УЗОРЫ по клеточкам (100 вариантов для детей)
Доброго дня все работникам-педагогам и детям дошкольного и младшего школьного возраста — для вас я выгружаю коллекцию красивых узоров для рисования по клеточкам. В старшей группе детского сада воспитатель проводит работу по формированию навыков правильного держания пишущего инструмента, дети оттачивают навыки каллиграфии на тренажерах-узорах в тетрадях в клеточку. Моя миссия на сегодня — помочь педагогам найти красивые и необычные узоры для срисовки детьми. Здесь будут легкие узоры для дошкольников и более сложные для школьников. Красивые, необычные орнаменты, которые можно повторить простой ручкой или цветными карандашами. Это задания на мелкую моторику, на внимательность, логику и глазомер. Это отличный способ отладить взаимодействие инструментария в системе «глаз-рука» как единый механизм. Это отличный способ подготовить ум и руку к будущей школьной деятельности.
Итак, давайте посмотрим какие интересные узоры по клеточкам для детей вы сегодня сможете положить в свою копилку педагога.
Легкие узоры по клеточкам
Для начинающих дошкольников.
В 5-6 лет воспитатель дает детям посильные графические задание — срисуй по образцу, повтори узор, продолжи орнамент, выложи сериационный ряд из готовых элементов. Вся эта практика постепенно усложняется обрастает замысловатыми деталями и дополнительными элементами.
Вначале ребенку надо дать совершенно простые задания — чтобы он просто привык к ТАКОМУ ВИДУ ДЕЯТЕЛЬНОСТИ — просто как к разновидности задачи.
Вот несколько картинок с легкими узорами по клеточкам для маленьких детей.
Лучше всего начинать с классики. Одна линия, она непрерывна и изгибается как змейка. И вот два вида изгибов этой линии — равномерный и с выпадами вниз.
И следующий шажок — это когда к змейке (уже потом) пририсовывается элемент как дополнительная дорисовка уже другим цветом карандаша (третий и четвертый узор на картинке ниже).
Потом покажите ребенку как ДВЕ ЛИНИИ могут встречаться зубчиками (узоры ниже) и образовывать узор из цепочки ромбов… или цепочки прямоугольников. Отличный плавный способ перехода к объемным заполненным фигурам по клеточкам.
Следующий этап — ТОЛСТЫЕ УЗОРЫ когда нарисованный элемент уже не узкая тонкая линия, а толстая в ширину клетки. Тут вы можете легко придумать свои варианты, или воспользоваться предложенными узорами в клеточках на картинке ниже.
Если ребенок хорошо справился с плюсиками, дайте ему следующий шаг — заостренные плюсики (похожие на сине-голубые узоры на клеточках ниже) — но пока одноцветные и без скрещивания линий по центру.
Хорошо дошкольники овладевают лесенкой — этот веселый элемент служит для них разгрузочным заданием. Разрешите детям нарисовать ступеньки разного цвета. Или дорисовать на ступеньках ягодки или зернышки для птичек, а сверху саму птичку.
Гораздо позже стоит научить ребенка ПЛАВНЫМ ЛИНИЯМ — и тут тоже надо начинать с легких узоров — примитивных с очень простой графикой. И чтобы эта плавность была ссиметрична на соседних клеточках — как шляпка гриба, как круглая крыша домика…
Чтобы ребенок не устал, чередуйте заданий — дайте цепочку легких узоров, потом сложный, требующий внимания и сосредоточения ума и руки, и потом два легкий для удовольствия и расслабления.
Подбирайте узоры, которые будут интересны девочкам, похожие на цветы, конфеты, мороженое…
И отдельно готовьте тетради в клеточку с узорами для мальчиков, похожие на колеса машины, насос, робота, шестеренки, компьютерные игры.
Подумайте какие реальные предметы можно обыграть в узорах по клеточкам. И покажите детям эту возможность. Предоставьте им не только шариковую ручку или простой карандаш — но пачку цветных карандашей или мелков для закрашивания полученной картинки.
Сложные узоры по клеточкам
для детей в саду и школе.
Талантливым и набившим руку в рисовании узоров дошкольникам можно поручать более сложные орнаменты по клеточкам. Это могут быть косички-плетенки или персонажи с несколькими прорисованными деталями (птички, улитки, крабы).
Узоры с косичками, хорошо воспринимают девочки, они быстро запоминают этапы нанесения узора и не путаются в клетках и направлениях линий (когда вправо, а когда влево поворачивать линию узора).
Вот элементы узора по клеточкам с птичками — разные варианты на все типы усложнения.
А вот картинки для девочек — узоры с цветами по клеточкам
Мальчишкам очень нравятся рыбы (особенно акулы) и улитки с крабами.
Это могут быть картинки, занимающие в ширину 5-6 клеточек (как на фото узоров ниже).
И конечно все мальчики обожают паровозики. Это настоящее приключение с различными возможностями дорисовки или срисовки в вариантов воспитателя.
А вот новогодняя тема в узорах на клеточках — подумайте, какие мотивы можете придумать вы сами — снеговики, деды морозы, еловые лапки.
Каждый педагог сам решает насколько усложнять задание с узорами по клеточкам. Мы знаем своих детей и мы видим, когда задачи приносят ребенку удовольствие от преодоления и понимаем как важно аккуратно рассчитывать нагрузку этой работы на преодоление сложности задания.
Следующим этапом в рисовании по клеточкам, будет уже задание на срисовку крупных картинок по образцу, нарисованному в тетради рядом с оставленным пустым местом.
Начинаем с очень простых графических картинок с прямыми линиями.
И постепенно изображаем уже крупные графические элементы
В старшем возрасте можно давать детям целые задания на рисование графических картин на клеточках.
И конечно в дошкольном возрасте, и в начальной школе дети упражняются в написании графических диктантов.
По этой теме у меня тоже собрана большая красивая копилка идей и схем — в статье Графический ДИКТАНТ (145 силуэтов по клеточкам).
Удачных вам находок и эффективных методик.
Ольга Клишевская, специально для сайта Семейная Кучка.
Читайте НОВЫЕ статьи на нашем сайте:
на Ваш сайт.
| ||
| ||
| ||
| ||
| ||
| ||
|
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
| ||
Узнай стоимость своей работыБесплатная оценка заказа! |
Повтори рисунок по клеточкам — задания для детей
На чтение 3 мин Просмотров 41.5к. Опубликовано Обновлено
В этом материале вы можете скачать и распечатать задания для детей “Повтори рисунок по клеточкам”: симметричные не симметричные рисунки, повторение целого рисунки и картинки по ее фрагменту.
Повторение рисунка по клеточкам заставляет работать мелкую моторику рук, подключает логическое мышление и творческие способности.
Деление заданий по степени сложности
Нельзя однозначно определить возрастную аудиторию для выполнения такого типа заданий. Уметь повторить рисунок по клеточкам важно для дошкольников, снова становится актуальным в школьным возрасте при изучении различных математических терминов, в частности, симметрии, дробей и т.д.
Также смотрите:
Все задания повтори узор по клеточкам возрастающей сложности:
- повторение полного рисунка или его части,
- повторение абстрактных линий, узора или картинки,
- копирование с 1 или двумя осями симметрии, с наклонной осью симметрии.
Размер рисунков по клеточкам также разный: 5,*5, 7*7, 8*8, 10*10 клеток, 15*15 клеток.
Есть задания для правой и левой руки, листы для распечатывания на цветном и черно-белом принтере.
У нас более 100 заданий, чтобы скопировать рисунок по клеточкам – выбирайте тот уровень сложности, что доступен ребенку на данный момент. Двигайтесь от простого к сложному.
Для начала попробуйте составлять симметричные конструкции с детьми из конструктора или разноцветных деревянных кубиков. Это нагляднее и проще.
Скопировать рисунок по клеточкам
Самый простой в подготовке вид заданий – даже разноцветные карандаши не нужны.
Распечатать задания “Повтори узор по клеточкам”
Развивающие задания из серии “Повтори рисунок по клеточкам” с различными геометрическими узорами.
Вы можете дать задание ребенку полностью скопировать рисунок или сделать его симметричное зеркальное отображение.
Задания 5 на 5 клеточек
Задания по клеточкам 6 на 6
Задания 7 на 7 клеточек
Задания по клеточкам 8 на 8
Задания 9 на 9 клеточек
Симметричный рисунок по клеточкам
Скопировать рисунок по клеточкам: только черно-белые задания
Здесь можно скачать и распечатать задания Повтори рисунок по клеточкам для черно-белого принтера.
Рисунки по клеточкам
Зачем это нужно?
Задания повтори узор по клеточкам – прекрасная развивашка для детей дошкольного и школьного возраста.
Они могут использоваться как дидактический материал для подготовки к школе, для развития мышц руки, правильной постановки карандаша, совершенствования логического мышления и творческих навыков.
Но главное, что отличает эти задания от других – развитие пространственного воображения и мышления.
Возможности заданий “Повтори рисунок по клеточкам” для развития пространственного воображения у детей:
- распознавать симметрию в природе и в предметах обихода;
- рисовать и завершать симметрии;
- определять и описывать свойства симметричных фигур относительно оси или точки;
- строить симметричные фигуры, используя линейку,
- видеть положение объектов в пространстве и использовать термины сверху / снизу, спереди / сзади, справа / слева, внутри / снаружи (для дошкольников),
- использовать и различать понятия перпендикулярности, параллельности, горизонтальности, вертикальности (для школьников).
Все изображения взяты из открытых источников.
Мышематика. Продолжи узор по клеточкам: janemouse — LiveJournal
Во многих тетрадках типа «подготовка к школе» или «подготовка руки к письму» или «первые прописи для малышей» встречаются задания типа «продолжи узор по клеточкам.Считается, что в 5-6 лет детям надо тренировать мелкую моторику, продолжая подобные орнаменты.
Но по какой-то причине, уж не знаю, то ли так исторически сложилось, то ли бумагу экономят, но почти во всех тетрадках эти узоры рисуют по клеточкам размером 5 или 7 мм.
Я вижу сейчас в наших группах, что очень многим детям в 5-6 лет бывает сложно продолжать узоры по маленьким клеточкам, даже если они отлично понимают идею, и знают, чего от них хотят.
Мы в итоге взяли и нарисовали кучу разных заданий типа «продолжи узор» по клеточкам 15 и 20 мм, и сразу у многих дело пошло на лад.
А ещё мы не раз встречали детей, которые понимают идею паттернов, но по причине плохой моторики не могут эти паттерны нарисовать аккуратно. И мы им предложили продолжать на полу узоры, выложенные из счётных палочек.
Узоры можно продолжать в две стороны, и рисовать ничего не нужно
кто-то продолжает узор, но не совсем тот, что был на образце
кто-то видит, сколько палочек в высоту, но не понимает, где нужны перемычки между ними…
кто-то справляется только с самыми простыми узорами
кто-то сбивается в количестве ступенек
Но с палочками любую ошибку можно быстро исправить, не стирая и не зачёркивая ничего!
а кто-то запросто продолжает любые узоры
в том числе и сложные
потренировались на палочках, потом уже начали рисовать узоры по клеточкам.
Обычно мы даём детям карандаш, чтобы они легко могли исправить.
В этот раз мы им выдали фломастеры, чтобы линии были хорошо видны по клеточкам.
Ошибся — не беда. Возьми новую полоску с узором!
пятилеткам многим прямо сложно
начинают правильно, потом забывают идею
кто-то с первыми узорами много ошибается, но потом начинает рисовать всё более и более уверенно
кто-то отлично понимает идею, но даже по клеточкам 2 см рисует с трудом — линия дрожит…
а потом за каждый нарисованный узор дети получали кубики-монетки и шли в магазин покупать картинки со снеговиками.
Надо было приклеить картинки и подписать — что сколько стоит.
Потом можно ещё поработать, в смысле, нарисовать ещё узоры — получить новые монетки и купить ещё картинки.
это прилавок магазина
шестилетки тоже продолжают узоры.
Интересно, что некоторые дети по клеточкам рисуют отлично, а вот из палочек продолжать орнамент им сложно…
а кто-то с квадратными клеточками справляется, а с косыми — никак
так, хочу купить вот такую картинку
дайте мне вот эту картинку за 8, пожалуйста!
лист с покупками
самым шустрым давали узоры по треугольным клеточкам,
многим детям это сложно
лист с покупками — у шестилеток
#мышематика #игровая_математика #необычная_математика #математикадлядетей
А вы встречали тетрадки с заданиями типа «продолжи узор», но с очень крупными клетками?
Рисунки по клеточкам в тетради карандашом: что можно нарисовать для мальчиков и девочек
Развивать внимательность у детей можно разными способами. Рисование по клеточкам для детей охватывает сразу несколько аспектов развития. Ребенок становится более аккуратным и наблюдательным.
