسخ من بيانات تسلسل الحمض النووي أحادية الخلية. بلوس كومبوت بيول. 2020 16 (7): 1008012.

Estévez-Gómez N، Prieto T، Guillaumet-Adkins A، Heyn H، Prado-López S، Posada D. مقارنة استراتيجيات تضخيم الجينوم الكامل للخلية الواحدة. bioRxiv. 2020. https://doi.org/10.1101/443754.

زكريا إس ، رافائيل بج. توصيف مشهد رقم النسخ الخاص بالأليل والنمط الفرداني لجينومات السرطان بدقة خلية واحدة باستخدام إزميل. bioRxiv. 2019: 837195. https://doi.org/10.1101/837195.

وانغ إكس ، تشن إتش ، تشانغ إن آر. التنميط عن رقم نسخة الحمض النووي باستخدام تسلسل خلية واحدة. موجز Bioinforma. 2017 19 (5): 731-6.

غارفين تي ، أبوخاليل آر ، كيندال جي ، باسلان تي ، أتوال جي إس ، هيكس جي ، ويجلر إم ، شاتز إم سي. تحليل تفاعلي وتقييم متغيرات رقم النسخ أحادية الخلية. طرق نات. 2015 12 (11): 1058.

Bentley DR و Balasubramanian S و Swerdlow HP و Smith GP و Milton J و Brown CG و Hall KP و Evers DJ و Barnes CL و Bignell HR وآخرون. دقيقة كاملة تسلسل الجينوم البشري باستخدام الكيمياء فاصل عكسها. طبيعة سجية. 2008456 (7218): 53.

Yoon S و Xuan Z و Makarov V و Ye K و Sebat J. كشف حساس ودقيق لمتغيرات رقم النسخ باستخدام عمق قراءة التغطية. الدقة الجينوم. 2009 19 (9): 1586–92.

Boeva ​​V، Zinovyev A، Bleakley K، Vert J-P، Janoueix-Lerosey I، Delattre O، Barillot E. استدعاء خالٍ من التحكم لتعديلات رقم النسخ في بيانات التسلسل العميق باستخدام تطبيع محتوى GC. المعلوماتية الحيوية. 2010 27 (2): 268-9.

Wang R و Lin D-Y و Jiang Y. SCOPE: طريقة تطبيع وتقدير رقم النسخ لتسلسل الحمض النووي أحادي الخلية. bioRxiv. 2019: 594267. https://doi.org/10.1101/594267.

Knouse KA ، Wu J ، Amon A. تقييم تباين رقم النسخة الجسدية على نطاق ميغا بايت باستخدام التسلسل أحادي الخلية. الدقة الجينوم. 2016 26 (3): 376–84.

Vitak SA ، Torkenczy KA ، Rosenkrantz JL ، Fields AJ ، Christianen L ، Wong MH ، Carbone L ، Steemers FJ ، Adey A. تسلسل آلاف الجينومات أحادية الخلية مع فهرسة اندماجية. طرق نات. 2017 14 (3): 302.

Fraley C، رافتري AE. التجميع القائم على النموذج والتحليل المميز وتقدير الكثافة. مساعد J Am Stat. 2002 97 (458): 611-31.

Fraley C و Raftery AE و Murphy TB و Scrucca L. mclust الإصدار 4 لـ R: نمذجة الخليط العادي للتجميع القائم على النموذج والتصنيف وتقدير الكثافة. تقرير فني ، تقرير فني. 2012.

Fraley C و Raftery A و Scrucca L. mclust: نمذجة الخليط العادي للتجميع القائم على النموذج والتصنيف وتقدير الكثافة. http://www.stat.unipg.it/luca/R/. تم الوصول إليه في 04 يونيو 2020.

Olshen AB ، Venkatraman E ، Lucito R ، Wigler M. تجزئة ثنائية دائرية لتحليل بيانات رقم نسخة الحمض النووي القائمة على الصفيف. الإحصاء الحيوي. 2004 5 (4): 557-72.

