Die Einzelzellanalyse ist eine leistungsstarke biomedizinische Technik, die in verschiedenen Bereichen der Biologie und Medizin verwendet wird, um seltene Zellpopulationen zu identifizieren, die Zellentwicklung und -differenzierung zu verfolgen, Krankheitsmechanismen zu verstehen und personalisierte Therapien zu entwickeln, aber sie erzeugt große Datenmengen, die schwierig zu verwalten sind .
Ein internationales Forscherteam unter der Leitung von Demetri Psaltis von der Eidgenössischen Technischen Hochschule Lausanne und Pietro Ferraro vom Institut für Angewandte Wissenschaften und Intelligente Systeme hat eine effektive Kodierungsstrategie für Einzelzell-Tomogramme demonstriert, die die Handhabung und Speicherung von Einzelzell-Tomogrammen stark rationalisiert. Zelldaten unter Beibehaltung der Treue.
Ihre Forschung wurde am 11. Januar veröffentlicht Intelligentes Rechnen.
Die von den Autoren vorgeschlagene neue Methode kann die riesigen Datensätze, die durch die tomografische Phasenmikroskopie, eine beliebte Technik für Einzelzellstudien, generiert werden, effektiv verwalten und verarbeiten. Diese Technik kann schnell 3D-Bilder von lebenden Zellen und Geweben erzeugen, ohne die Probe zu beschädigen, was sie zu einem wertvollen Werkzeug für die Untersuchung der Zelldynamik wie Teilung, Migration und Differenzierung macht.
Eine große Herausforderung, der sich die tomografische Phasenmikroskopie derzeit gegenübersieht, ist die effektive Verwaltung großer Mengen von 3D-Daten, um eine schnelle und genaue zelluläre Diagnose zu erreichen. Das neue Verfahren kann eine Datenkomprimierungsrate von 22,9 erreichen. Dies bedeutet, dass Big-Data-Einzelzelltomogramme komprimiert werden können und dabei über 95 % Platz sparen, wobei weniger als 1 % der Informationen verloren gehen.
Die Strategie funktioniert gut bei verschiedenen experimentellen Daten, einschließlich verschiedener Arten von Zellen mit kugelförmigen und nicht kugelförmigen Formen. Tatsächlich kann es alle volumetrischen Bilder effizient verarbeiten.
In Zukunft wird es möglich sein, ein tomografisches bildgebendes Durchflusszytometriesystem im Labor auf einem Chip zu haben – ein System, das Laser verwendet, um verschiedene Eigenschaften einzelner Zellen zu messen, während sie sich durch einen mit Flüssigkeit gefüllten Kanal bewegen. Um dies zu erreichen, ist ein mikrofluidisches Modul erforderlich, das in der Lage ist, die Positionen und Rotation der fließenden Zellen unter Verwendung fortschrittlicher Zellmanipulationslösungen wie Multicore-Fasern zu steuern.
Aus rechnerischer Sicht öffnen die hier berichteten Ergebnisse den Weg zu einer effektiven Methodik zum Speichern, Manipulieren und Verarbeiten volumetrischer Bilder, insbesondere für Lab-on-Chip-Systeme, die einen geringen Speicherbedarf erfordern. Die hier gezeigten Ergebnisse werden zu weiteren Entwicklungen in der Computermikroskopie für die Einzelzell-Phasenkontrasttomographie führen.
Das neue Verfahren basiert auf der 3D-Erweiterung von Zernike-Polynomen. Die 3D-Zernike-Darstellung ist eine Möglichkeit, die Form eines Objekts dreidimensional zu beschreiben. Es basiert auf einem mathematischen Konzept, das als sphärische Harmonische bezeichnet wird, und eignet sich besonders gut zur Beschreibung von Objekten, die eine ungefähr kugelförmige Form haben. Zellen in der natürlichen Umgebung sind oft wie Kugeln geformt, daher kann die 3D-Zernike-Darstellung ein nützliches Werkzeug sein, um sie zu untersuchen.
Die Autoren zeigten, dass die 3D-Brechungsindexverteilung einer Zelle durch die Verwendung von 3D-Zernike-Polynomen direkt in einer Dimension codiert werden kann. Sie rekonstruierten ein tomografisches Zellphantom und analysierten seine Leistung durch Vergleich mit den am häufigsten verwendeten volumetrischen Bildkomprimierungsstrategien. Die Methode wurde dann anhand realer Einzelzell-Tomographiedaten validiert.
Mehr Informationen:
Pasquale Memmolo et al, Verlustminimierte Datenreduktion in der Einzelzell-Tomographie-Phasenmikroskopie unter Verwendung von 3D-Zernike-Deskriptoren, Intelligentes Rechnen (2023). DOI: 10.34133/icomputing.0010
Bereitgestellt von Intelligent Computing