バイオイメージインフォマティクス

バイオイメージ・インフォマティクスは、バイオインフォマティクスと計算生物学のサブフィールドです。[ 1 ]バイオイメージ、特に細胞画像や分子画像を大規模かつ高スループットで解析するための計算技術の利用に焦点を当てています。その目的は、複雑で異質な画像と関連メタデータから有用な知識を得ることです。

自動顕微鏡は、最小限の介入で大量の画像を収集できます。これによりデータ爆発が発生し、自動処理が不可欠になっています。さらに驚くべきことに、これらのタスクのいくつかでは、自動システムが人間よりも優れたパフォーマンスを発揮できるという証拠があります。[ 2 ] [ 3 ]さらに、自動システムは偏りがありません。人間による分析では、評価が（無意識のうちにさえ）望ましい結果に影響を受ける可能性があります。

これらのデータ集約型の問題における生物学的知識を抽出、比較、検索、管理するための新しい画像処理、コンピュータービジョン、データマイニング、データベース、可視化技術の開発にますます重点が置かれています。 [ 4 ] [ 5 ]

データモダリティ

複数のデータ収集システムとプラットフォームが使用されており、最適に処理するにはさまざまな方法が必要です。

蛍光顕微鏡

終期細胞の蛍光画像。複数の色素で撮影され、異なる色で表示されています。

蛍光顕微鏡は、生細胞と固定細胞の両方において、細胞内レベルの分子を直接観察することを可能にします。対象分子は、緑色蛍光タンパク質（GFP）、その他の蛍光タンパク質、または蛍光標識抗体で標識されます。一般的に用いられる顕微鏡の種類には、広視野顕微鏡、共焦点顕微鏡、二光子顕微鏡などがあります。ほとんどの顕微鏡システムは、時系列画像（動画）の収集もサポートしています。

一般的に、フィルターは各色素を個別に画像化するために使用されます（例えば、ヘキストを画像化するために青色フィルターを使用し、その後すぐに緑色フィルターに切り替えてGFPを画像化します）。画像閲覧時には、各チャンネルを異なる色で表示することで擬似カラーで表示されることがよくありますが、これらの色は元の波長とは関連がない場合もあります。場合によっては、元の画像が可視光線以外の波長（一般的には赤外線）で取得されていることもあります。

画像取得段階での選択は解析結果に影響を与え、多くの場合特別な処理が必要になります。共焦点スタックでは3D処理が必要となり、広視野擬似スタックでは焦点外の光を除去するために デジタルデコンボリューションが効果的です。

多数の画像を自動的に取得できる自動顕微鏡の登場は、分析を目視で行うことができない理由の1つです（そうでなければ、アノテーションが急速に研究のボトルネックとなるでしょう）。自動顕微鏡を使用すると、一部の画像が焦点が合っていない（自動フォーカス検出システムが不正確な場合がある）、少数の細胞しか含まれていない、または破片で満たされている可能性があります。そのため、生成された画像は、オペレーターが撮影して正しく焦点を合わせるために別の場所を選択するため、オペレーターが取得した画像よりも分析が難しくなります。その一方で、オペレーターは、実験前に予測された表現型に最も近い細胞のみを選択することで、選択に無意識のバイアスをもたらす可能性があります。

組織学

歯槽微小結石症の組織学的画像

組織学は、組織切片を染色し、顕微鏡（通常は光学顕微鏡ですが、電子顕微鏡も使用されます）で観察する顕微鏡アプリケーションです。

光学顕微鏡を使用する場合、蛍光イメージングとは異なり、通常は標準的なカラーカメラシステムを用いて画像を取得します。これは、人間が画像を解釈することが多かったというこの分野の歴史を反映しているだけでなく、サンプルを白色光で照射し、蛍光色素を励起する必要がなく、すべての光を集光できるという事実も反映しています。複数の色素を使用する場合、必要な前処理手順として、各色素のチャンネルを分離し、純粋な色素固有の強度を推定する必要があります。

染色されたタンパク質の細胞内位置は組織学画像から特定できることが示されています。

医療診断を目的とした場合、組織学の応用は、バイオイメージインフォマティクスの姉妹分野であるデジタル病理学や自動組織画像解析の領域に該当することが多い。同じ計算手法が適用できる場合が多いが、その目的は研究志向ではなく医学志向である。