Если заниматься графическими рисунками по клеточкам систематически, то это хорошая возможность подготовить ребенка к школе – развить усидчивость, воображение, внимание.
Проводить графические диктанты можно также в школьном возрасте, а также для малышей от 4-5 лет.
Что можно нарисовать по клеточкам? Не обязательно это должны быть геометрические фигуры, цифры или буквы. Ведь ребенку намного интереснее рисовать то, чем он увлекается. Мальчики любят изображать машинки, танки и другую технику, а девочкам нравятся птички, цветочки.
Можно оставить рисунок по клеткам черно-белым, но можно раскрасить его карандашами.
Цветные и черно-белые рисунки по клеточкам в тетради для детей
Лучше всего будет, если ребенок сам выберет картинку, которая поучится в итоге. Для творчества вам потребуется только листик в клетку, карандаш и ластик. Если захочется раскрасить, то приобретите карандаши.
Начинать каждый рисунок необходимо с отправной точки, поставив метку на листе бумаги. От нее ребенок начнет рисовать по подсказкам.
Второй вариант рисунков по клеточкам в тетради предполагает собой создание второй части какого-либо изображения. При этом лист разделён на две равные части и с одной стороны (обычно слева), изображена часть рисунка, который необходимо отобразить с другой стороны зеркально.
Самый сложный вариант для более старшего возраста заключается в повторении готового рисунка по клеткам с нуля. Для этого нужно на примере определить точку старта и повторять каждую линию на чистом листике в клетку.
Цветные рисунки по клеточкам в тетради выглядят намного привлекательнее, а также помогают развивать зрительную память. Здесь не нужно рисовать контуры – закрашивайте каждый квадратик определённым цветом.
Крутые рисунки по клеточкам для мальчиков: как нарисовать в тетради
Прекрасная идея научить ребенка рисовать по клеткам. Рисунки получаются аккуратными и у ребенка появляется больше интереса к творчеству, так как не все могут изобразить какие-то предметы на чистом листе. А в рисовании по клеткам существует определённым алгоритм и ребенку проще понять, как нарисовать любимый предмет. Для мальчиков любимыми темами могут стать супергерои, машинки и танки, ракеты, а также герои майнкрафт.
Как нарисовать машину по клеточкам
В первую очередь ребенку нужно сосредоточиться на том, чтобы запомнить две исходные точки, от которых пойдет процесс рисования по клеткам тетради. Машины бывают разными и это может быть, как легковой автомобиль, так и спецтехника.
Самый простой черно-белый вариант машины
Сложность выбирается для каждого ребенка индивидуально. Начните с самых простых, постепенно переходя к более сложным вариантам.
Пожарный автомобиль по клеткам можно нарисовать в цветном варианте
Даже крутые машины известных марок можно изобразить по клеткам и лучше это делать с помощью цветных карандашей.
Танк по клеточкам в тетради
Если мальчик интересуется военной техникой, и хочет научиться рисовать танки, то начать лучше с рисунков по клеточкам в тетради.
Как нарисовать по клеточкам зомби
Рисовать по клеткам может любой человек, начиная с маленького возраста. Чаще всего мы хотим нарисовать то, что нам интересно на данный момент, поэтому дети могут захотеть нарисовать зомби по клеточкам в тетради. Ведь в последнее время актуальными стали соответствующие компьютерные игры.
Можно прикрепить этот рисунок к подарку или сделать оригинальную открытку другу.
Как нарисовать по клеточкам оружие
Какой мальчишка не увлекается оружием. Все мальчики с раннего возраста играют в войнушки, использую в своей игре пистолеты, ружья и другие варианты оружия. Поэтому на своих рисунках они тоже могут захотеть изобразить этот предмет.
Почувствую себя настоящим героем, который понимает толк в оружии. Сделать это можно с помощью простой ручки или карандаша, но если хочется что-то более оригинальное, то используйте карандаши.
Милые рисунки по клеточкам в тетради для девочек
В мире есть несколько техник рисования, большое разнообразие материалов для создания рисунков. Очень часто, чтобы изобразить что-то стоящее, необходимо иметь хороший талант, инструмент и пространственное мышление. Всего этого можно добиться упорным трудом при отсутствии большого таланта. Чтобы развивать ребенка в направлении художественных талантов, познакомьте ребенка с клеточным рисунком.
Рисунки по клеточкам для девочек отличаются определенной тематикой, нежностью и аккуратностью.
Девчонки хотят рисовать животных, кукол и любимых героев мультфильмов, сердечки и любимые предметы.
Как нарисовать косичку по клеточкам в тетради
Девочки любят украшать свои тетради оригинальными элементами, поэтому появились разнообразные рисунки косичек по клеткам в тетради.
Если учитель не возражает, то можете украсить поля тетради интересными косичками. Они могут быть сделаны простой ручкой или карандашом, а также можно рассмотреть цветные варианты косичек по клеткам.
Вкусное мороженное по клеточкам в блокноте
Также, как мальчики любят оружие, девочки любят сладости. Поэтому вариант нарисовать мороженое по клеткам придёт в голову многим девочкам. Иногда можно так увлечься этим занятием, что незаметно пролетит время скучного урока.
Мороженое бывает разное, поэтому как его изобразить зависит от выбора художника. Рассмотрите, как нарисовать мороженое в стаканчике по клеткам.
Второй вариант показать свой любимый десерт – нарисовать три шарика мороженого по клеткам.
Для тех, кто больше любит эскимо, третий вариант как нарисовать мороженое по клеткам.
Мы рассмотрели самые простые варианты, но далее захочется попробовать свои силы в более сложных картинках.
Май литл пони: рисуем любимых пони по клеточкам в тетради
Веселое занятие рисовать фантазийных и мультяшных существ. Многие девочки знают, кто такие жители Понивиля и мечтают научиться рисовать этих героев.
Рисовать по клеточкам пони не сложный процесс, но потребует внимания и усидчивости.
В этом процессе важно внимательно отсчитывать каждую клеточку, чтобы получился гармоничный рисунок.
Как нарисовать радугу по клеточкам в тетради
Когда дети видят радугу в небе после дождя, то не могут скрыть свое восхищение. Даже взрослые засматриваются на нее и часто рисуют на полях тетрадей по клеточкам радугу.
Как нарисовать сердечко по клеточкам
Чтобы сократить скучное время на уроках или лекциях, все мы рисуем простые картинки в тетрадях. Даже простое сердечко на полях поднимет настроение.
Если не знаете, как нарисовать сердечко по клеточкам в тетради, рассмотрите некоторые варианты.
Накануне дня Святого Валентина можно попробовать нарисовать сердечко с крыльями.
Необязательно показывать сердце симметричным, можно рассмотреть оригинальный вариант изображения сердечка.
Рисуем куклу Лол по клеточкам в тетради
В последнее время любимыми героями девочек стали куклы Лол. Поэтому так хочется попробовать нарисовать этих куколок, а начать можно с рисунка по клеточкам в тетради.
Как легко нарисовать животных по клеточкам
Часто эти персонажи становятся любимыми героями детских рисунков. Если вам предстоит изобразить пейзаж, на котором присутствует какое-либо животное, то начните с рисования зверей по клеткам. Схематическое изображение рисунка по клеткам увлекательно занятие.
Рисовать по клеточкам в тетради животных настолько занимательно, а учитывая, сколько в природе видов животных и птиц, это занятие покажется нескончаемым.
Как нарисовать единорога по клеточкам в тетради
Единороги в последние годы стали весьма популярными персонажами. Это волшебное животное нравится не только детям, но и взрослым. Это доказано тем, что в продаже существуете много одежды с его изображением.
Попробуйте нарисовать единорога по клеткам
Как нарисовать кошку по клеточкам
Возьмите сначала простые схемы рисования кошки по клеткам. Это животное любимо многими детками и взрослыми, во многих домах обитают разные породы кошек, поэтому дети часто любят рисовать их на своих картинках.
Если сможете понять принцип рисунков по клеткам, то попробуйте придумать свой оригинальный рисунок кошки.
Цветные рисунки котиков по клеткам всегда смотрятся более оригинально.
Фламинго по клеточкам в тетради: как нарисовать
Не так давно фламинго стало культовым персонажем. Стали появляться изображения на одежде, на постельном белье, тетради с фламинго стали самыми модными в школе. Не удивляет желание нарисовать фламинго на листе бумаги.
Рисунки простым карандашом по клеточкам в тетради
Даже если у вас есть только простой карандаш и обычная тетрадь в клетку, можно весело и увлекательно провести время.
Если вы не рисовали ранее по клеткам, начните с простых рисунков. Такое занятие успокаивает нервную систему и помогает с пользой провести время.
По такому принципу можно изобразить что угодно.
Понять, как рисовать по клеточкам карандашом, сможет даже маленький ребенок. Поэтому вы можете увидеть варианты рисунков, которые состоят всего из нескольких линий. Они предназначены для самый маленьких.
Рисунки по клеточкам в тетради для начинающих: как научиться рисовать
Каждый человек пробовал нарисовать рисунок по клеточкам. Ведь это самый просто способ изобразить какой-либо предмет и не иметь при этом особых навыков рисования.
Если вы не относите себя к творческим людям, которые готовы сами придумывать варианты и создавать картинки, то воспользуйтесь уже готовыми вариантами легких рисунков по клеткам.
Малышам понравится рисовать персонажей, которые они знают – это могут быть животные или герои мультфильмов.
Простые и красивые рисунки по клеткам можно нарисовать с помощью цветных карандашей.
Рисунки по клеточкам майнкрафт: как нарисовать
Если ребенок любит играть в майнкрафт, то захочет изобразить героев игры или используемые там предметы на листе бумаги. Самым легким способом является рисунок по клеткам. Сделать это совсем не сложно – перенесите персонажей или локации с этой игры по примеру на белый лист в клеточки.
Маленькие рисунки по клеточкам для блокнота
Если у вас нет много места, но хочется украсить тетрадный лист в клетку, то в самый раз будут маленькие картинки. Небольшая подборка мелких рисунков может дать пространство для творчества.
Они могут быть цветные или черно-белые, занимать всего десяток или два десятка клеток.
Даже карманный блокнот подойдет для изображения такого рисунка.
Красивые рисунки по клеточкам в тетради карандашом
Развивать логическое и пространственное мышление никогда не поздно. И это важно не только детям, но и взрослым. Такое занятие, как рисование по клеткам красивых рисунков понимает настроение и отвлечет от каких-то обыденных проблем.
Один из вариантов рисунка по клеткам можно легко перенести себе в блокнотик, а вскоре можно самостоятельно создавать рисунки по клеткам.
Объемные 3Д рисунки по клеточкам в школьной тетради
Приложив немного усилий, можно нарисовать оригинальный рисунок, который позволит по — другому взглянуть на творчество. Вы можете прекрасно провести время с карандашом в руках и листом бумаги в клетку.
Трудно поверить, что благодаря карандашам и листу бумаги можно создать объемный рисунок.
Нарисовать поэтапно красивый рисунок в простой тетради, не пользуясь особым инструментом, совсем не сложно. Для этого существует много картинок, которые можно срисовывать по клеткам простым карандашом.
Далее вы можете придумывать картинки самостоятельно и не заметите, как этот процесс увлечет вас всерьез и надолго.
Еще интересные статьи по рукоделию:
Рисуем по клеточкам узоры
Здравствуйте, друзья и гости сайта.
Сегодня хочу продолжить тему развития внимания, начатую в статье “Графические диктанты”.
Рисование по клеточкам – это почти универсальное занятие для развития зрительного внимания и мелкой моторики рук. Упражнения типа “Выполни по образцу” направлены на тренировку концентрации внимания.
Концентрация внимания – это умение сосредоточиться на нужном объекте, способность вникнуть в задачу, углубиться в работу.
Ребенок с хорошей концентрацией внимания отличается хорошей наблюдательностью, организованностью.
И наоборот, если не развито это свойство, то ребенок часто делает ошибки “из-за невнимательности”, “глупые” ошибки в письменных работах.
При проверке ученик не замечает свои ошибки.
Упражнение “Повтори и продолжи” заключается в прорисовке сложных, но повторяющихся узоров.
При выполнении этого задания ребенок должен проанализировать образец, правильно воспроизвести и удержать последовательность выполнения.
Важно не только точность воспроизведения образца, но время выполнения без ошибок.
Геометрический орнамент тоже можно отнести к упражнениям вида “Повтори и продолжи”.
В этих орнаментах используются зигзаги, треугольники, квадраты, ромбы, многоугольники и другие фигуры.
Орнаменты «Локоть лисы», «Оленьи рога».
Из своей школьной поры, когда на скучных уроках мы на полях в тетрадях рисовали различные узоры, я взяла и превратила в развивающее упражнение узор “Косы”.