Nilsen G و Liestøl K و Van Loo P و Vollan HKM و Eide MB و Rueda OM و Chin S-F و Russell R و Baumbusch LO و Caldas C وآخرون. Copynumber: خوارزميات فعالة لتجزئة رقم النسخ أحادية ومتعددة المسارات. علم الجينوم BMC. 2012 13 (1): 591.

Zhang NR ، Siegmund DO ، Ji H ، Li JZ. الكشف عن نقاط التغيير المتزامنة في تسلسلات متعددة. بيوميتريكا. 2010 97 (3): 631-45.

Zhang NR ، Siegmund DO. معيار معلومات Bayes المعدل مع تطبيقات لتحليل بيانات التهجين الجيني المقارن. القياسات الحيوية. 2007 63 (1): 22-32.

لماذا لا يجب أن أفسر شجرة المجموعات الهرمية على أنها نسالة أحادية الخلية؟ تم الوصول إليه في 19 مايو 2020.

Kimura M. الأساس النظري لعلم الوراثة السكانية على المستوى الجزيئي. ثور بوبول بيول. 1971 2 (2): 174-208.

Karlin S، McGregor J. عدد الأشكال الطافرة المحفوظة في مجموعة سكانية. وقائع ندوة بيركلي الخامسة حول الرياضيات والإحصاء والاحتمالات. 19674: 415–38.

كيمورا إم ، كرو جي. عدد الأليلات التي يمكن الاحتفاظ بها في عدد محدود من السكان. علم الوراثة. 1964 49 (4): 725.

Kuipers J ، Jahn K ، Raphael BJ ، Beerenwinkel N. تكشف بيانات تسلسل الخلية الواحدة عن تكرار واسع النطاق وفقدان ضربات طفرية في تاريخ حياة الأورام. الدقة الجينوم. 2017 27 (11): 1885-94.

Ciccolella S، Gomez MS، Patterson M، Della Vedova G، Hajirasouliha I، Bonizzoni P. استنتاج تطور السرطان من تسلسل الخلية الواحدة مع السماح بفقدان الطفرات. bioRxiv. 2018: 268243. https://doi.org/10.1101/268243.

ماكفرسون أ ، روث أ ، لاكس إي ، مسعود تي ، باشاشاتي أ ، زانج إيه دبليو ، ها جي ، بييل جي ، ياب د ، وان إيه ، وآخرون. أنماط متباينة للانتشار النسيلي والخلط داخل الصفاق في سرطان المبيض المصلي عالي الجودة. نات جينيه. 2016 48 (7): 758.

Satas G ، Zaccaria S ، Mon G ، رافائيل BJ. استدلال نسالة الورم أحادي الخلية مع خسائر طفرة مقيدة بعدد النسخ. bioRxiv. 2019: 840355. https://doi.org/10.1101/840355.

شاو إم ، موريت بي إم. مقارنة الجينومات مع إعادة الترتيب والازدواجية القطاعية. المعلوماتية الحيوية. 2015 31 (12): 329–38.

Zeira R، Shamir R. فرز الأنماط السرطانية باستخدام أسلوب القص المزدوج والجمع والازدواجية والحذف. المعلوماتية الحيوية (أكسفورد ، إنجلترا). 2018. https://doi.org/10.1093/bioinformatics/bty381.

Qingge L ، He X ، Liu Z ، Zhu B. حول مشكلة إنشاء رقم النسخ الأدنى في جينوميات السرطان. في: وقائع المؤتمر الدولي ACM لعام 2018 حول المعلوماتية الحيوية والبيولوجيا الحاسوبية والمعلوماتية الصحية: 2018. ص. 260-9. https://doi.org/10.1145/3233547.3233586.

Zeira R ، Shamir R. مشاكل إعادة ترتيب الجينوم مع نسخ الجينات المفردة والمتعددة: مراجعة. في: المعلوماتية الحيوية وعلم الوراثة. سبرينغر: 2019. ص. 205 - 41. https://doi.org/10.1007/978-3-030-10837-3_10.