重要な問題

細胞内位置解析

細胞内位置の例。異なる画像特徴を計算することで、様々なパターンの例を2次元空間にマッピングします。未知のタンパク質の画像も同様にこの空間にマッピングされ、最近傍探索やその他の分類器を用いて、この未分類タンパク質の位置を割り当てることができます。

細胞内位置解析は、この分野における初期の課題の一つでした。教師あり学習では、画像に基づいて 主要な細胞小器官の画像を認識できる分類器を学習することが課題となります。

使用される手法は機械学習に基づいており、画像から計算された数値特徴に基づいて識別分類器を構築します。特徴は、 Haralickテクスチャ特徴などのコンピュータビジョンの一般的な特徴、または生物学的因子を捉えるために特別に設計された特徴（例えば、核マーカーとの共局在が典型的な例）のいずれかです。

細胞小器官の同定という基本的な問題に対しては、?よりも良い結果を含む非常に高い精度の値が得られます。[ 2 ]これらの方法は基礎細胞生物学研究に有用ですが、癌細胞内で位置が変化するタンパク質の発見にも応用されています。[ 6 ]

しかし、多くのタンパク質が同時に複数の場所に局在し（混合パターン）、膜結合成分として異なっていなくても区別できるパターンも多数存在するため、細胞小器官への分類は問題の限定的な形態です。この分野には未解決の問題がいくつか残っており、研究が進められています。

ハイコンテントスクリーニング

自動共焦点画像リーダー

自動イメージング技術を用いたハイスループットスクリーニング（ハイコンテントスクリーニングと呼ばれることもある）は、創薬研究と基礎生物学研究の両方において標準的な手法となっている。マルチウェルプレート、ロボット工学、自動顕微鏡を用いることで、同一のアッセイを多数の候補試薬（通常は低分子化合物またはRNAi）のライブラリに非常に迅速に適用し、短時間で数千枚の画像を取得することができる。生成されるデータ量が多いため、自動画像解析は必須である。[ 7 ]

陽性コントロールと陰性コントロールが利用できる場合、問題を分類問題としてアプローチすることができ、細胞内位置分析に使用されるのと同じ特徴計算および分類の手法を適用できます。

セグメンテーション

セグメンテーション問題の例画像。マウスNIH 3T3の核をヘキスト染色し、赤色でセグメンテーションを示している。[ 8 ]

細胞のセグメンテーションは、以下の多くの分野において重要なサブ問題です（生存率アッセイで細胞数を取得することだけが目的であれば、それ自体が有用な場合もあります）。目的は、複数細胞画像における細胞の境界を特定することです。これにより、各細胞を個別に処理してパラメータを測定することが可能になります。3Dデータでは、セグメンテーションは3D空間内で実行する必要があります。

核マーカーの画像化は多くの画像で共通しているため、広く用いられているプロトコルは核をセグメント化するものです。これは、核の測定が必要な場合にそれ自体で有用であり、また、画像全体にセグメント化を拡張するための ウォーターシェッドの種として使用することもできます。

細胞画像においては、単純な閾値処理からレベルセット法まで、あらゆる主要なセグメンテーション手法が報告されています。しかし、画像モダリティは複数存在し、細胞の種類もそれぞれ異なるトレードオフを伴うため、この問題に対する単一の解決策は存在しません。

細胞画像のセグメンテーションは、個々の細胞の遺伝子発現や共局在関係などを研究するために重要な手法としてしばしば用いられます。このような単一細胞解析では、細胞をセグメンテーションする際に、細胞のアイデンティティを一意に決定することがしばしば必要となります。このような認識タスクは、計算的に容易ではありません。明確に定義された細胞系統を持つC. elegansのようなモデル生物の場合、画像セグメンテーションとパターン認識の両方の手法を組み合わせることで、画像解析によって細胞のアイデンティティを明示的に認識することが可能です。[ 9 ]細胞の「アトラス」などの事前情報が利用可能な場合、細胞のセグメンテーションと認識を同時に行う方法[ 10 ] も、この問題に対するより正確な解決策として提案されています。これらの画像に基づくアプローチを用いることで、単一細胞解像度での遺伝子発現を得ることができるため、RNAseqなどの他の単一細胞遺伝子発現定量手法と組み合わせることが可能です。

トラッキング

トラッキングは、バイオイメージ情報学に現れるもう一つの伝統的な画像処理問題です。これは、フィルムの連続するフレームに現れる物体を関連付ける問題です。セグメンテーションと同様に、この問題は2次元と3次元の両方の形式で提示できます。[ 11 ]