Для развития воображения можно предложить детям придумать свои варианты узора.
Интересным и развивающим для детей будет упражнение “Придумай и нарисуй свой вензель”.
Возьмите две буквы своего имени и фамилии, красиво переплетите их между собой.
Используйте геометрию клетчатой бумаги, с уважением, Наталия.
Для работы предлагаю ещё презентацию”Рисуем по клеточкам узоры”.
Скачиваем презентацию здесь, не забываем оставлять комментарии, спасибо.
Статья предназначена только для частного ознакомления. Копирование и публикация ТЕКСТОВ, ФОТОГРАФИЙ, ПРЕЗЕНТАЦИЙ в других источниках ЗАПРЕЩЕНЫ.
Похожие статьи
- Развиваем внимание
легкие и красивые рисунки поэтапно
Здравствуйте, читатели моего блога!
Научиться рисовать красивые узоры шаг за шагом совсем не сложно. Освоив простой метод поэтапного рисования, вы сможете применять его во многих стилях и направлениях вашего творчества. Давайте создадим вместе несколько затейливых рисунков.
Что такое узорКак научиться рисовать узоры? Это намного проще, чем может показаться на первый взгляд.
Узор – это, прежде всего, повторяющиеся формы.
Африканский орнамент
Вы замечали, что в разных культурах по всему миру имеются орнаменты и узоры? Дело все в том, что простые рисунки легли в основу культур много столетий назад.
Японский орнамент
Африканские, японские, египетские, индейские, древнерусские, узоры майя и многие другие орнаменты хранят в себе отпечаток культуры древних народов и их восприятия жизни.
Индейский орнамент
Зачастую, сохранившиеся до нашего времени рисунки на древних храмах, на керамике или рукописях способны рассказать об образе жизни древних народов, их занятиях, времяпрепровождение, верованиях.
Рисуем вместеКак рисовать карандашом узоры? Как нарисовать красивый узор? Есть множество примеров в книгах и интернете. Для начала можно вдохновиться красивыми картинками.
Давайте вместе разберем, как правильно рисовать узоры. Краской ручкой будут показаны новые элементы.
Шаг 1
Пошаговый рисунок начинаем с того, что рисуем вот такой простой завиток:
Шаг 2
Затем во внутреннюю сторону добавляем завиток большего размера.
Шаг 3
Увеличиваем рисунок, добавляем новый элемент в левую часть.
Шаг 4
По такому же принципу, что и во 2-ом шаге, добавляем точно такую же изогнутую линию по внешней стороне.
Шаг 5
Повторяем наш элемент еще раз, тем самым увеличиваем рисунок вдвое.
Шаг 6
Создаем по бокам красивые элементы в виде треугольников.
Шаг 7
Детализируем маленькими линиями элементы, которые мы добавили в предыдущем шаге.
Шаг 8
Дополняем рисунок черными жирными точками.
Готово! Этот простой рисунок мехенди позволяет изучить постепенный процесс рисования — от простого к сложному. Даже самые сложные рисунки начинаются с простых элементов.
Различные варианты и техники
Рисование различных узоров поможет вам в самых различных творческих областях. Их можно выполнять красками и на бумаге карандашом. Легкие узоры можно выполнять лаком на ногтях.
Когда вы потренируетесь и нарисуете много рисунков в тетради, вы свободно сможете выполнять рисунки из головы: здесь важна только ваша фантазия и творческое мышление.
Узоры служат неотъемлемым элементом в различных видах искусства: масляной живописи, рисунке, иллюстрации, батике — когда люди украшают платок и другие изделия разнообразными рисунками.
Помимо текстиля и художественных работ, их также можно встретить в архитектуре и всех областях, связанных с дизайном.
Если узор сложный и состоит из множества элементов, лучше предварительно наметить его простым карандашом.
Также проверьте, помещается ли он в ваш формат. Очень часто в процессе рисования можно увлечься и не рассчитать нужное место.
Хорошим упражнением является рисование по клеточкам в тетради.
Для новичков это отличный метод освоения азов рисования. Вы удивитесь сколько всего можно нарисовать таким методом. Простую косичку или красивого котенка вы нарисуете за считанные минуты.
Для детей рисование по клеточкам или рисование простых узоров подходит очень хорошо.
Эти методы развивают концентрацию и мелкую моторику ребенка. Как ребенку освоить рисование? Начните с простых рисунков, и вы удивитесь, как ребенок втянется в этот увлекательный процесс.
Выбирайте такое изображение, чтобы оно было в первую очередь интересно ребенку.
Это могут быть животные, птицы, цветы или мультперсонажи. Творческому процессу поможет тетрадь в клетку. Детям бывает сложно рисовать в обычном альбоме без разметки.
Что полезного
Подобное рисование полезно не только для детей, но и для взрослых. Рисуя в свободное время, вы способны совершенствовать свои навыки и развивать творческие способности.
Чем разнообразнее будут ваши работы, тем быстрее вы сможете осваивать новые техники в рисовании.
Самое важное в процессе – это ваша фантазия. Креативность – это то, что будет выделять вас и ваши работы среди других.
Новые способности вы сможете применить в жизни. Можно оставить ваше увлечение в качестве хобби, и создавать работы, когда есть свободное время.
А можно сделать их частью своей профессии.
- Например, на мехенди очень большой спрос. Многие девушки хотят украсить свое тело временным орнаментом в индийском стиле.
- Вы также можете оформлять открытки или, скажем, пригласительные на свадьбу.
- Почему бы не использовать ваши новые навыки в работе по оформлению интерьеров или визиток?
В любой творческой сфере можно найти применение рисованию.
Даже, если ваша профессия не связана с творчеством, подобное рисование поможет вам развивать в себе новые качества. Это очень ценно, так как среди всех сотрудников вы будете выделятся за счет креативного мышления.
Обучающее видео:
Любую творческую идею можно воплотить, начав с малого. Чтобы вы ни задумали нарисовать: кельтский или хохломские узоры, вам потребуется поэтапный план, который поможет сохранить структуру рисунка и все элементы.
Удачи в творчестве! Рисуйте то, что любите!
Хотите получать больше информации об искусстве? Подписывайтесь на блог!
Программное обеспечение для распознавания образов и методы анализа биологических изображений
Abstract
Растущее распространение автоматизированных систем получения изображений позволяет проводить новые типы микроскопических экспериментов, которые генерируют большие наборы данных изображений. Однако ощущается нехватка надежных систем анализа изображений, необходимых для обработки этих разнообразных наборов данных. Большинство автоматизированных систем анализа изображений адаптированы для определенных типов микроскопии, методов контрастирования, зондов и даже типов клеток.Это накладывает значительные ограничения на экспериментальный дизайн, ограничивая их применение узким набором методов визуализации, для которых они были разработаны. Одним из подходов к устранению этих ограничений является распознавание образов, которое изначально было разработано для дистанционного зондирования и все чаще применяется в области биологии. Этот подход основан на обучении компьютера распознаванию закономерностей на изображениях, а не на разработке алгоритмов или настройке параметров для конкретных задач обработки изображений.Универсальность этого подхода обещает обеспечить интеллектуальный анализ данных в обширных репозиториях изображений и обеспечить объективные и количественные методы визуализации для повседневного использования. Здесь мы даем краткий обзор технологий, лежащих в основе распознавания образов и его использования в компьютерном зрении для получения биологических и биомедицинских изображений. Мы перечисляем доступные программные инструменты, которые могут использоваться биологами, и предлагаем практические экспериментальные соображения, чтобы наилучшим образом использовать методы распознавания образов для анализа изображений.
Образец цитирования: Шамир Л., Делани Дж. Д., Орлов Н., Экли Д. М., Голдберг И. Г. (2010) Программное обеспечение для распознавания образов и методы анализа биологических изображений. PLoS Comput Biol 6 (11): e1000974. https://doi.org/10.1371/journal.pcbi.1000974
Редактор: Фрэн Льюиттер, Институт Уайтхеда, Соединенные Штаты Америки
Опубликовано: 24 ноября 2010 г.
Это статья в открытом доступе распространяется в соответствии с условиями декларации Creative Commons Public Domain, которая предусматривает, что после размещения в общественном достоянии эта работа может свободно воспроизводиться, распространяться, передаваться, изменяться, надстраиваться или иным образом использоваться кем-либо в любых законных целях.
Финансирование: Это исследование было полностью поддержано Программой внутренних исследований Национального института старения NIH (Z01: AG000685-02). Финансирующие организации не участвовали в принятии решения о публикации или подготовке рукописи.
Конкурирующие интересы: Авторы заявили, что никаких конкурирующих интересов не существует.
Введение
Компьютерный анализ микроскопических изображений привлекает значительное внимание в последние несколько лет, особенно в контексте скрининга высокого содержания (HCS).Связь между изображениями и физиологией хорошо установлена, и общеизвестно, что значительная часть того, что мы знаем о биологии, основывается на различных типах микроскопии и других устройствах обработки изображений. Автоматизированные системы получения изображений, интегрированные с лабораторной автоматизацией, создали наборы данных изображений, которые слишком велики для ручной обработки. Эта тенденция привела к новому типу биологического эксперимента, в котором анализ изображений должен выполняться машинами. Ясно, что этот подход отличается от большинства микроскопических исследований, выполненных за последние ~ 400 лет.Однако, несмотря на то, что доступность автоматизированной микроскопии, автоматизации лабораторий, вычислительных ресурсов, цифровых изображений и устройств хранения постоянно увеличивается, в некоторых случаях узким местом для высокопроизводительных экспериментов по визуализации является эффективность компьютерного зрения, анализа изображений и распознавания образов. методы [1]. Компьютерный анализ изображений обеспечивает объективный метод оценки визуального контента независимо от субъективной интерпретации вручную, потенциально будучи более чувствительным, последовательным и точным [2].Эти преимущества не ограничиваются массивными наборами данных изображений, поскольку они позволяют использовать микроскопию в качестве рутинной системы анализа даже в небольших масштабах.
Эффективным вычислительным подходом для объективного анализа наборов данных изображений является распознавание образов (PR, см. Вставку 1). PR — это подход машинного обучения, при котором машина находит релевантные шаблоны, которые различают группы объектов после обучения на примерах (например, машинное обучение с учителем). Напротив, другой подход к машинному обучению и искусственному интеллекту — это обучение без учителя, когда машина находит новые шаблоны, не полагаясь на предыдущие примеры обучения, обычно с использованием набора заранее определенных правил.Примером обучения без учителя является кластеризация, где набор данных можно разделить на несколько групп на основе ранее существовавших определений того, что составляет кластер, или ожидаемого количества кластеров. Обзор машинного обучения в контексте биоинформатики (в отличие от визуализации) можно найти в [3].
Вставка 1. Распознавание образов
- PR — это задача автоматического обнаружения закономерностей в наборах данных и их использования для характеристики новых данных. PR — это форма машинного обучения, которая сама по себе является областью искусственного интеллекта.Машинное обучение можно разделить на две основные группы. В контролируемом обучении , или PR, компьютерная система обучается с использованием набора заранее определенных классов, а затем используется для классификации неизвестных объектов на основе шаблонов, обнаруженных при обучении. В неконтролируемом обучении нет классов, определенных априори, и компьютерная система разделяет или группирует данные, обычно с использованием набора общих правил. Примером контролируемого обучения является автоматическое определение локализации белка, при котором компьютерная система обучается с использованием изображений зондов для известных субклеточных компартментов [10].Примером неконтролируемого обучения является кластеризация эксперимента с микрочипом профилирования экспрессии на группы генов со схожими паттернами экспрессии.
- Другие подходы к PR включают полууправляемое обучение , которое использует заранее определенные классы для поиска новых отношений сходства и определения новых групп, и обучение с подкреплением , в котором решения улучшаются итеративно на основе механизма обратной связи и определенных критериев вознаграждения . В этой учебной статье мы сосредоточимся на применении обучения с учителем для автоматизированного анализа наборов данных микроскопических изображений.
Традиционно, анализ изображений цифровой микроскопии требует определения областей интереса (ROI) или «объектов» на изображениях. После того, как область изолирована от фона, разрешение и динамический диапазон, обеспечиваемые цифровой микроскопией, позволяют собирать многие типы измерений и статистические данные о рассматриваемом объекте, такие как интенсивность, форма, размер и положение, а также количество объектов и их распределение [4]. Этот выбор области может быть выполнен вручную путем рисования прямоугольников или областей от руки с помощью интерактивного инструмента [5] или автоматически с использованием компьютерных алгоритмов, известных как алгоритмы сегментации [4], [6].В то время как большая часть анализа изображений по-прежнему полагается на идентификацию области, PR также может использоваться для обработки целых изображений или изображений, размещенных в сетке без предварительного этапа идентификации области [7].