Dorri F و Salehi S و Chern K و Funnell T و Williams M و Lai D و Andronescu M و Campbell KR و McPherson A و Aparicio S et al. الاستدلال البايزي الفعال لأشجار النشوء والتطور من بيانات أحادية الخلية واسعة النطاق منخفضة العمق على مستوى الجينوم. bioRxiv. 2020. https://doi.org/10.1101/2020.05.06.058180.

Schwarz RF ، Trinh A ، Sipos B ، Brenton JD ، Goldman N ، Markowetz F. القياس الكمي للتطور من عدم التجانس داخل الورم. بلوس كومبوت بيول. 2014 10 (4). https://doi.org/10.1371/journal.pcbi.1003535.

الكبير م ، رافائيل بي جيه ، شامير آر ، شاران آر ، زكريا س ، زهافي م ، زيرا ر. مشاكل تطور رقم النسخ: التعقيد والخوارزميات. في: ورشة عمل دولية حول الخوارزميات في المعلوماتية الحيوية. سبرينغر: 2016. ص. 137-49. https://doi.org/10.1007/978-3-319-43681-4_11.

Saitou N، Nei M. طريقة الانضمام إلى الجار: طريقة جديدة لإعادة بناء أشجار النشوء والتطور. مول بيول إيفول. 1987 4 (4): 406-25.

Fitch WM ، Margoliash E. بناء الأشجار النشوء والتطور. علم. 1967 155 (3760): 279–84.

فيتش دبليو إم. نحو تحديد مسار التطور: الحد الأدنى من التغيير لطوبولوجيا شجرة معينة. سيست بيول. 1971 20 (4): 406–16.

Sankoff D. الحد الأدنى من أشجار الطفرات المتسلسلة. SIAM J Appl Math. 1975 28 (1): 35-42.

Felsenstein J. تطوري الأشجار من تسلسل الحمض النووي: نهج الاحتمالية القصوى. J مول إيفول. 1981 17 (6): 368–76.

شليب كي بي. phangorn: تحليل النشوء والتطور في r. المعلوماتية الحيوية. 2011 27 (4): 592–3.

Litt M ، Luty J.AA ساتل دقيق متغير متغير تم الكشف عنه بواسطة تضخيم في المختبر لتكرار ثنائي النوكليوتيد داخل جين أكتين عضلة القلب. أنا J Hum Genet. 1989 44 (3): 397.

Ohno S. التطور عن طريق الازدواجية الجينية. برلين: سبرينغر 1970.

Ota T، Nei M. تطور وتطور متباينان من خلال عملية الولادة والموت في عائلة الجين المناعي vh. مول بيول إيفول. 1994 11 (3): 469–82.

Boussau B و Szöllősi GJ و Duret L و Gouy M و Tannier E و Daubin V. الدقة الجينوم. 2013 23 (2): 323-30.

Swofford DL ، Maddison WP. إعادة بناء حالات شخصية الأجداد في ظل شح واغنر. الرياضيات Biosci. 1987 87 (2): 199-229.

Pagel M. نهج الاحتمالية القصوى لإعادة بناء حالات الطابع السلفي للشخصيات المنفصلة في الأنساب. سيست بيول. 1999 48 (3): 612-22.


هيكل أنسجة الأوعية الدموية

في أنواع مختلفة من النباتات ، يتم ترتيب الأنسجة الوعائية بشكل مختلف. عادةً ما تكون الخلايا طويلة وضيقة وأنبوبية. غالبًا ما يتم ترتيب أنسجة الأوعية الدموية في حزم داخل الساق أو الورقة. يوجد أدناه مقارنة بين أنسجة الأوعية الدموية الموجودة في أحادي و ديكوت النباتات.

كما ترون ، فإن الحزم الوعائية في الثنائيات تكون أكبر بكثير وأكثر ترتيبًا. من ناحية أخرى ، تنشر الأنواع أحادية النواة نسيج الخشب واللحاء في الأنسجة الوعائية حول الساق. تعكس هاتان الطريقتان بنية النباتات نفسها. تميل الأحادية إلى أن تكون نباتات مثل الحشائش ، والتي لها عروق وأوراق تعمل بالتوازي. في الثنائيات ، مثل العديد من الأشجار المزهرة والنباتات المثمرة ، تتفرع الأوراق والأوردة في الأوراق بأنماط مختلفة. تفضل هذه المنظمة أنسجة الأوعية الدموية التي تكون أكثر تنظيماً ، ويمكن أن تتفرع مع نمو النبات.

