DOI: https://doi.org/10.1038/s41592-025-02685-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40369245
تاريخ النشر: 2025-05-14
المؤلف: Hui Ting Ong وآخرون
الموضوع الرئيسي: تقنيات تحليل صور الخلايا
مقدمة
في هذا القسم، يصف المؤلفون بروتوكولات الصيانة لخطوط خلايا السرطان المختلفة المستخدمة في أبحاثهم. تم زراعة خط خلايا سرطان القولون HCT116 وخط خلايا سرطان الثدي MCF7 في وسط كامل يتكون من DMEM عالي الجلوكوز، مضافًا إليه 10% من مصل البقر الجنيني والبنسلين-ستربتوميسين، تحت ظروف مسيطر عليها عند 37 درجة مئوية و5% CO₂. بالإضافة إلى ذلك، تم زراعة خلايا الظهارة الثديية البشرية (HME)، المستمدة من مجموعة الثقافة الأمريكية، في وسط أساسي مخصص لخلايا الظهارة الثديية، مضافًا إليه مجموعة نمو، وكانت محدودة بحد أقصى عشرة تمريرات للاستخدام التجريبي. تعتبر هذه الصيانة الدقيقة لزراعة الخلايا ضرورية لضمان موثوقية و reproducibility النتائج التجريبية.
طرق
في هذا القسم، يصف المؤلفون المنهجية المستخدمة لتقييم جودة تقسيم النوى باستخدام نماذج StarDist 18، التي تم تقييمها من خلال درجة F1 بناءً على عتبة التقاطع على الاتحاد (IoU). يتم حساب درجة F1 على النحو التالي:
\[
F_{IoU \geq N\%} = \frac{2 \sum_{obj} IoU \geq N\%}{2 \sum_{obj} IoU \geq N\% + \sum_{obj \text{-pred unmatched}} + \sum_{obj} IoU \geq N\%}
\]
يتم تعريف IoU لكل كائن على أنه مساحة التقاطع مقسومة على مساحة الاتحاد للأشكال المتوقعة والحقيقية. لتوافق التوقعات مع الحقائق الأرضية، تم استخدام خوارزمية Jonker-Volgenant المعدلة، مع تحسين IoU في سياق الرسم البياني الثنائي. تم تغيير حجم الصور إلى دقة تدريب النموذج قبل الاستدلال، مع تطبيق معلمات متسقة عبر جميع النماذج، باستخدام عتبة IoU تبلغ 50% نظرًا لموثوقيتها المعروفة.
بالإضافة إلى ذلك، قام المؤلفون بتقييم استقلال دقة تقسيم النوى، المشار إليها بدرجة IoU لكل نواة، مقابل جودة التصوير المتغيرة مثل نسبة الإشارة إلى الضوضاء (SNR) وكثافة النوى. تم إجراء تحليلات الارتباط باستخدام معامل ارتباط رانك سبيرمان على مجموعة بيانات صورة ‘ZeroG Breast Cancer Spheroid’، التي تضمنت 99 نواة. تم حساب SNR باستخدام الصيغة:
\[
SNR(obj) = 10 \log_{10} \left( \frac{SP(obj)}{NP(obj)} \right)
\]
حيث \(SP(obj)\) هو متوسط قوة الإشارة و\(NP(obj)\) هو قوة الضوضاء. تم تقييم سرعة الاستدلال من خلال التنبؤات المتكررة على صور بحجم \(76 \times 512 \times 512\) فوكسي، مع تفاصيل النتائج في الجدول 3 من البيانات الموسعة.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يسلط الضوء على النتائج المهمة التي تدعم الفرضيات أو أسئلة البحث المطروحة في الدراسة. عادةً ما تكون النتائج مصحوبة ببيانات إحصائية ذات صلة، وتمثيلات بصرية مثل الرسوم البيانية أو الجداول، وأي اتجاهات أو أنماط تم ملاحظتها خلال التحقيق.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم، مقارنتها بالأدبيات الموجودة لوضع مساهماتهم في السياق. النتائج ضرورية لفهم فعالية المنهجيات المستخدمة وصحة الاستنتاجات المستخلصة في الأقسام اللاحقة من الورقة.
مناقشة
يسلط قسم المناقشة في ورقة البحث الضوء على تطوير وأداء DeepStar3D، وهو شبكة عصبية تلافيفية جديدة (CNN) مصممة لتقسيم ثلاثي الأبعاد بكفاءة للهياكل الخلوية في سياقات بيولوجية متنوعة. تم تصميم هذه الطريقة لتناسب ظروف المختبر في العالم الحقيقي، مع استيعاب أنماط التصوير المتنوعة، والدقة، وتقنيات الصبغ، بما في ذلك كل من التقارير بعد التثبيت والتقارير المشفرة جينيًا. تستفيد DeepStar3D من مبادئ StarDist، المعروفة بدقتها وسرعتها، وتظهر أداءً متفوقًا في تقسيم النوى مقارنةً بأطر عمل أخرى مثل U-Net3D وCellpose3D، خاصة في البيئات البيولوجية المعقدة التي تتميز بكثافة النوى وخلفيات ضوضائية. يتم التأكيد على متانة النموذج من خلال قدرته على الحفاظ على جودة التقسيم عبر جودة الصور المتغيرة وقدرات المعالجة السريعة، مما يجعله مناسبًا لتطبيقات الفحص عالي الإنتاجية.