Таким образом, традиционная обработка изображений основана на вопросе «можно ли идентифицировать интересующие меня объекты?». Напротив, PR основан на вопросе «можно ли выделить эти группы изображений?». В этом контексте входом в алгоритм PR может быть все изображение, область субизображения, идентифицированная с помощью алгоритмов сегментации, или просто образцы изображения в форме прямоугольных плиток.Таким образом, в отличие от выбора и настройки алгоритма сегментации, PR требует обучения компьютера распознаванию групп изображений. Эти группы соответствуют экспериментальным контрольным объектам, а набор изображений внутри группы включает вариации в пределах каждого контроля. Учитывая эти группы изображений, машина может самостоятельно узнать, какие аспекты изображений представляют собой естественные экспериментальные вариации и, следовательно, не имеют отношения к делу, а также какие аспекты важны для различения групп контрольных изображений друг от друга [1], [4], [8].Эта способность сортировать измерения изображений по их значимости для данного эксперимента по визуализации позволяет использовать большое количество общих алгоритмов описания изображений, которые не связаны конкретно и не настроены для каждой задачи визуализации, что потенциально делает набор алгоритмов очень общим. Выбор алгоритмов и правил их комбинирования выполняется автоматически в рамках процесса машинного обучения, что избавляет микроскописта от необходимости выбирать набор используемых алгоритмов визуализации или настраивать параметры для их запуска.
Изображения, полученные с помощью фазового контраста, дифференциального интерференционного контраста (ДИК) или других методов визуализации общей морфологии, общеизвестно, что компьютеры сложно анализировать, потому что модель восприятия может не быть визуально видимой или ее сложно кодировать с помощью алгоритмов [9]. Типы измерений изображения, которые могут использоваться для PR, не ограничиваются тем, что мы можем воспринимать, моделировать и кодировать в алгоритмах сегментации, что позволяет использовать автоматизированные методы для анализа общей морфологии, а не ограничиваться конкретными зондами или априори. модели восприятия.
Применимость PR в конкретном эксперименте с визуализацией полностью (и исключительно) зависит от доступности и различимости контрольных изображений. Таким образом, PR-подход к эксперименту по визуализации очень тесно связан с самим биологическим экспериментом, а не с промежуточными измерениями на основе обработки изображений или знакомством с алгоритмами, необходимыми для проведения этих измерений. PR можно использовать в тандеме с алгоритмами сегментации, когда это возможно, чтобы использовать преимущества, предоставляемые обоими подходами.За исключением ограниченного смысла, такого как анализ матриц путаницы в классификационных экспериментах, как описано в разделе Интерпретация результатов классификации изображений , большинство PR-подходов не дают количественных результатов, которые можно получить с помощью алгоритмов сегментации. Вместо этого это может привести непосредственно к качественному экспериментальному результату, например, к поиску «совпадений» на экране. В общем, PR полезен в качестве исследовательского метода визуализации, который не зависит от каких-либо предубеждений о природе или существовании морфологических различий в эксперименте с визуализацией.PR не требует особых усилий или опыта, чтобы попробовать. Его можно использовать для проверки наличия морфологических данных и разработки более конкретных алгоритмов визуализации, если это необходимо.
В этом обзоре мы описываем общую схему, общую для всех систем PR, используемых для биологической микроскопии, и сосредотачиваемся на методах и конкретных программных пакетах, которые успешно использовались при анализе биологических изображений. Мы обсуждаем некоторые требования к экспериментальной установке, которые необходимы для полного использования PR, и указываем на некоторые различия между PR-экспериментами и традиционной ручной оценкой микроскопических изображений или анализом изображений на основе моделей.
Обзор систем PR Bioimage
Хотя существует множество примеров систем PR, процесс можно резюмировать в несколько этапов (рис. 1).
Как и в случае традиционных подходов к обработке изображений, основанных только на идентификации объекта, PR также может извлечь выгоду из различных методов разделения изображений на области интереса. Для этого есть три основные причины: 1) уменьшить количество пикселей, которые алгоритм PR должен учитывать сразу, чтобы улучшить время отклика или увеличить статистическую мощность, 2) смещать алгоритм PR для обработки представляющих интерес объектов, а не фона, и 3) центрируйте или выравнивайте объекты, имеющие внутреннюю ориентацию.Алгоритмы и инструменты обнаружения ROI более подробно описаны в разделе Поиск областей интереса .
Второй этап — это извлечение дескрипторов содержимого изображения (характеристик изображения), которые представляют собой значения, которые численно описывают содержимое изображения. Эти значения могут отражать различные параметры текстуры изображения, статистическое распределение яркости пикселей, краев, цветов и т. Д. Хотя размерность необработанных пикселей обычно может достигать ~ 1000000 (при условии, что микроскопическое изображение составляет 1000–1000 пикселей), количество изображений функций варьируется от десятка до нескольких сотен.Хотя каждое значение пикселя описывает интенсивность в данной позиции X, Y, каждое значение признака описывает конкретную характеристику изображения. Более подробное описание типов обычно используемых функций можно найти в разделе Computing Image Features .
На следующем шаге характеристики изображения используются, чтобы сделать выводы о данных. Как правило, методы PR выбирают признаки и потенциально присваивают веса на основе их способности различать классы. Затем уточненный набор функций используется для вывода правил их объединения в классификатор.Эти два шага составляют этап обучения PR, цель которого — правильно классифицировать обучающие образы. Затем обученный классификатор тестируется на контрольных изображениях, которые были исключены из этапа обучения. Эта перекрестная проверка важна для установления способности классификатора идентифицировать новые изображения, гарантируя, что он не ограничен распознаванием изображений, с которыми он был обучен. Более подробную информацию о выборе и классификации функций можно найти в разделе Выбор и классификация функций .
Наконец, результаты классификации изображений должны быть интерпретированы исследователем в экспериментальном контексте, чтобы прийти к биологическому заключению. В этой интерпретации есть особые соображения, относящиеся к PR, которые дополнительно обсуждаются в разделе Интерпретация выходных данных классификации изображений .
Поиск областей интереса
Как обсуждалось в разделе Обзор систем Bioimage PR , первым шагом компьютерного анализа изображений обычно является уменьшение количества пикселей, учитываемых алгоритмом PR.Самый трудоемкий подход — вручную определить интересующие области. Хотя в некоторых случаях это может быть единственный вариант, этот метод вносит предвзятость и непоследовательность, а также является слишком трудоемким для практического использования при анализе крупномасштабных экранов. В этом случае определение областей интереса можно автоматизировать, просто разделив изображение на плитки с использованием регулярной сетки. Это простое уменьшение количества пикселей может увеличить пропускную способность алгоритмов PR, а также обеспечить большую статистическую мощность за счет рассмотрения большего количества отдельных фрагментов.
В случаях, когда интересующие объекты могут быть легко идентифицированы с помощью алгоритмов сегментации (например, флуоресцентно меченые клетки или структуры), последующий анализ изображения может быть более эффективным, если обрабатываются и анализируются только интересующие области, а фоновые области не учитываются. рассмотрение. Подобно наивной плитке, отказ от биологически нерелевантных областей сокращает время отклика системы. Более важная роль этого типа обнаружения ROI заключается в том, что он потенциально может устранить наличие артефактов, которые могут добавить шум и снизить эффективность компьютерного анализа.В случаях, когда интересующие объекты трудно обнаружить среди всех объектов, которые появляются на изображении, можно использовать PR-анализ, чтобы «узнать», какие из этих объектов имеют биологическое значение, имеющее отношение к эксперименту.
Некоторые реализации алгоритмов сегментации разработаны для определенного типа объекта (например, ячеек) и поэтому не требуют интенсивной настройки системы, в то время как другие инструменты являются более общими и требуют адаптации к интересующим объектам. Широко используемые методы для обнаружения ROI включают глобальную пороговую обработку [11], алгоритмы водораздела [12] — [14], сегментацию на основе моделей [15] и контурные методы [16].В некоторых случаях автоматическое обнаружение краев может использоваться для сегментации интересующих областей [17].
Полезным инструментом для сегментации ячеек является программное обеспечение с открытым исходным кодом CellTracer [18], которое написано на Matlab и может быть загружено по адресу http://www.stat.duke.edu/research/software/west/celltracer/. Еще один мощный инструмент для определения рентабельности инвестиций — ITK (Insight Segmentation and Registration Toolkit) [19] (http://www.itk.org/), который представляет собой пакет с открытым исходным кодом, предназначенный для обнаружения областей интереса в двухмерных и трехмерных изображениях. -D-микроскопические изображения, а также другие виды биомедицинской визуализации, такие как МРТ и КТ.VTK [20] (http://www.vtk.org/) дополняет ITK графическим пользовательским интерфейсом. GemIdent [21] (http://www.gemident.com/) — это многоцелевой инструмент для обнаружения и сегментации интересующих объектов в цветных изображениях, который предоставляет интерактивный графический пользовательский интерфейс, который позволяет пользователю настраивать и оптимизировать обнаружение. Другой инструмент для автоматического обнаружения пятнистых объектов на микроскопических изображениях — это FindSpots [22], который основан на методе глобального порогового определения и способен обнаруживать объекты как на двухмерных, так и на трехмерных изображениях.FindSpots доступен как часть программного пакета OME [23] (http://www.openmicroscopy.org/). sephaCe [9] (http://www.assembla.com/code/sephaCe/subversion/nodes/) — это инструмент, который применяет расширенное обнаружение границ и границ ячеек для решения сложной проблемы сегментации ячеек на изображениях светлого поля. Мощным инструментом для трехмерной сегментации является V3D-Neuron [24], который может визуализировать, отслеживать и анализировать трехмерные изображения нейронов.
Практический подход к обнаружению ROI — это популярное программное обеспечение ImageJ (http: // rsbweb.nih.gov/ij/). ImageJ позволяет использовать внешние плагины, которые расширяют его функциями, которые не поддерживаются встроенными функциями ImageJ. Примеры плагинов обнаружения и сегментации ROI, разработанные для платформы ImageJ, включают NeuronJ [25] (http://www.imagescience.org/meijering/software/neuronj/) и NeuriteTracer [26] для работы с изображениями нейронов, ITCN (http : //rsbweb.nih.gov/ij/plugins/itcn.html) для поиска ядер в различных типах клеток и изображений, общий алгоритм сегментации водораздела [12] и многое другое, перечисленное на http: // rsbweb.nih.gov/ij/plugins/. Проект под названием Fiji (http://pacific.mpi-cbg.de/) переупаковывает ImageJ вместе с набором плагинов и других функций, полезных для обработки биоизображений.
Часто интересующие объекты имеют внутреннюю ориентацию, которая не сохраняется системой визуализации. Примеры включают поляризованные клетки, а также изображения тканей и целых организмов. В этих случаях эффективность PR может быть повышена, если интересующие объекты зарегистрированы, так что отклонение ориентации, вносимое визуализацией, устраняется.В некоторых случаях объекты могут различаться не только по ориентации, но также по масштабу или локальной геометрии, что требует регистрации положения и вращения, а также локального морфинга. В сочетании с необходимой точностью алгоритмов сегментации для определения ориентиров регистрация может оказаться сложной задачей. Некоторые программные инструменты для обнаружения и сегментации ROI, такие как ITK, также предлагают инструменты для регистрации. Примером для конкретного приложения является регистрация различных изображений нематод Caenorhabditis elegans .Нормализация этих объектов с целью обработки изображений может быть выполнена путем «выпрямления» червей и их поворота до фиксированной ориентации [27].
Сложные алгоритмы сегментации могут значительно увеличить отношение сигнал / шум, но модели восприятия, которые они реализуют, или используемые параметры также могут приводить к ошибкам. Когда ошибки сегментации являются случайными (несистематическими), будет соответствующее уменьшение сигнала до шума. Однако важно то, что эти ошибки могут быть соотнесены с экспериментальным вопросом, что приводит к систематической систематической ошибке и искажению экспериментальных результатов.
В некоторых случаях набор данных включает большое количество областей интереса, и использование всех этих изображений может значительно замедлить время отклика системы из-за вычислительных ресурсов, необходимых для вычисления функций изображения для больших объемов данных изображения, как это будет объяснено в разделе «Функции вычислительного образа ». В этих случаях, чтобы уменьшить время отклика системы, подмножество этих областей интереса может выбираться случайным образом для обучения классификатора. Некоторые инструменты анализа биоизображений также используют интерактивные пользовательские интерфейсы для выбора областей интереса вручную и их уточнения в зависимости от производительности классификатора.Это можно делать итеративно, пока исследователь не будет удовлетворен результатами классификации. CellProfiler-Classifier предоставляет пример такого итеративного уточнения выбора и классификации [28]. Для трехмерных изображений объекты для классификации могут быть выбраны и аннотированы с помощью таких инструментов, как OMERO [5], VANO [29] и V3D [24], которые позволяют делать аннотации на основе ROI или изображений для больших и сложных трехмерных изображений. микроскопические изображения, включая комбинации трехмерных, многоканальных и покадровых изображений.