تعمل أنسجة الأوعية الدموية بشكل رئيسي في الحفاظ على توازن الماء وتوازن السكر في النبات. لا تحتاج خلايا النبات إلى الماء فقط لإكمال الوظائف البيولوجية الأساسية ، بل تحتاج أيضًا إلى المعادن والمواد المغذية الموجودة في التربة لإكمال عملها. معظم النباتات لها مسام صغيرة في الأوراق تسمى فغرة، والتي تسمح للماء بالتبخر وتبادل الغازات. للحصول على المزيد من الماء والعناصر الغذائية في خلايا الأوراق ، تفتح هذه المسام الصغيرة.

عندما يتبخر الماء ، فإن قوى التصاق و تماسك سحب الماء لأعلى أنابيب نسيج الخشب. عندما يتم امتصاص الماء من خلال الجذور ، فإن هذا أيضًا يخلق ضغطًا من القاع لإجبار الماء على الصعود. أنابيب نسيج الخشب ضيقة لدعم هذا الإجراء ، ولكن هناك العديد منها مجمعة معًا. يمكن رؤية الجزء الخشبي من نسيج الأوعية الدموية أدناه ، على اليسار.

عندما يتحرك الماء لأعلى وإلى داخل الأوراق ، هناك حاجة إلى بعض منه لإذابة السكريات الناتجة عن عملية التمثيل الضوئي وإعادتها إلى أسفل النبات. تذكر أن التمثيل الضوئي ينتج الجلوكوز ، والذي سيستخدمه النبات كطاقة. يجمع النبات بين جزيئات الجلوكوز لإنتاج السكروز ، وهو سكر تخزين مؤقت. لا تنتج الخلايا الجذرية والخلايا الأخرى في السيقان والأوراق الجلوكوز الخاص بها وتعتمد على النبات لتزويدها بالطاقة. تعمل خلايا اللحاء على نقل هذه الطاقة الناتجة في جميع أنحاء النبات من خلايا المصدر، مثل الأوراق ، إلى خلايا الحوض، مثل تلك الموجودة في الجذور. الأنسجة الوعائية مسؤولة أيضًا عن التحكم في تدفق العناصر الغذائية عندما يقوم النبات بتكوين الأزهار والفواكه ، مما يؤثر بشكل كبير على العملية.

لقد تعلم المزارعون كيفية التعامل مع نظام الأوعية الدموية للنباتات بطرق مختلفة لتعديل محاصيلهم بطرق مختلفة. على سبيل المثال ، من خلال إتلاف الأنسجة الوعائية الموجودة أسفل الفاكهة على فرع ، سيتم نقل السكريات إلى الفاكهة. بينما قد تعاني الجذور ، ستصبح الثمار أكبر بكثير نتيجة لذلك. هذا يسمي أحزمة، وهي واحدة من العديد من التقنيات المستخدمة لتغيير تدفق العناصر الغذائية داخل النبات عن طريق تعديل الأنسجة الوعائية.

1. أي مما يلي ليس نسيجًا وعائيًا؟
أ. زيليم
ب. اللحاء
ج. Meristem

2. لماذا يتكون اللحاء من الخلايا الحية ، بينما يتكون النسيج الخشبي من الخلايا الميتة؟
أ. بدون سبب
ب. يشارك اللحاء في النقل النشط ، بينما الزيلم ليس كذلك
ج. اللحاء هو نسيج جديد ، لقد مات نسيج الخشب

3. لماذا يمكن أن تكون نباتات الأوعية الدموية أطول بكثير من النباتات غير الوعائية؟
أ. يمكنهم نقل العناصر الغذائية أعلى
ب. يحتاجون إلى كمية أقل من الماء
ج. يحتاجون إلى قدر أقل من ضوء الشمس


شاهد الفيديو: دالة DGET من أقوى دوال البحث فى الاكسل. DGET Function in Excel (قد 2022).