蛍光イメージングの場合、トラッキングはコントラストが非常に低い画像で行わなければならないことがよくあります。高コントラストを得るには、より多くの光を照射する必要がありますが、これはサンプルにダメージを与え、色素を破壊するため、照明は最小限に抑えられます。光子バジェット（光子量）について考えると役立つことがよくあります。光子バジェットとは、サンプルへのダメージが大きくなりすぎてデータが信頼できなくなる前にイメージングに使用できる光子の数です。したがって、高コントラスト画像を取得する場合は、数フレームのみを使用できますが、長編動画の場合は、各フレームのコントラストが非常に低くなります。

登録

異なるラベル付け方法、異なる個体、異なる時点のサンプルなどに対応する異なる性質の画像データサンプルを検討する場合、比較を容易にするために画像を登録する必要がある場合がよくあります。 1 つの例として、時間経過データを収集する場合、カメラ位置の小さなずれを補正できるように、後続のフレームの画像を登録する必要がある場合がよくあります。別の例として、モデル動物 (例: C. elegans、ショウジョウバエの脳、マウスの脳) の画像を多数収集する場合、これらの画像のパターン (同じまたは異なるニューロン集団に対応する画像、遺伝子発現が共有または異なる画像など) を比較するために、これらの画像を登録する必要がある場合がよくあります。

医療画像レジストレーションソフトウェアパッケージは、顕微鏡画像レジストレーションアプリケーションへの初期の試みでした。しかし、画像ファイルサイズが通常よりもはるかに大きく、実験における標本数もはるかに多いため、多くの場合、新しい3D画像レジストレーションソフトウェアの開発が必要になりました。BrainAligner [ 12 ]は、信頼性の高いランドマークマッチング戦略を用いて、3D変形および非線形レジストレーションプロセスを自動化するために使用されているソフトウェアです。主にHHMIのJanelia Farmで50,000枚を超える標準化されたショウジョウバエ脳画像を生成するために使用されており、トンボやマウスなどの他の用途にも使用されています。

重要な会場

大学や研究機関の科学者コンソーシアムは、 2005年以来、バイオイメージング・インフォマティクスに関する年次会議を開催しています[ 13 ] 。ISMB会議には2010年以来、バイオイメージング＆データ可視化トラックが設けられています。ジャーナル「Bioinformatics 」も2012年にバイオイメージ・インフォマティクストラックを導入しました。オープンアクセスジャーナル「BMC Bioinformatics 」には、バイオイメージ分析、可視化、および関連アプリケーションに特化したセクションがあります。その他の計算生物学およびバイオインフォマティクスジャーナルも、バイオイメージ・インフォマティクスの研究を定期的に発表しています。欧州連合（EU）の委員会活動であるNEUBIAS（欧州バイオイメージアナリストネットワーク）は、2017年以来、年次会議のほか、バイオイメージアナリストのトレーニングスクールやタグソンを開催しています。

ソフトウェア

ImageJ、FIJI、CellProfiler、Icyなど、グラフィカルユーザーインターフェースを介してバイオイメージインフォマティクス手法を利用できるパッケージは数多く存在します。近年では、 Vaa3Dなどの可視化・解析プラットフォームが登場し、特に神経科学分野の大規模プロジェクトやデスクトップアプリケーションで利用されています。

Vaa3D を使用してハエの脳の各部の表面モデルをレンダリングした例

他の研究者は、 Python、C++、MATLABなど、コンピュータビジョンのサポートが充実したプログラミング言語をベースに独自の手法を開発しています。Python用のMahotasライブラリは、その好例です。しかしながら、 Rのようにコンピュータビジョンのサポートがあまり充実していないプログラミング言語で手法を開発した研究者も存在します（例：trackdem [ 14 ]）。