علاوة على ذلك، تقدم الورقة منهجية شاملة لتحليل مورفولوجيا الخلايا ثلاثية الأبعاد وتوبولوجيا داخل الأعضاء، والتي تشمل تقسيم متعدد المقاييس وكمية على مستويات النواة والسيتوبلازم والأعضاء. لا تبسط هذه الطريقة عملية التقسيم فحسب، بل تتيح أيضًا استخراج أوصاف مورفولوجية وتوبولوجية واسعة تسهل فهم التفاعلات الخلوية ونمط الأنسجة. تؤكد النتائج على أهمية التقسيم الدقيق ثلاثي الأبعاد في كشف السلوكيات الخلوية والاستجابات في السياقات التنموية والمرضية، مما يعزز مجال البحث الطبي الحيوي. تعزز واجهة البرنامج سهلة الاستخدام، 3DCellScope، إمكانية الوصول، مما يسمح للباحثين بتصور وتحليل النتائج مع الحد الأدنى من الموارد الحاسوبية، وبالتالي تعزيز التقدم التعاوني في علم الأحياء ثلاثي الأبعاد.
DOI: https://doi.org/10.1038/s41592-025-02685-4
PMID: https://pubmed.ncbi.nlm.nih.gov/40369245
Publication Date: 2025-05-14
Author(s): Hui Ting Ong et al.
Primary Topic: Cell Image Analysis Techniques
Introduction
In this section, the authors describe the maintenance protocols for various cancer cell lines utilized in their research. The colorectal cancer cell line HCT116 and the breast cancer cell line MCF7 were cultured in a complete medium consisting of DMEM high glucose, supplemented with 10% fetal bovine serum and penicillin-streptomycin, under controlled conditions of 37 °C and 5% CO₂. Additionally, human mammary epithelial (HME) cells, sourced from the American Type Culture Collection, were cultured in a specialized Mammary Epithelial Cell Basal Medium, supplemented with a growth kit, and were limited to a maximum of ten passages for experimental use. This careful maintenance of cell cultures is crucial for ensuring the reliability and reproducibility of experimental results.
Methods
In this section, the authors describe the methodology used to benchmark the segmentation quality of nuclei using the StarDist 18 models, evaluated through the F1 score based on the Intersection over Union (IoU) threshold. The F1 score is calculated as follows:
\[
F_{IoU \geq N\%} = \frac{2 \sum_{obj} IoU \geq N\%}{2 \sum_{obj} IoU \geq N\% + \sum_{obj \text{-pred unmatched}} + \sum_{obj} IoU \geq N\%}
\]
The IoU for each object is defined as the area of the intersection divided by the area of the union of the predicted and ground truth shapes. To align predictions with ground truths, a modified Jonker-Volgenant algorithm was employed, optimizing for IoU in a bipartite graph context. Images were resized to the model’s training resolution prior to inference, with consistent parameters applied across all models, specifically using an IoU threshold of 50% due to its established reliability.
Additionally, the authors assessed the independence of nuclei segmentation precision, indicated by the IoU score per nucleus, against varying imaging qualities such as Signal-to-Noise Ratio (SNR) and nuclei density. Correlation analyses were performed using Spearman’s rank correlation coefficient on the ‘ZeroG Breast Cancer Spheroid’ image dataset, which included 99 nuclei. The SNR was calculated using the formula:
\[
SNR(obj) = 10 \log_{10} \left( \frac{SP(obj)}{NP(obj)} \right)
\]
where \(SP(obj)\) is the mean signal power and \(NP(obj)\) is the noise power. Inference speed was evaluated through repeated predictions on images of size \(76 \times 512 \times 512\) voxels, with results detailed in Extended Data Table 3.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments or analyses. It highlights the significant outcomes that support the hypotheses or research questions posed in the study. The results are typically accompanied by relevant statistical data, visual representations such as graphs or tables, and any observed trends or patterns that emerged during the investigation.
In this section, the authors may also discuss the implications of their findings, comparing them with existing literature to contextualize their contributions to the field. The results are crucial for understanding the effectiveness of the methodologies employed and the validity of the conclusions drawn in subsequent sections of the paper.
Discussion
The discussion section of the research paper highlights the development and performance of DeepStar3D, a novel convolutional neural network (CNN) designed for efficient 3D segmentation of cellular structures in various biological contexts. This method is tailored for real-world laboratory conditions, accommodating diverse imaging modalities, resolutions, and staining techniques, including both post-fixation and genetically encoded reporters. DeepStar3D leverages the principles of StarDist, known for its accuracy and speed, and demonstrates superior performance in segmenting nuclei compared to other frameworks like U-Net3D and Cellpose3D, particularly in complex biological environments characterized by dense nuclei and noisy backgrounds. The model’s robustness is underscored by its ability to maintain segmentation quality across varying image qualities and its rapid processing capabilities, making it suitable for high-throughput screening applications.
Furthermore, the paper introduces a comprehensive methodology for analyzing 3D cell morphology and topology within organoids, which includes multi-scale segmentation and quantification at the nuclear, cytoplasmic, and organoid levels. This approach not only simplifies the segmentation process but also enables the extraction of extensive morphological and topological descriptors that facilitate the understanding of cellular interactions and tissue patterning. The findings emphasize the importance of accurate 3D segmentation in revealing cellular behaviors and responses in developmental and pathological contexts, thereby advancing the field of biomedical research. The user-friendly software interface, 3DCellScope, enhances accessibility, allowing researchers to visualize and analyze results with minimal computational resources, thus promoting collaborative advancements in 3D biology.