Анализ изображений клеток коры головного мозга in vitro с применением метода глубокого обучения
https://doi.org/10.29235/1561-8323-2023-67-4-315-321
Анатацыя
Представлен метод анализа изображений культивируемых клеток коры головного мозга для количественной оценки параметров развития биологических нейронных сетей с применением средств машинного обучения. Разработаны программные модули сегментации изображений на клетки, кластеры и нейриты с применением нейросетевой модели и метода глубокого обучения, сформирован обучающий набор изображений культивируемых нейронов и соответствующих масок сегментации. Результаты апробированы при анализе развития сети культивируемых нейронов in vitro на основе подсчета длины нейритов на различных стадиях роста культуры. Разработанные методики мониторинга процессов формирования биологических нейронных сетей на основе анализа роста нейронов в различных условиях и на различных субстратах предоставляют возможность контроля процессов дифференцировки стволовых клеток в нейрогенном направлении. Результаты могут применяться для мониторинга формирования органоидов в биоинженерных приложениях, а также при моделировании процессов регенерации нервной ткани.
Аб аўтарах
А. Денисов
Институт физиологии Национальной академии наук Беларуси;
Белорусский государственный университет
Беларусь
Беларусь
А. Никифоров
Институт физиологии Национальной академии наук Беларуси
Беларусь
Беларусь
А. Богданова
Институт физиологии Национальной академии наук Беларуси
Беларусь
Беларусь
С. Пашкевич
Институт физиологии Национальной академии наук Беларуси
Беларусь
Беларусь
Н. Сердюченко
Институт физиологии Национальной академии наук Беларуси
Беларусь
Беларусь
Спіс літаратуры
1. The application of in vitro-derived human neurons in neurodegenerative disease modeling / G. X. D’Souza [et al.] // J. Neurosci. Res. – 2021. – Vol. 99, N 1. – P. 124–140. https://doi.org/10.1002/jnr.24615
2. Pacitti, D. Organs to Cells and Cells to Organoids: The Evolution of in vitro Central Nervous System Modelling / D. Pacitti, R. Privolizzi, B. E. Bax // Front. Cell. Neurosci. – 2019. – Vol. 13. https://doi.org/10.3389/fncel.2019.00129
3. Advances in ex vivo models and lab-on-a-chip devices for neural tissue engineering / S. Mobini [et al.] // Biomaterials. – 2019. – Vol. 198. – P. 146–166. https://doi.org/10.1016/j.biomaterials.2018.05.012
4. A rapid and accurate method to quantify neurite outgrowth from cell and tissue cultures: Two image analytic approaches using adaptive thresholds or machine learning / A. Ossinger [et al.] // J. Neurosci. Methods. – 2020. – Vol. 331. – Art. 108522. https://doi.org/10.1016/j.jneumeth.2019.108522
5. NeuriTES. Monitoring neurite changes through transfer entropy and semantic segmentation in bright-field time-lapse microscopy / A. Mencattini [et al.] // Patterns. – 2021. – Vol. 2, N 6. – Art. 100261. https://doi.org/10.1016/j.patter.2021.100261
6. U-Net and its Variants for Medical Image Segmentation: A Review of Theory and Applications / N. Siddique [et al.] // IEEE Access. – 2021. – Vol. 9. – P. 82031–82057. https://doi.org/10.1109/access.2021.3086020
7. Facci, L. Culture of rodent cortical and hippocampal neurons / L. Facci, S. D. Skaper // Neurotrophic Factors. – 2012. – Vol. 846. – P. 49–56. https://doi.org/10.1007/978-1-61779-536-7_5
8. Reza, A. M. Realization of the Contrast Limited Adaptive Histogram Equalization (CLAHE) for Real-Time Image Enhancement / A. M. Reza // J. VLSI Signal Process. Syst. Signal Image Video Technol. – 2004. – Vol. 38, N 1. – P. 35–44. https://doi.org/10.1023/b:vlsi.0000028532.53893.82
9. MEDIAR: Harmony of Data-Centric and Model-Centric for Multi-Modality Microscopy / G. Lee [et al.] // arXiv:2212.03465. – 2022. https://doi.org/10.48550/arXiv.2212.03465
10. Rother, C. “GrabCut”: interactive foreground extraction using iterated graph cuts / C. Rother, V. Kolmogorov, A. Blake // ACM Trans. Graph. – 2004. – Vol. 23, N 3. – P. 309–314. https://doi.org/10.1145/1015706.1015720
11. SNT: a unifying toolbox for quantification of neuronal anatomy / C. Arshadi [et al.] // Nat. Methods. – 2021. – Vol. 18, N 4. – P. 374–377. https://doi.org/10.1038/s41592-021-01105-7
12. Sholl analysis: a quantitative comparison of semi-automated methods / K. E. Binley [et al.] // J. Neurosci. Methods. – 2014. – Vol. 225. – P. 65–70. https://doi.org/10.1016/j.jneumeth.2014.01.017
13. Stukel, J. M. The interplay of peptide affinity and scaffold stiffness on neuronal differentiation of neural stem cells / J. M. Stukel, R. K. Willits // Biomed. Mater. – 2018. – Vol. 13, N 2. – Art. 024102. https://doi.org/10.1088/1748-605x/aa9a4b
14. Human brain organoid-on-a-chip to model prenatal nicotine exposure / Y. Wang [et al.] // Lab Chip. – 2018. – Vol. 18, N 6. – P. 851–860. https://doi.org/10.1039/c7lc01084b
15. Costamagna, G. Advancing Drug Discovery for Neurological Disorders Using iPSC-Derived Neural Organoids / G. Costamagna, G. P. Comi, S. Corti // Int. J. Mol. Sci. – 2021. – Vol. 22, N 5. – Art. 2659. https://doi.org/10.3390/ijms22052659
##reviewer.review.form##
Праглядаў: 302
Паслаць артыкул па эл. пошце 