J 2009

Single-cell-based image analysis of high-throughput cell array screens for quantification of viral infection

MATULA, Petr, Anil KUMAR, Ilka WÖRZ, Holger ERFLE, Ralf BARTENSCHLAGER et. al.

Základní údaje

Originální název

Single-cell-based image analysis of high-throughput cell array screens for quantification of viral infection

Název česky

Analýza obrazů buněčných arrays založená na zpracovávání jednotlivých buněk kvantifikující virovou infekci při vysoce průchodném screeningu

Autoři

MATULA, Petr (203 Česká republika, garant), Anil KUMAR (356 Indie), Ilka WÖRZ (276 Německo), Holger ERFLE (276 Německo), Ralf BARTENSCHLAGER (276 Německo), Roland EILS (276 Německo) a Karl ROHR (276 Německo)

Vydání

Cytometry Part A, UNITED STATES, John Wiley & Sons, Inc. 2009, 1552-4922

Další údaje

Jazyk

angličtina

Typ výsledku

Článek v odborném periodiku

Obor

20200 2.2 Electrical engineering, Electronic engineering, Information engineering

Stát vydavatele

Spojené státy

Utajení

není předmětem státního či obchodního tajemství

Odkazy

Impakt faktor

Impact factor: 3.032

Kód RIV

RIV/00216224:14330/09:00034133

Organizační jednotka

Fakulta informatiky

UT WoS

000264513800005

Klíčová slova anglicky

image analysis; cell nucleus segmentation; quantification of viral infection; siRNA screening; cell-based arrays; immunofluorescence microscopy; image quality control

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 11. 6. 2009 14:43, doc. RNDr. Petr Matula, Ph.D.

Anotace

V originále

The identification of eukaryotic genes involved in virus entry and replication is important for understanding viral infection. Our goal is to develop a siRNA-based screening system using cell arrays and high-throughput (HT) fluorescence microscopy. A central issue is efficient, robust, and automated single-cell-based analysis of massive image datasets. We have developed an image analysis approach that comprises (i) a novel, gradient-based thresholding scheme for cell nuclei segmentation which does not require subsequent postprocessing steps for separation of clustered nuclei, (ii) quantification of the virus signal in the neighborhood of cell nuclei, (iii) localization of regions with transfected cells by combining model-based circle fitting and grid fitting, (iv) cell classification as infected or noninfected, and (v) image quality control (e.g., identification of out-of-focus images). We compared the results of our nucleus segmentation approach with a previously developed scheme of adaptive thresholding with subsequent separation of nuclear clusters. Our approach, which does not require a postprocessing step for the separation of nuclear clusters, correctly segmented 97.1% of the nuclei, whereas the previous scheme achieved 95.8%. Using our algorithm for the detection of out-of-focus images, we obtained a high discrimination power of 99.4%. Our overall approach has been applied to more than 55,000 images of cells infected by either hepatitis C or dengue virus. Reduced infection rates were correctly detected in positive siRNA controls, as well as for siRNAs targeting, for example, cellular genes involved in viral infection. Our image analysis approach allows for the automatic and accurate determination of changes in viral infection based on high-throughput single-cell-based siRNA cell array imaging experiments.

Česky

Identifikace eukaryotických genů hrajících roli při vstupu viru do buňky a jeho replikaci v ní je důležitá pro pochopení virové infekce. Cílem je vyvinutí systému pro screening využívající siRNA, buněčné arrays a vysokoprůchodovou fluorescenční mikroskopii. Hlavním problémem je efektivní, robustní a automatická analýza jednotlivých buněk ve velkém množství obrazových dat. Vyvinutý postup zahrnuje: (i) nové prahovací schéma pro segmentaci buněčných jader založené na analýze gradientu, které nevyžaduje dodatečné kroky pro rozdělování jader ve shlucích, (ii) kvantifikaci virového signálu v okolí buněčných jader, (iii) lokalizaci transfekovaných buněk pomocí prokládání kružnic a mřížek s a priori známými parametry, (iv) klasifikaci buněk jako infikované a neinfikované, (v) kontrolu kvality obrazu (napr. identifikace neostrých obrazů). Výsledky našeho přístupu pro segmentaci buněčných jader byly porovnány s dříve vyvinutým schématem založeným na adaptivním prahování kombinovaným s následným rozdělováním shluků jader. Náš přístup, který krok pro rozdělování shluků nevyžaduje správně segmentoval 97,1% všech jader, zatímco předchozí schéma 95,8%. Použitím našeho algroritmu pro detekci neostrých obrázků jsme dosáhli rozlišovací schopnost 99,4%. Celý systém byl aplikován na více než 55 000 obrazů buněk infikovaných buď hepatitidou C nebo virem horečky dengue. Redukce míry infekce byly správně detekovány jak v pozitivních siRNA kontrolách, tak i pro jiné molekuly siRNA, například atakující buněčné geny nějak zapojených do virové infekce. Celý zvolený přístup pro analýzu obrazu umožňuje automatické a přesné určení změn ve virové infekci pomocí siRNA buněčných arrays.

Návaznosti

2B06052, projekt VaV
Název: Vytipování markerů, screening a časná diagnostika nádorových onemocnění pomocí vysoce automatizovaného zpracování multidimenzionálních biomedicínských obrazů (Akronym: Biomarker)
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Vytipování markerů, screening a časná diagnostika nádorových onemocnění pomocí vysoce automatizovaného zpracování multidimenzionálních biomedicínských obrazů