参照

参考文献

  1. ^ Peng, H; Bateman A; Valencia A; Wren JD (2012). 「バイオイメージインフォマティクス：バイオインフォマティクスにおける新たなカテゴリー」 .バイオインフォマティクス. 28 (8): 1057. doi : 10.1093/bioinformatics/bts111 . PMC  3324521. PMID  22399678 .
  2. ^ a b Murphy, Robert; Velliste, M.; Porreca, G. (2003). 「蛍光顕微鏡画像における細胞内位置パターンの記述と分類のための堅牢な数値特徴量」. The Journal of VLSI Signal Processing . 35 (3): 311– 321. CiteSeerX 10.1.1.186.9521 . doi : 10.1023/b:vlsi.0000003028.71666.44 . S2CID 8134907 .  
  3. ^ Nattkemper, Tim; Thorsten Twellmann; Helge Ritter; Walter Schubert (2003). 「人間 vs. 機械：蛍光顕微鏡写真の評価」. Computers in Biology and Medicine . 33 (1): 31– 43. CiteSeerX 10.1.1.324.4664 . doi : 10.1016/S0010-4825(02)00060-4 . PMID 12485628 .  
  4. ^ Peng H (2008年9月). 「バイオイメージインフォマティクス：工学生物学の新たな領域」 .バイオインフォマティクス. 24 (17): 1827–36 . doi : 10.1093/bioinformatics/btn346 . PMC 2519164. PMID 18603566 .  
  5. ^ 「定量的顕微鏡法の探求」 . Nature Methods . 9 (7): 627. 2012. doi : 10.1038/nmeth.2102 . PMID 22930824 . 
  6. ^ Glory, Estelle; Justin Newberg; Robert F. Murphy (2008). 「正常組織と癌組織の画像におけるタンパク質細胞内局在パターンの自動比較」.バイオメディカルイメージング：ナノからマクロへ, 2008. ISBI 2008. 第5回IEEE国際シンポジウム.
  7. ^ Shariff, Aabid; Joshua Kangas; Luis Pedro Coelho; Shannon Quinn; Robert F Murphy (2010). 「ハイコンテントスクリーニングと解析のための自動画像解析」 . Journal of Biomolecular Screening . 15 (7): 726– 734. doi : 10.1177/1087057110370894 . PMID 20488979 . 
  8. ^ Coelho, Luis Pedro; Aabid Shariff; Robert F. Murphy (2009). 「顕微鏡細胞画像における核セグメンテーション：手作業でセグメント化されたデータセットとアルゴリズムの比較」. Biomedical Imaging: From Nano to Macro, 2009. ISBI'09. IEEE International Symposium on. IEEE . doi : 10.1109/ISBI.2009.5193098 . PMC 2901896 . 
  9. ^ Long, Fuhui; Peng, H.; Liu, X.; Kim, S.; Myers, EW (2009年9月). 「C. elegansの3Dデジタルアトラスと単細胞解析への応用」 . Nature Methods . 6 (9): 667– 672. doi : 10.1038/nmeth.1366 . PMC 2882208. PMID 19684595 .  
  10. ^ Qu, Lei; Long, F.; Liu, X.; Kim, S.; Myers, EW; Peng, H. (2011). 「細胞の同時認識とセグメンテーション：C. elegansへの応用」 .バイオインフォマティクス. 27 (20): 2895– 2902. doi : 10.1093/bioinformatics/btr480 . PMC 3187651. PMID 21849395 .  
  11. ^ Dufour, Alexandre; Vasily Shinin; Shahragim Tajbakhsh; Nancy Guillén-Aghion; JC. Olivo-Marin; Christophe Zimmer (2005). 「結合型アクティブサーフェスを用いた動的3D顕微鏡による蛍光細胞のセグメンテーションと追跡」(PDF) . Image Processing, IEEE Transactions on 14, no. 9. pp.  1396– 1410. doi : 10.1109/TIP.2005.852790 . 2014年3月2日時点のオリジナル(PDF)からアーカイブ。。
  12. ^ Peng, Hanchuan; Chung, P.; Long, F.; Qu, L.; Jenett, A.; Seeds, A.; Myers, EW; Simpson, J. H (2011). 「BrainAligner: ショウジョウバエ脳の3Dレジストレーションアトラス」. Nature Methods . 8 (6): 493– 498. doi : 10.1038/nmeth.1602 . PMC 3104101. PMID 21532582 .  
  13. ^ 「バイオイメージインフォマティクス年次会議」。
  14. ^ Bruijning, Marjolein; Visser, Marco D.; Hallmann, Caspar A.; Jongejans, Eelke; Golding, Nick (2018). 「trackdem: r言語による動画から個体数とサイズ分布を取得するための自動粒子追跡」 . Methods in Ecology and Evolution . 9 (4): 965– 973. doi : 10.1111/2041-210X.12975 . hdl : 2066/184075 . ISSN 2041-210X . 
「 https://en.wikipedia.org/w/index.php?title=Bioimage_informatics&oldid=1335995835」より取得