Иммунные исследования
Открытый доступ

Абстрактный

Автоматизированная обработка изображений макрофагальных клеток, полученных с помощью рамановской микроскопии без меток, со стандартизированной регрессией для высокопроизводительного анализа

Роберт Дж. Милевски, Ютаро Кумагай, Кацумаса Фудзита, Дарон М. Стэндли

Предыстория: Макрофаги представляют собой передовую линию нашей иммунной системы; они распознают и поглощают патогены или инородные частицы, тем самым инициируя иммунный ответ. Визуализация макрофагов представляет собой уникальные проблемы, поскольку большинство оптических методов требуют маркировки или окрашивания клеточных отсеков для разрешения органелл, и такие пятна или метки могут нарушить работу клетки, особенно в случаях, когда существует неполная информация о точной клеточной реакции при наблюдении. Таким образом, методы визуализации без меток, такие как рамановская микроскопия, являются ценными инструментами для изучения преобразований, происходящих в иммунных клетках при активации, как на молекулярном уровне, так и на уровне органелл. Однако из-за чрезвычайно низких уровней сигнала рамановская микроскопия требует сложных методов обработки изображений для снижения шума и извлечения сигнала. На сегодняшний день эффективные автоматизированные алгоритмы для разрешения субклеточных особенностей в зашумленных многомерных наборах изображений не были широко изучены. Результаты: Мы показываем, что гибридная нормализация z-оценки и стандартная регрессия (Z-LSR) могут выделить спектральные различия внутри клетки и обеспечить контрастность изображения в зависимости от спектрального состава. В отличие от типичных методов обработки изображений Рамана, использующих многомерный анализ, таких как разложение по одному значению (SVD), наша реализация метода Z-LSR может работать практически в реальном времени. Несмотря на свою вычислительную простоту, Z-LSR может автоматически удалять фон и смещение в сигнале, улучшать разрешение пространственно распределенных спектральных различий и обеспечивать разрешение субклеточных особенностей на изображениях Рамана-микроскопии клеток макрофагов мыши. Примечательно, что обработанные Z-LSR изображения автоматически демонстрировали субклеточную архитектуру, тогда как SVD, в целом, требует помощи человека для выбора интересующих компонентов. Выводы: Вычислительная эффективность Z-LSR позволяет автоматизировать разрешение субклеточных особенностей в больших наборах данных Рамана-микроскопии без ущерба для качества изображения или потери информации в связанных спектрах. Эти результаты мотивируют дальнейшее использование методов микроскопии без меток при визуализации живых иммунных клеток в реальном времени.