Важно отметить, что при использовании программного обеспечения для сегментации, разработанного независимо от PR, требуется степень интеграции с программными инструментами на основе PR.Часто результаты сегментации могут быть экспортированы в виде отдельных изображений, которые могут быть легко перенесены в программное обеспечение PR для последующего анализа. В других случаях эта интеграция требует написания сценариев или серьезного программирования. Поэтому экспериментаторам рекомендуется сначала рассмотреть программные пакеты, разработанные специально для PR в микроскопических изображениях, которые обеспечивают полное решение от начала до конца. Эти комплексные программные инструменты описаны в разделе Программные средства .
Функции вычисления изображения
После уменьшения размера изображения путем выбора области интереса необработанные данные пикселей обычно все еще не подходят для прямой обработки с помощью алгоритмов PR.Вместо этого данные пикселей дополнительно суммируются для их «содержимого изображения» с использованием набора алгоритмов выделения признаков. Каждый алгоритм считывает пиксели изображения и выводит одно или несколько числовых значений, описывающих различные аспекты изображения. Эти алгоритмы обычно очень общие, поскольку они могут работать с любым набором пикселей без указания каких-либо параметров. Типы функций изображения различаются в зависимости от программного пакета PR, но обычно состоят из дескрипторов текстуры, статистического распределения значений пикселей, характеристик формы и краев, коэффициентов полиномиальных расширений, представляющих изображение, и других.
Поскольку не существует «типичного» микроскопического изображения или эксперимента, а типы дескрипторов содержимого изображения практически неограничены, не существует стандартного набора алгоритмов извлечения признаков. Кроме того, разные функции изображения могут иметь отношение к разным экспериментам, даже если они основаны на изображениях одного и того же типа. Наконец, характеристики изображения, вычисленные компьютером, могут быть почти произвольно детализированы и могут описывать закономерности, которые люди не могут легко уловить. Возможность автоматически обнаруживать различия между изображениями без требования заранее заданной модели восприятия является важным преимуществом PR для информатики биоизображений.Следовательно, в большинстве систем PR биоизображений вычисляется больший набор дескрипторов содержания изображения, чем в конечном итоге используется после выбора признаков и обучения. Это делается для того, чтобы охватить множество возможных морфологических аспектов изображений и сохранить общность подхода [10], [28], [30].
Поскольку низкоуровневые функции изображения не связаны с какой-либо конкретной проблемой визуализации, они мало полезны вне PR. Таким образом, модули для вычисления характеристик изображения обычно являются частью более широких приложений и не распространяются как независимые программные продукты.Инструменты более высокого уровня, такие как CellProfiler [31], wndchrm [32] и Protein Subcellular Location Image Database (PSLID) [33], применяют извлечение признаков изображения в качестве промежуточного шага, но значения можно экспортировать в инструменты сторонних производителей.
Выбор и классификация признаков
После того, как характеристики изображения вычислены для всех изображений в наборе данных, образцы можно классифицировать или оценить на сходство с помощью инструментов PR. Классификация изображений — это задача, в которой компьютерная система автоматически относит изображения к одному из нескольких определенных пользователем классов изображений.Класс изображения — это просто набор изображений из экспериментального элемента управления. Классификация обычно выполняется путем предварительного разделения набора данных на пулы обучающих и тестовых изображений. Обучающие данные используются для автоматического определения правил классификации, а тестовые данные используются для оценки эффективности этих правил и их способности согласованно отражать данные. Как правило, несколько экспериментов по обучению / тестированию выполняются автоматически путем случайного разделения набора данных и выполнения нескольких испытаний, как описано в разделе «Экспериментальные рекомендации для эффективного PR ».
Ожидается, что многие из этих характеристик изображения не имеют отношения к конкретной рассматриваемой проблеме визуализации и вносят вклад только в шум, в то время как другие вносят различную степень различительной силы в классификатор. Выбор соответствующих функций обычно выполняется автоматически с использованием одного из описанных ниже методов. Автоматическое вычисление и выбор характеристик изображения без вмешательства пользователя или настройки параметров является ключевым фактором, обеспечивающим надежную автоматизацию PR и его адаптируемость практически к любому типу изображений.
Существует два основных подхода к выбору функций: фильтры и оболочки . Подход фильтрации обычно использует статистические методы для обработки всего набора функций, чтобы выбрать наиболее информативные. Выбор не зависит от классификатора, который в конечном итоге используется в эксперименте по визуализации, и, таким образом, выбранные характеристики не являются специфическими для последующего классификатора. Обертывание, напротив, основано на выборе подмножеств функций путем их тестирования в классификаторе.Таким образом, упаковка может выбирать функции, специфичные для используемого нижестоящего классификатора.
Простым примером подхода к фильтрации является вычисление оценки Фишера для каждой функции и отклонение определенного процента функций с наименьшими оценками. Оценка Фишера — это отношение дисперсии значения характеристики между классами к ее дисперсии внутри классов, что дает более высокие баллы для функций с высокой дискриминирующей способностью. Этот подход реализован в инструменте анализа изображений wndchrm (доступен по адресу http: // ome.grc.nia.nih.gov/wnd-charm/), где оценки Фишера также используются в качестве весов характеристик. Обеспечивая точные результаты для множества типов изображений [34], потенциальным недостатком этого метода является избыточность функций из-за корреляции в значениях признаков между, казалось бы, несвязанными алгоритмами выделения признаков. Выбор более чем одной функции изображения из группы взаимосвязанных функций не повлияет на общую эффективность набора функций и может способствовать возникновению шума из-за чрезмерного представления определенного типа содержимого изображения.Попытка решить эту проблему напрямую — это алгоритм минимальной избыточности и максимальной релевантности (mRMR) [35], доступный по адресу http://penglab.janelia.org/proj/mRMR/.
Другой подход — переназначение , где исходное пространство признаков заменяется другим с меньшей размерностью и, возможно, с улучшенной разделимостью. Распространенным преобразованием, используемым в нескольких областях биоинформатики, является анализ главных компонентов (PCA), который успешно применялся для анализа данных микрочипов ДНК [36], а также применялся для уменьшения характеристик изображения [37].PCA отображает пространство признаков на меньшее количество взаимно ортогональных главных компонентов. Хотя основным критерием PCA является сохранение дисперсии данных, были предложены другие методы, использующие другие принципы с целью уменьшения размерности. Одно такое семейство методов — это обучение многообразию , где предполагается, что многообразие [38] встроено в пространство признаков более высокой размерности. Определение этого многообразия эффективно реализует нелинейное преобразование в меньшее подпространство.Для этих преобразований существует несколько дополнительных алгоритмов и реализаций, включая изомарту [39], локальное линейное вложение [40], вложение графов [38] и другие. К сожалению, публичная доступность программного обеспечения, использующего эти методы, в настоящее время отстает, и там, где это возможно, программное обеспечение требует дополнительного программирования, чтобы быть практически полезным. Примеры доступных реализаций включают библиотеки Matlab для ISOMAP (http://isomap.stanford.edu/), демонстрационный пример нескольких разнообразных алгоритмов с графическим пользовательским интерфейсом (http: // www.math.ucla.edu/~wittman/mani/), а также набор инструментов Matlab для уменьшения размерности, содержащий смесь линейных и нелинейных алгоритмов (http://ict.ewi.tudelft.nl/~lvandermaaten/Matlab_Toolbox_for_Dimensionality_Reduction. html). Несколько методов отбора признаков и трансформации для идентификации субклеточных органелл сравниваются в [37], но на сегодняшний день систематический анализ разнообразных подходов к обучению, применяемых к проблемам биологической визуализации, не предпринимался.
Wrapping выбирает признаки на основе их фактических характеристик в классификаторе, во многих случаях обеспечивая лучший выбор признаков и большую точность классификации, чем фильтрация.Следует отметить, что в большинстве случаев фильтрация выполняется значительно быстрее, чем упаковка, которая основана на выполнении множества итераций с различными подмножествами банка функций. Набор из нескольких методов упаковки доступен через программный пакет ToolDiag, который можно загрузить по адресу http://sites.google.com/site/tooldiag/. Еще один полезный инструмент для выбора и классификации функций — RapidMiner [41] (http://www.rapidminer.com/), который предоставляет различные алгоритмы выбора и классификации функций в среде графического пользовательского интерфейса.WEKA [42] — это еще одна служебная программа с открытым исходным кодом, которая предоставляет богатый набор инструментов классификации и выбора функций и может быть загружена по адресу http://www.cs.waikato.ac.nz/ml/weka/.
Обучение классификатора автоматически выводит правила для объединения наиболее информативных функций в обученный классификатор, который можно использовать для связывания неизвестных изображений с пользовательскими классами. Один из простейших типов классификаторов — это классификатор ближайшего соседа, где класс неизвестного изображения определяется из обучающего изображения с наиболее похожими значениями признаков.WND (часть WND-CHARM [30]) является разновидностью этого подхода, в котором обучающие изображения используются для моделирования распределения вероятностей для каждого класса. Одно из первых приложений PR-классификаторов к биологической визуализации [10] использовало нейронные сети для идентификации субклеточных органелл. Текущая реализация этого подхода находится в PSLID [33]. Другой подход к классификации — GentleBoosting [43], который используется CellProfiler [28].
В последнее время машины опорных векторов (SVM) [44] стали популярными в обработке биологических изображений, а также в PR в целом [45].Этот тип классификатора используется в Enhanced CellClassifier [46], а также при анализе реакции на лекарства в отдельных клетках [47]. Реализацией SVM является SVM light [48] (http://svmlight.joachims.org/) и SVM perf [49], которые можно загрузить по адресу http: //svmlight.joachims .org / svm_perf.html. Эти инструменты также предоставляют пользовательский интерфейс и могут использоваться как независимые инструменты, в отличие от некоторых других доступных библиотек SVM, таких как LIBSVM [50], которые предназначены для интеграции в другие программы и, следовательно, требуют навыков программирования.Еще один полезный программный пакет, предлагающий широкий выбор методов классификации, — это ToolDiag PR toolbox.
Большинство классификаторов, описанных в литературе, тестируются с использованием относительно небольшого числа классов, обычно не более нескольких десятков. Однако биологические онтологии могут включать тысячи терминов, и если их использовать в качестве основы для классификации, количество классов может резко увеличиться [51] — [53]. Один из подходов к работе с большим количеством классов — переформулировать проблему классификации как систему классификаторов, каждый из которых работает с небольшим набором классов [54].Некоторые типы классификаторов [30] не подвергаются отрицательному воздействию даже тысячи классов (Л. Шамир, неопубликованные данные с использованием набора данных FERET от NIST, состоящего из 994 классов; [55]). В некоторых случаях также возможно использовать оценки сходства классов (см. Раздел «Интерпретация выходных данных классификации изображений» ниже) для кластеризации большого набора классов в меньшее подмножество [7], [32].
Интерпретация выходных данных классификации изображений
Самая основная информация, полученная при проверке правильности классификатора, — это точность классификации.Для этого необходимо зарезервировать пул тестовых изображений, которые не использовались для обучения, но чей класс известен. Точность классификации измеряется количеством тестовых изображений, которые были правильно классифицированы, деленным на общее количество изображений, которые классификатор попытался классифицировать. Это число отражает способность классификатора точно связать тестовое изображение с его правильным классом. Очевидно, что более высокая точность классификации указывает на то, что классификатор изображений более информативен и может различать изображения, принадлежащие к разным классам.Однако, как объясняется в разделе «Экспериментальные соображения по эффективному PR », точность классификации иногда не имеет никакого биологического значения и может привести к ложным выводам, если не будет тщательно проанализирована и проверена с соответствующими контролями.
В бинарной классификации точность часто указывается в терминах чувствительности , и специфичности , которые обычно используются при диагностике заболеваний. Чувствительность классификатора определяется как доля истинно положительных результатов, которые были правильно определены классификатором как положительные, а специфичность определяется как доля отрицательных результатов, которые были правильно классифицированы как отрицательные.Другие показатели производительности для двоичных классификаторов включают частоту ложных срабатываний (FPR) и частоту ложных отрицательных результатов (FNR). Подробное обсуждение метрик производительности бинарных классификаторов можно найти в [56].
Более информативным результатом эксперимента по валидации классификатора является матрица неточностей (см. Таблицу 1). Каждая ячейка содержит количество тестовых изображений, которые, как известно, являются членами класса, указанного меткой строки, которые были классифицированы как класс, указанный в метке столбца.Количество правильно классифицированных изображений для каждого класса находится на диагонали, а ячейки вне диагонали указывают на неправильную классификацию. Таким образом, общая точность классификации — это сумма в диагональных ячейках, деленная на сумму во всех ячейках.
