Главная » Все новости » Мощный вычислительный инструмент для эффективного анализа данных 4D-изображений клеточного деления
Мощный вычислительный инструмент для эффективного анализа данных 4D-изображений клеточного деления
Мощный вычислительный инструмент для эффективного анализа данных 4D-изображений клеточного деления

Мощный вычислительный инструмент для эффективного анализа данных 4D-изображений клеточного деления

Группа исследователей создала инструмент, способный реконструировать и визуализировать трехмерные (3D) формы и временные изменения клеток, ускоряя процесс анализа с сотен часов ручной работы до нескольких часов вычислений на компьютере. Этот инструмент революционизирует способ анализа данных изображений биологами и может способствовать дальнейшим исследованиям в области биологии развития и клеточной биологии, например, роста раковых клеток.

Междисциплинарное исследование проводили профессор Ян Хонг, заведующий кафедрой компьютерной инженерии, и Вонг Чунг Хонг, профессор инженерии данных факультета электротехники (EE) CityU, вместе с биологами из Пекинского и Гонконгского баптистского университета (HKBU). Их результаты были опубликованы в научном журнале Nature Communications под названием «Создание морфологического атласа эмбриона Caenorhabditis elegans с использованием 4D сегментации на основе глубокого обучения».

Инструмент, разработанный командой, называется «CShaper». «Это мощный вычислительный инструмент, который может систематически сегментировать и анализировать изображения клеток на уровне отдельных клеток, что очень необходимо для изучения деления клеток, а также функций клеток и генов», — сказал профессор Ян.

Узкое место при анализе огромного количества данных о делении клеток

Биологи изучали, как животные вырастают из единственной клетки, оплодотворенной яйцеклетки, в органы и все тело посредством бесчисленных клеточных делений. В частности, они хотят знать функции генов, такие как конкретные гены, участвующие в делении клеток для формирования различных органов, или то, что вызывает аномальные деления клеток, ведущие к опухолевому росту.

Способ найти ответ — использовать технику нокаута гена. Со всеми присутствующими генами исследователи сначала получают изображения клеток и дерево происхождения. Затем они «выбивают» (удаляют) ген из последовательности ДНК и сравнивают два дерева родословных, чтобы проанализировать изменения в клетках и сделать вывод о функциях генов. Затем они повторяют эксперимент, выбивая другие гены.

В исследовании команда биологов использовала эмбрионы Caenorhabditis elegans (C. elegans) для получения терабайт данных для команды профессора Яна для проведения вычислительного анализа. C. elegans — это тип червя, который имеет много общих биологических характеристик с людьми и представляет собой ценную модель для изучения процесса роста опухоли у человека.

«Учитывая, что у C. elegans около 20 000 генов, это означает, что потребуется около 20 000 экспериментов, чтобы исключить по одному гену за раз. И будет огромное количество данных. Поэтому крайне важно использовать автоматизированную систему анализа изображений. И это побудило нас разработать более эффективный метод работы», — сказал он.

Прорыв в автоматической сегментации изображений клеток

Изображения клеток обычно получают сканированием лазерным лучом. Существующие системы анализа изображений могут только хорошо обнаружить ядро клетки при низком качестве изображения клеточной мембраны, что затрудняет реконструкцию формы клеток. Кроме того, отсутствует надежный алгоритм для сегментации покадровых трехмерных изображений (т.е. четырехмерных изображений) деления клеток. Сегментация изображения — это важный процесс в компьютерном зрении, который включает в себя разделение визуального ввода на сегменты для упрощения анализа изображения. Но исследователям приходится тратить сотни часов, вручную маркируя множество изображений клеток.

Прорыв в CShaper заключается в том, что он может обнаруживать клеточные мембраны, создавать формы клеток в 3D и, что более важно, автоматически сегментировать изображения клеток на уровне клеток. «Используя CShaper, биологи могут расшифровать содержимое этих изображений в течение нескольких часов. Он может характеризовать формы клеток и поверхностные структуры, а также предоставлять трехмерные изображения клеток в разные моменты времени», — сказал Цао Цзяньфэн , аспирант в группе профессора Яна и соавтор статьи.

Для этого ключевую роль в системе CShaper играет разработанная командой модель DMapNet, основанная на глубоком обучении. «Обучаясь захватывать несколько дискретных расстояний между пикселями изображения, DMapNet извлекает контур мембраны, учитывая информацию о форме, а не только характеристики интенсивности. Таким образом, CShaper достиг 95,95% точности идентификации клеток, что значительно превосходит другие методы», — пояснил он.

С помощью CShaper команда создала покадровой трехмерный атлас морфологии клеток для эмбриона C. elegans на стадиях от 4 до 350, включая форму клетки, объем, площадь поверхности, миграцию, положение ядра и межклеточный контакт с подтвержденной идентичностью клеток.

Продвижение дальнейших исследований роста опухолей

«Насколько нам известно, CShaper — первая вычислительная система для систематической сегментации и анализа изображений эмбриона C. elegans на одноклеточном уровне», — сказал доктор Цао. «Благодаря тесному сотрудничеству с биологами мы с гордостью разработали полезный компьютерный инструмент для автоматического анализа огромного количества данных изображений клеток. Мы считаем, что он может способствовать дальнейшим исследованиям в области биологии развития и клеточной биологии, в частности, для понимания происхождения и роста раковых клеток», — добавил профессор Ян.

Они также протестировали CShaper на клетках тканей растений, показав многообещающие результаты. Они считают, что компьютерный инструмент можно использовать для других биологических исследований.

Группа исследователей создала инструмент, способный реконструировать и визуализировать трехмерные (3D) формы и временные изменения клеток, ускоряя процесс анализа с сотен часов ручной работы до нескольких часов вычислений на компьютере. Этот инструмент революционизирует способ анализа данных изображений биологами и может способствовать дальнейшим исследованиям в области биологии развития и клеточной биологии, например, роста раковых клеток.

Понравилась запись? Поделись с другом!!!