Матрица неточностей также позволяет оценить степень сходства между классами. Например, если матрица неточностей показывает, что классификатор изображений имеет высокую степень смешения между парой классов в данной строке, это указывает на то, что эти два класса более похожи друг на друга, чем другие классы в строке.Эти сходства могут иметь интересные биологические последствия. Однако в зависимости от классификатора и проблемы визуализации эти сходства также могут быть свойством или ограничением самого классификатора. Следовательно, эти типы сходства нуждаются в независимом подтверждении — либо биологическом, либо с использованием другого подхода к PR, а в идеале и того, и другого.
В некоторых случаях различия между классами отражают внутренний порядок. Например, если каждый последующий класс представляет собой лечение с увеличивающейся дозой или временной динамикой, как в Таблице 1, ожидается, что путаница между соседними парами клеток в строке будет выше, чем между ячейками, находящимися дальше друг от друга.В этом случае ожидается, что наивысшее значение каждой строки в матрице неточностей будет на диагонали, а другие значения в каждой строке должны уменьшиться для ячеек, находящихся дальше от диагонали.
Экспериментальные соображения для эффективного PR
Эксперименты, в которых используется PR для анализа изображений микроскопии, включают несколько важных соображений. Как описано в разделах Computing Image Features и Feature Selection и Classification , функции изображения выбираются автоматически по их различающей способности, а правила классификации определяются системой.Следовательно, если два набора изображений имеют биологически несущественные различия между ними (то есть из-за систематических ошибок), PR-анализ может точно классифицировать эти два набора, но классификация будет основана на артефактах. Анализ изображений с использованием PR может различать изображения, полученные с использованием разных микроскопов, объективов, камер и т. Д., И потенциально может привести к ложным выводам. Кроме того, он также может различать изображения, сделанные разными экспериментаторами. Например, если изучаются два разных лечения, и изображения для каждого лечения собираются другим человеком, параметры сбора экспериментатором (которые могут быть субъективными) могут привести к обнаруживаемой разнице между наборами изображений, где нет биологического различия.
Возможность систематической ошибки наблюдателя, искажающей результаты PR, означает, что во время ручного сбора данных или после автоматического сбора данных не следует или почти не проводить контроль качества. Традиционно изображения выбираются вручную, поскольку они представляют биологическую обработку. Напротив, при применении PR это весь набор изображений для определенного лечения, который представляет класс, а не отдельные изображения. Ручной выбор изображений вносит значительную предвзятость наблюдателя, что может исказить результаты PR.
Поскольку анализ изображений с использованием PR чувствителен к артефактам, сбор изображений должен быть максимально последовательным, чтобы уменьшить количество небиологических различий. По этой причине важно собирать контрольные изображения в каждом сеансе сбора изображений или для каждой экспериментальной партии. Контрольные изображения могут быть изображениями субъектов, которые не отражают никаких биологических различий (например, необработанных клеток). Если классификатор может различать наборы контрольных изображений из разных сеансов или экспериментальных партий, на анализ могут повлиять артефакты.Если классификатор не может различать наборы контрольных изображений, но может классифицировать различные обработки, то можно сделать вывод, что различные обработки отражены в содержимом изображения.
Рассмотрите классификатор, который может различать биологически эквивалентные контроли, а также методы лечения. Например, точность 55% между контролями по сравнению с 85% между обработками указывает на то, что, хотя систематические ошибки присутствуют, преобладает биологический сигнал.Здесь можно сравнить относительную точность классификации между ними и принять результат классификации, поскольку разница в точности достаточно велика. Лучше всего сделать неизбежное систематическое предубеждение несистематическим. Например, если два исследователя должны собирать данные, для каждого исследователя лучше собрать весь набор обработок, чтобы их данные можно было в равной степени объединить в классы для обучения классификаторам. Эффективность этого подхода может быть подтверждена экспериментально путем тестирования точности классификации элементов управления получением от разных экспериментаторов, объединенных вместе.
Классификаторы изображений различают классы изображений на основе самого сильного морфологического сигнала, который по разным причинам может не представлять интереса для экспериментатора. Примером этого является эффект роста клеток, который не представляет интереса, в сочетании с морфологическим эффектом, который может представлять больший интерес. Одним из вариантов устранения эффекта роста является использование сегментации для идентификации отдельных клеток с последующим PR по классам, состоящим из сбалансированного количества клеток. Когда сегментация невозможна или нежелательна, альтернативой является принудительное игнорирование классификатором эффектов, которые считаются неважными.Один из примеров этого обсуждался выше, когда данные, собранные разными исследователями, смешиваются в каждом из определенных классов. Нежелательный эффект роста можно аналогичным образом исключить из рассмотрения, определив каждый экспериментальный класс с использованием нескольких различных плотностей клеток. Третий вариант был использован нашей группой для уменьшения различий между экспериментаторами [57], а также для исключения распознавания отдельных мышей при анализе пола или возраста срезов печени [58]. Здесь мы обучили классификатор различать классы, состоящие из артефакта, который мы хотели устранить (т.е. изображения, собранные одним экспериментатором, по сравнению с изображениями, собранными кем-то другим; срезы печени от отдельных мышей для обучения одной мыши на классификатор). Мы исключили нежелательный сигнал классификации из экспериментального классификатора, вычтя веса признаков классификатора артефактов из экспериментального. Для печени мышей мы смогли показать, что этот скорректированный классификатор может одинаково хорошо определять пол, но больше не может идентифицировать отдельных мышей [58]. Аналогичным образом, использование этого подхода для устранения эффекта роста потребует обучения классификатора артефактов, состоящего из классов с разной плотностью клеток, где каждый класс содержит полный спектр экспериментальных эффектов.Этот тип коррекции сильно зависит от типа используемого классификатора и невозможен для большинства типов классификаторов.
При тестировании классификатора на его способность различать наборы изображений, точность классификации следует измерять в нескольких прогонах, где разные изображения используются для обучения и тестирования в каждом прогоне. Эти многочисленные испытания проверяют, не зависит ли производительность классификатора от конкретных изображений, используемых при обучении. Когда количество контрольных изображений чрезвычайно ограничено, проверка также может выполняться методом «исключения одного» (или циклическим), когда обучение выполняется с использованием всех изображений, кроме одного, и используется оставленное изображение для проверки классификатора.Обычно это систематически повторяется, так что каждое изображение в наборе данных проверяется по очереди.
Также следует отметить, что важно иметь одинаковое количество обучающих изображений в каждом классе, чтобы избежать потенциальной систематической ошибки, вызванной несбалансированным распределением изображений. Если классификатор был способен только к случайному угадыванию, то он должен назначать тестовые изображения определенным классам с равной вероятностью. Если один из обучающих классов был намного больше, чем другие, классификатор может назначить тестовые изображения большему классу со скоростью, превышающей ожидаемую для случайного угадывания, в то время как меньшие классы будут назначены с менее случайной вероятностью.Есть несколько механизмов, которые могут привести к такому результату, и некоторые классификаторы более подвержены этому смещению, чем другие. Самый безопасный подход — использовать одинаковое количество изображений в каждом классе для обучения. Если это нецелесообразно, эксперимент с отрицательным контролем может выявить, страдает ли классификатор от этого смещения. В этом случае назначения классов обучающих изображений должны быть случайным образом скремблированы, а результирующий классификатор должен быть проверен, чтобы сообщить ожидаемое случайное распределение назначений классов.
Хотя важно обучать классификатор, используя равное количество изображений для каждого класса, использование того же количества тестовых изображений также может быть важным для получения объективной оценки производительности классификатора. Например, если классификатор двух классов имеет 40 тестовых изображений класса A и 10 тестовых изображений класса B , правильная классификация всех изображений класса A приведет к точности 80%, даже если классификатор неправильно классифицировали все тестовые изображения класса B .Эти результаты могут ввести экспериментатора в заблуждение, полагая, что классификатор работает адекватно, даже если он классифицирует все изображения как класс A . Другой подход к решению этой проблемы заключается в измерении средней точности классификации для каждого класса отдельно [32], а не только в зависимости от общего процента изображений, которые были классифицированы правильно. Например, в приведенном выше случае 100% точность тестовых изображений класса A будет уравновешена точностью 0% класса B , обеспечивая среднюю классификацию 50% для каждого класса, что ясно указывает на то, что классификатор не работает.
Классификатор изображений должен быть обучен с использованием достаточного количества образцов изображений для каждого из предопределенных классов. Следовательно, эксперимент, основанный на PR, требует значительно большего количества изображений, чем эксперимент, в котором выводы делаются вручную или с использованием только инструментов сегментации. Обычно точность увеличивается по мере увеличения обучающей выборки, в конечном итоге достигая плато, на котором классификатор считается «насыщенным». Это число может быть определено эмпирически путем многократного запуска классификатора с различным количеством обучающих изображений, построение графика зависимости точности классификации от количества обучающих изображений.Этот анализ классификатора также можно использовать для определения того, вызвана ли низкая производительность классификации недостаточным количеством обучающих изображений или тем, что классы не различимы для выбранного классификатора.
Количество обучающих изображений, необходимых для точной классификации, может варьироваться в зависимости от сложности различения классов и изменчивости внутри каждого класса. По нашему опыту работы с wndchrm, если классы легко различимы на глаз, а изображения внутри классов визуально согласованы, обычно для обучения требуется не более дюжины изображений.Крайний пример — определение бинуклеарных фенотипов. Здесь точность классификации 98% может быть достигнута с использованием одного обучающего образа. Напротив, в нашем исследовании дегенерации мышц C. elegans на протяжении всей жизни [57] использовалось 85 тренировочных изображений для каждого из семи классов, и могло быть использовано больше. В этом случае люди-наблюдатели могли надежно отличить только очень молодых червей от очень старых. В случаях, когда меньшие обучающие наборы могут обеспечить приемлемую производительность, использование более крупных обучающих наборов не было признано вредным.
Программные инструменты
Несмотря на то, что существует множество общедоступных автономных программных инструментов, которые могут выполнять определенные задачи в процессе анализа изображений на основе PR, такие как сегментация, выбор функций, классификация и т. Д., Их совместное использование может потребовать навыков программирования для их интеграция. К счастью, были разработаны некоторые программные пакеты, обеспечивающие комплексное решение для анализа биоизображений и HCS, и часто они оснащены удобными графическими пользовательскими интерфейсами, предназначенными для лабораторных биологов.К сожалению, не все PR-программы хорошо интегрированы и удобны для пользователя, и в этих случаях следует обращаться за дополнительной помощью к биоинформатикам или к растущему числу биологов, обладающих значительным опытом в области вычислений и информационных технологий.
Программное обеспечение, обсуждаемое в этом разделе, было выбрано на основе четырех параметров: удобство использования без дальнейшей разработки программного обеспечения, интеграция методов PR, описанных выше, установленное сообщество пользователей и открытый исходный код. Хотя доступность исходного кода не имеет большого значения для непрограммистов, это важное соображение.Основная причина с научной точки зрения заключается в том, что, по крайней мере, в принципе, реализация алгоритмов программным обеспечением поддается независимой проверке. Есть еще и практические соображения. Если первоначальные авторы откажутся от программного проекта без предоставления исходного кода, то программное обеспечение может вскоре перестать работать на новых версиях операционных систем и оборудования. Если программное обеспечение было неотъемлемой частью конвейера обработки, то предыдущие эксперименты, возможно, потребуется повторить с новым программным пакетом, чтобы сравнить их с новыми результатами.Доступность исходного кода обычно также означает, что существует широко распределенный пул экспертов, которые могут изменять программное обеспечение или просто обновлять его. Даже когда такой пул не существует, можно нанять профессионального программиста, который исправит, изменит или обновит программное обеспечение, если это станет необходимым.
В этом разделе мы упоминаем одну из самых популярных программ обработки изображений, ImageJ, и обсуждаем четыре полные системы для получения биологических изображений, основанные на методах PR: CellProfiler-Classifier, PSLID, wndchrm и CellExplorer, перечисленные в таблице 2.Хотя ImageJ не предназначен специально для PR, для сегментации доступно множество подключаемых модулей, которые могут быть полезны для сокращения данных перед классификацией, как обсуждалось выше. Манипулирование группами изображений является неотъемлемой частью анализа с помощью PR, и ImageJ не предоставляет механизма для связывания изображений друг с другом. Группировка изображений позволит последовательно группировать области интереса, созданные различными плагинами сегментации. Подключаемый модуль PR может затем использовать эти ROI с несколькими изображениями для определения классов для обучения.В ImageJ доступно несколько скриптов для пакетной обработки изображений вместе, поэтому понятие групп изображений может быть реализовано в будущем.
PSLID [33] был первым приложением PR для микроскопических изображений [59]. Этот проект направлен на то, чтобы в конечном итоге перечислить и различить все паттерны субклеточной локализации. Хотя это может показаться довольно специализированным, локализация не ограничивается идентификацией органелл, но может использоваться для описания любого типа субклеточного распределения белка, красителя или другого биомаркера.PSLID развивался на протяжении многих лет для анализа паттернов в нескольких каналах флуоресценции, а также в трехмерном и во времени. PSLID можно использовать с базой данных для управления большими коллекциями изображений. Полная установка также может включать в себя веб-службу для выполнения поиска на основе изображений или локализации.
Цель проекта CellProfiler — предоставить удобную среду обработки изображений для HCS [60]. В HCS визуализация клеток с высоким разрешением используется в качестве анализа при скрининге химических соединений или библиотек РНКи.Эти эксперименты легко включают десятки или сотни тысяч изображений, где ручная оценка нецелесообразна. Подобно ImageJ, CellProfiler включает инструменты для идентификации (сегментации) клеток и ядер, а также для передачи различной статистики по объектам, обнаруженным на изображении. В отличие от ImageJ, CellProfiler разработан на основе конвейеров обработки изображений, где тысячи изображений могут анализироваться в пакетном режиме. Недавнее добавление CellProfiler-Classifier [28] представляет методы PR для классификации клеток по определенным пользователем фенотипам.Интересно, что CellProfiler-Classifier также может находить клетки, которые не вписываются ни в один из предопределенных фенотипов, что делает его полезным для идентификации редких фенотипов или фенотипов с низкой пенетрантностью. Подобно PSLID, CellProfiler накладывает ограничения на то, как проводится эксперимент с визуализацией — главным образом, клетки должны легко идентифицироваться с помощью используемых алгоритмов сегментации. Обычно это требует окрашивания флуоресцентным цитоплазматическим маркером, а также флуоресцентным ядерным маркером в дополнение к любым маркерам, используемым в реальном эксперименте.В свете этих соображений работа, проделанная с CellProfiler и PSLID до сих пор, ограничивается флуоресцентной микроскопией. В отличие от PSLID, CellProfiler предназначен для использования на рабочем столе пользователя, а не для предоставления централизованной веб-службы, поэтому его несколько проще установить и использовать.
Проект WND-CHARM [30] был инициирован с целью предоставления инструментов PR для анализа широкого спектра типов изображений и предоставления средств для изучения различных классификаторов, обученных путем группировки одних и тех же изображений различными способами.Это программное обеспечение представляет собой инструмент командной строки [32], который обрабатывает изображения, размещенные в папках, представляющих классы изображений, и создает отчеты в формате HTML, которые можно просматривать в любом веб-браузере. В отличие от PSLID и CellProfiler, WND-CHARM был тщательно протестирован на различных типах изображений, включая фазовый контраст, контраст с дифференциальной интерференцией и гистологические пятна, а также флуоресцентную микроскопию [34]. Помимо разделения изображений на плитки, WND-CHARM не предоставляет никаких собственных инструментов сегментации, хотя любое программное обеспечение, которое может создавать кадрированные изображения сегментированных ячеек, может использоваться для передачи изображений в WND-CHARM.Несмотря на отсутствие инструментов сегментации, было показано, что WND-CHARM точно оценивает анализы визуализации, которые традиционно анализировались с помощью алгоритмов сегментации, таких как скрининг бинуклеарных фенотипов со 100% точностью [34]. WND-CHARM является автономным и не полагается на обширное внешнее математическое программное обеспечение, такое как Matlab, или инфраструктуру баз данных, такую как Oracle и MySQL. Эта переносимость позволяет легко интегрировать его в другое программное обеспечение, которое обеспечивает функции сегментации и базы данных.
Еще одним полезным инструментом для автоматического анализа биологических изображений является CellExplorer [61]. CellExplorer был разработан для анализа изображений C. elegans , но также был признан эффективным для других модельных организмов, таких как дрозофила. Пакет включает расширенные алгоритмы сегментации, аннотации и выпрямления [62] трехмерных микроскопических изображений. Сегментированные ядра также можно классифицировать автоматически с помощью классификатора SVM. CellExplorer доступен для загрузки бесплатно; однако для этого требуется установка Matlab, коммерческого программного обеспечения.
Программные инструменты, описанные выше, и инструменты сегментации, описанные в разделе Поиск областей интереса , могут быть протестированы с использованием общедоступных наборов данных биологических изображений, которые включают изображения различных организмов, полученные с использованием различных типов микроскопии, увеличения и т. Д. доступные наборы данных изображений включают наборы данных PSLID (http://murphylab.web.cmu.edu/data/), набор тестов IICBU [34] (http://ome.grc.nia.nih.gov/iicbu2008/), и Коллекция тестов Broad Bioimage http: // www.broadinstitute.org/bbbc/.
Обсуждение
В этом обзоре мы описываем основные концепции, терминологию и программные инструменты для анализа изображений на основе PR для биологии. Предоставленная информация предназначена для специалистов, ищущих альтернативу традиционным подходам к обработке изображений. Хотя большинство текущих приложений PR используются для анализа очень больших наборов данных изображений (например, PSLID, CellProfiler-Classifier [28], [33]), эти методы можно так же легко применить к более традиционным методам визуализации, выполняемым неспециалистами. лаборатории.Основным преимуществом этого подхода является его способность обрабатывать широкий спектр типов изображений без необходимости настраивать программное обеспечение или настраивать параметры для каждого эксперимента по визуализации.
Возможность сравнивать изображения друг с другом независимо от типа изображения может привести к открытию новых знаний из существующих данных. Общие алгоритмы сравнения последовательностей, такие как BLAST, преобразовали архивирование и поиск данных последовательностей в общедоступных репозиториях, таких как GenBank, в область (геномика), где новые знания обычно синтезируются из существующих коллекций последовательностей.По аналогии, интеграция обобщенных алгоритмов сравнения изображений с большими, разнообразными и хорошо аннотированными общедоступными репозиториями изображений является важным шагом на пути к более полному извлечению данных из биологических изображений. Например, поля метаданных, используемые для аннотирования изображений вручную или с использованием специализированных алгоритмов, могут служить основой для определения учебных классов для алгоритмов PR. Затем полученные классификаторы могут аннотировать изображения, для которых эти поля не были определены. Хотя этот процесс можно полностью автоматизировать, инструменты, разработанные для этого подхода, также можно использовать в интерактивном режиме, чтобы задавать вопросы о потенциальных новых отношениях в этих коллекциях изображений.
Хотя методы, описанные в этом обзоре, могут привести к созданию общих алгоритмов сравнения изображений, данные изображений создают несколько проблем, которые только сейчас начинают решаться: количественное сравнение изображений в нескольких контекстах, соответствующие алгоритмы ранжирования и интегрированные репозитории изображений. Контекст можно понять в текстовом поиске, рассмотрев запрос «Апельсин». Результаты этого запроса будут зависеть от того, является ли контекст цветом, фруктами, компьютерными компаниями или поставщиками услуг сотовой связи.Этот уровень неоднозначности типичен для запросов на основе изображений, где каждое изображение можно просматривать в нескольких различных контекстах. Практическое значение для PR состоит в том, что данное изображение в репозитории может использоваться для обучения нескольких различных классификаторов, или, альтернативно, группа несвязанных классификаторов может анализировать изображение в нескольких различных контекстах. Интерфейсы поиска обычно допускают только ограниченную спецификацию контекста, если они позволяют это вообще (например, изображения Google, видео, карты, новости и т. Д.). Этого недостаточно для поиска по изображениям из-за высокой степени неоднозначности в контексте поиска, сложности определения подразумеваемого контекста и его полной зависимости от задаваемого экспериментального вопроса.
Соответствующий алгоритм ранжирования — ключевая характеристика полезного поискового интерфейса, потому что результаты, наиболее релевантные для пользователя, представляются первыми. При научном поиске на основе изображений ранжирование результатов поиска должно основываться на сходстве изображений, измеренном в одном или нескольких биологически релевантных контекстах, указанных пользователем. Bisque и PSLID предоставляют алгоритмы поиска на основе изображений, которые возвращают наборы изображений из базы данных, которые наиболее похожи на изображение запроса. Однако невозможно уточнить контекст поиска (т.е.е., похожи в чем?), и биологическая значимость результатов ранжирования не может быть легко оценена. Количественное сходство изображений — важный инструмент для визуализационных анализов, таких как доза-реакция, временные рамки и сравнения фенотипов. Кроме того, меры сходства могут формировать основу для алгоритмов кластеризации, где новые группировки изображений могут быть обнаружены на основе существующих или связанных контекстов с использованием объективных статистических критериев. PR-методы ранее использовались для количественной оценки сходства изображений в экспериментальном контексте.Например, коэффициент ошибочной классификации использовался для измерения клеточного ответа на различные дозы лекарств [47], а прямое измерение сходства с использованием линейного классификатора было использовано для измерения саркопении в глотке C. elegans [57]. В настоящее время прямые измерения сходства контекстуализированных изображений с использованием общих методов PR являются областью активных и текущих исследований.
В конечном счете, для развития информатики изображений необходимы как контекстные алгоритмы сравнения изображений, так и полностью интегрированные репозитории изображений.За последнее десятилетие было создано несколько специализированных репозиториев изображений, некоторые примеры которых включают Visible Human Project (http://www.nlm.nih.gov/research/visible/visible_human.html), Сеть исследований в области биомедицинской информатики ( BIRN, http://www.birncommunity.org/), грид биомедицинской информатики рака (caBIG, https://cabig.nci.nih.gov/), средство просмотра данных JCB (http://jcb-dataviewer.rupress .org /) и новую инициативу под названием The Cell: An Image Library (http://cellimagelibrary.org/).В настоящее время это коллекции изображений, которые можно искать только по их аннотациям и использовать для иллюстрации различных биологических процессов и особенностей. Программная инфраструктура для этих репозиториев изображений развивалась параллельно за последнее десятилетие от ранних проектов, таких как OME [63], [64] и PSLID [33], до таких проектов, как Bisque [65] и OMERO [5], которые поддерживаются полностью -время разработчиками и используется все большим числом лабораторий визуализации. Эти типы систем управления данными изображений в первую очередь связаны с определением и структурой метаданных изображений и предоставляют интерфейсы для аннотаций, поиска и просмотра.Кроме того, эти системы позволяют запросы, основанные либо на сравнении введенного текста и текстовых аннотаций в базе данных, либо на характеристиках изображения, извлеченных из изображения запроса, по сравнению с таковыми из архивных изображений. Интеграция репозиториев изображений, подобных этим, с универсальными, контекстуализированными алгоритмами сравнения изображений подтвердит предпосылку информатики изображений: что уже существующие наборы данных изображений могут быть проанализированы in-silico, чтобы найти новые отношения между изображениями, что приведет к новым знаниям и открытиям.
Ссылки
- 1. Пэн Х. (2008) Информатика биоизображений: новая область инженерной биологии. Биоинформатика 24: 1827–1836.
- 2. Jones TR, Carpenter AE (2007) Программное обеспечение с открытым исходным кодом автоматизирует высокопроизводительную визуализацию. Биофотоника 14: 31–32.
- 3. Tarca AL, Carey VJ, Chen X-w, Romero R, Draghici S (2007) Машинное обучение и его приложения в биологии. PLoS Comput Biol 3: e116.
- 4. Ljosa V, Carpenter AE (2010) Введение в количественный анализ двумерных изображений флуоресцентной микроскопии для клеточного скрининга.PLoS Comput Biol 5: e1000603.
- 5. Сведлоу Дж. Р., Гольдберг И. Г., Элисейри К. В. (2009) Информатика биоизображений для экспериментальной биологии. Анну Рев Биофиз 38: 327–346.
- 6. Фуллер CJ, Straight AF (2009) Методы сравнительного анализа анализа изображений для дизайна экранов с высоким содержанием. J Microsc 17: 145–161.
- 7. Шамир Л., Экли Д.М., Делани Дж., Орлов Н., Голдберг И.Г. (2009) Метод информатики изображений для автоматического количественного анализа визуальных сходств фенотипов.IEEE NIH Life Sci Syst Appl Workshop 96–100.
- 8. Коэльо Л.П., Глори-Афшар Э, Кангас Дж., Куинн С., Шарифф А. и др. (2010) Принципы информатики биоизображений: фокус на машинном обучении клеточных паттернов. Примечания к лекциям Comput Sci 6004: 8–18.
- 9. Гудинг А.Р., Кристлиб М., Брэди М. (2008) Расширенная фазовая сегментация нескольких клеток из изображений светлопольной микроскопии. Proc IEEE 5th Int Symp Biomed Imaging 181–184.
- 10. Боланд М.В., Мерфи Р.Ф. (1999) Автоматический анализ паттернов на изображениях с флюоресцентного микроскопа.Тенденции Cell Biol 9: 201–202.
- 11. Sahoo PK, Soltani S, Wong AKC (2008) Обзор: обзор методов определения пороговых значений. Процесс обработки изображений графа Comput Vis Graph 41: 233–260.
- 12. Винсент Л., Сойль П. (1991) Сегментация скелета Image-proc. IEEE Trans Pattern Anal Mach Intell 13: 583–598.
- 13. Lindeberg T (1993) Обнаружение заметных каплевидных структур изображений и их масштабов с помощью первичного эскиза в масштабном пространстве: метод фокусировки внимания.Int J Comput Vis 11: 283–318.
- 14. Roerdink BTM, Meijster A (2001) Преобразование водораздела: определения, алгоритмы и стратегии распараллеливания. Фундамент информ 41: 187–228.
- 15. Cong G, Parvin B (2000) Сегментация ядер на основе моделей. Распознавание образов 33: 1383–1393.
- 16. Вромен Дж., Маккейн Б. (2006) Сегментация эритроцитов с использованием управляемого контурного отслеживания. 18-й Proc Annu Colloq Центр пространственной информации 25–29.
- 17.Ли Джи, Лю Т., Не Дж., Го Л., Чен Дж. И др. (2008) Сегментация ядер соприкасающихся клеток с использованием отслеживания градиентного потока. J Microsc 231: 47–58.
- 18. Wang Q, Niemi J, Tan CM, You L, West M (2009) Сегментация изображений и динамический анализ клонов в одноклеточной флюоресцентной микроскопии. Цитометрия A 77A: 101–110.
- 19. Yoo T, Metaxas D (2005) Открытая наука — сочетание открытых данных и программного обеспечения с открытым исходным кодом: анализ медицинских изображений с помощью Insight Toolkit.Med Image Anal 9: 503–506.
- 20. Шредер В., Мартин К., Лоренсен Б. (2006) Инструментарий визуализации: объектно-ориентированный подход к трехмерной графике. 4-е издание. Клифтон-Парк (Нью-Йорк): Kitware, Inc.
- 21. Капелнер А., Ли П., Холмс С. (2007) Интерактивная статистическая система сегментации и визуализации изображений. MEDIVIS 2007: 81–86.
- 22. Платани М., Голдберг И., Сведлоу Дж. Р., Ламонд А.И. (2000) Анализ движения, разделения и соединения тельца Кахаля in vivo в живых клетках человека.J Cell Biol 151: 1561–1574.
- 23. Шиффманн Д.А., Диковская Д., Эпплтон П.Л., Ньютон И.П., Крегер Д.А. и др. (2006) Open Microscopy Environment и FindSpots: интеграция информатики изображений с количественным многомерным анализом изображений. Биотехнологии 14: 199–208.
- 24. Peng H, Ruan Z, Long F, Simpson JH, Myers EW (2010) V3D обеспечивает трехмерную визуализацию в реальном времени и количественный анализ крупномасштабных наборов данных биологических изображений. Nat Biotechnol 28: 348–353.
- 25. Meijering E, Jacob M, Darria P, Hirling H, Unser M (2004) Разработка и проверка инструмента для отслеживания и анализа нейритов в изображениях флюоресцентной микроскопии. Цитометрия 58A: 167–176.
- 26. Pool M, Thiemann J, Bar-Or A, Fournier AE (2008) NeuriteTracer: новый плагин ImageJ для автоматической количественной оценки роста нейритов. J Neurosci Methods 168: 134–139.
- 27. Peng H, Long F, Liu X, Kim S, Myers E (2008) Выпрямление C.elegans изображения. Биоинформатика 24: 234–242.
- 28. Джонс Т.Р., Карпентер А.Е., Лампрехт М.Р., Моффат Дж., Сильвер С.Дж. и др. (2009) Оценка различных морфологий клеток на экранах на основе изображений с итеративной обратной связью и машинным обучением. Proc Natl Acad Sci U S A 106: 1826–1831.
- 29. Peng H, Long F, Myers EW (2009) VANO: система аннотаций объемных изображений объектов. Биоинформатика 25: 695–697.
- 30. Орлов Н., Шамир Л., Макура Т., Джонстон Дж., Экли Д.М. и др.(2008) WND-CHARM: Многоцелевая классификация изображений с использованием преобразований составных изображений. Pattern Recognit Lett 29: 1684–1693.
- 31. Lamprecht MR, Sabatini DM, Carpenter AE (2007) CellProfiler: бесплатное универсальное программное обеспечение для автоматического анализа биологических изображений. Биотехнологии 42: 71–75.
- 32. Шамир Л., Орлов Н., Экли Д.М., Макура Т., Джонстон Дж. И др. (2008) Wndchrm — утилита с открытым исходным кодом для анализа биологических изображений. Исходный код Biol Med 3: 13.
- 33.Боланд М.В., Мерфи Р.Ф. (2001) Нейросетевой классификатор, способный распознавать паттерны всех основных субклеточных структур на изображениях клеток HeLa под флюоресцентным микроскопом. Биоинформатика 17: 1213–1223.
- 34. Шамир Л., Орлов Н., Экли Д.М., Макура Т., Голдберг И.Г. (2008b) IICBU 2008: предлагаемый набор тестов для анализа биологических изображений. Med Biol Eng Comput 46: 943–947.
- 35. Ding C, Peng H (2005) Выбор функции минимальной избыточности из данных экспрессии генов микроматрицы.Журнал Bioinform Comput Biol 3: 185–205.
- 36. Knudsen S (2002) Руководство биолога по анализу данных ДНК-микрочипов. Нью-Йорк: Джон Вили и сыновья.
- 37. Huang K, Velliste M, Murphy RF (2003) Уменьшение характеристик для улучшенного распознавания структур субклеточного расположения на изображениях флюоресцентного микроскопа. Proc SPIE 307–318.
- 38. Басаванхалли А.Н., Ганесан С., Агнер С., Монако Дж. П., Фельдман М.Д. и др. (2010) Компьютерное обнаружение и классификация лимфоцитарной инфильтрации на основе изображений в гистопатологии рака молочной железы HER2 +.IEEE Trans Biomed Eng 57: 642–653.
- 39. Tenenbaum JB, de Silva V, Langford JC (2000) Глобальная геометрическая структура для нелинейного уменьшения размерности. Наука 290: 2319–2323.
- 40. Роуис С.Т., Лоуренс К.С. (2000) Нелинейное уменьшение размерности локально линейным вложением. Наука 290: 2323–2326.
- 41. Мерсва И., Вурст М., Клинкенберг Р., Шольц М., Эйлер Т. (2006) YALE: быстрое прототипирование для сложных задач интеллектуального анализа данных.KDD 935–940.
- 42. Холмс Г., Донкин А., Виттен И. Х. (1994) Weka: инструмент для машинного обучения. АНЦИИС 94: 357–361.
- 43. Фридман Дж. Х., Хасти Т., Тибширани Р. (2000) Аддитивная логистическая регрессия: статистический взгляд на повышение. Энн Стат 28: 337–407.
- 44. Вапник В.Н. (1995) Природа теории статистического обучения. Нью-Йорк: Springer-Verlag.
- 45. Бен-Гур А., Онг К.С., Зонненбург С., Шолкопф Б., Ратч Г. (2008) Поддерживающие векторные машины и ядра для вычислительной биологии.PLoS Comput Biol 4: e1000173.
- 46. Misselwitz B, Strittmatter G, Periaswamy B, Schlumberger MC, Rout S и др. (2010) Enhanced CellClassifier: мультиклассовый классификационный инструмент для микроскопических изображений. BMC Bioinformatics 11:30
- 47. Loo LH, Wu LF, Altschuler SJ (2007) Многовариантное профилирование реакций на лекарства от отдельных клеток на основе изображений. Нат методы 4: 445–453.
- 48. Joachims T (2000) Эффективная оценка обобщающей производительности SVM.Proc Int Conf Mach Learn 431–438.
- 49. Joachims T (2006) Обучение линейных SVM за линейное время. KDD 217–226.
- 50. Fan RE, Chen PH, Lin CJ (2005) Выбор рабочего набора с использованием информации второго порядка для обучения SVM. J Mach Learn Res 6: 1889–1918.
- 51. Карпентер А.Е., Сабатини Д.М. (2004) Систематический геномный скрининг функции генов. Нат Рев Генет 5: 11–22.
- 52. Carson JP, Ju T, Lu HC, Thaller C, Xu M и др.(2005) Цифровой атлас для характеристики транскриптома мозга мыши. PLoS Comput Biol 1: e41.
- 53. Peng H, Long F, Eisen M, Myers E (2006) Кластеризация паттернов экспрессии генов y-эмбрионов. Proc IEEE Int Symp Biomed Imaging 1144–1147.
- 54. Чжоу Дж, Пэн Х (2007) Автоматическое распознавание и аннотация паттернов экспрессии генов эмбрионов мух. Биоинформатика 23: 589–596.
- 55. Филлипс П.Дж., Мун Х., Раусс П.Дж., Ризви С. (2000) Методология оценки FERET для алгоритмов распознавания лиц.IEEE Trans Pattern Anal Mach Intell 22: 1090–1104.
- 56. Гарднер М.Дж., Альтман Д.Г. (1989) Расчет доверительных интервалов для пропорций и их различий. В: Гарднер М.Дж., Альтман Д.Г., редакторы. Статистика с уверенностью. Лондон: Издательская группа BMJ. С. 28–33.
- 57. Johnston J, Iser WB, Chow DK, Goldberg IG, Wolkow CA (2008) Количественный анализ изображений выявляет отчетливые структурные переходы во время старения в тканях Caenorhabditis elegans. PLoS ONE 3: e2821.
- 58. Macura TJ (2009) Автоматизация количественного анализа микроскопических изображений [кандидатская диссертация]. Кембридж: Кембриджский университет, факультет компьютерных наук и технологий.
- 59. Боланд М.В., Марки М.К., Мерфи Р.Ф. (1998) Автоматическое распознавание паттернов, характерных для субклеточных структур, на изображениях флюоресцентной микроскопии. Цитометрия 33: 366–375.
- 60. Джонс Т.Р., Канг И.Х., Уиллер Д.Б., Линдквист Р.А., Папалло А. и др. (2008) CellProfiler Analyst: программное обеспечение для исследования и анализа данных для сложных экранов на основе изображений.BMC Bioinformatics 9: 482.
- 61. Long F, Peng H, Liu X, Kim SK, Myers EW (2009) Цифровой трехмерный атлас C. elegans и его применение для анализа отдельных клеток. Нат методы 6: 667–673.
- 62. Peng H, Long F, Liu X, Kim SK, Myers EW (2008) Выпрямление изображений Caenorhabditis elegans. Биоинформатика 24: 234–242.
- 63. Сведлоу Дж. Р., Гольдберг И. Г., Браунер Э, Соргер П. К. (2003) Информатика и количественный анализ в биологической визуализации.Наука 300: 100–102.
- 64. Голдберг И.Г., Аллан С., Бурел Дж. М., Крегер Д., Фалькони А. и др. (2005) Модель данных Open Microscopy Environment (OME) и файл XML: открытые инструменты для информатики и количественного анализа в биологической визуализации. Геном Биол 6: R47.
- 65. Квилеквал К., Федоров Д., Обара Б., Сингх А., Манджунат Б. С. (2009) Bisque: платформа для анализа и управления биографическими изображениями. Биоинформатика 544–552.
изображений в наномасштабе показывают закономерности, которые можно создать с помощью клеток, кристаллов и ДНК.
От радужных крыльев бабочек до хитросплетений планктона, изучение природы в наномасштабе может помочь ученым создавать машины размером с те, что находятся внутри живой клетки.
В новой книге «Нанонаука: бесконечно малые гиганты» были отобраны одни из лучших изображений с мест, чтобы показать, как скрытая красота природы может быть воспроизведена людьми.
Изображения показывают, как развивалась нанонаука за последние 50 лет, демонстрируя культовые исследования, такие как смайлики, сделанные из ДНК, и мышечные клетки говядины, созданные из стволовых клеток.
В новой книге, названной «Нанонаука: бесконечно малые гиганты», были отобраны одни из лучших изображений из области нанотехнологий, чтобы показать, как скрытая красота природы может быть воспроизведена людьми.На фото изображено наноразмерное изображение кристаллов льда.
В 1959 году Ричард Фейнман, физик из Калифорнийского технологического института, описал, как ученые смогут манипулировать отдельными атомами и молекулами, чтобы уменьшить размеры электронных схем.
Авторы «Нанонауки», писатель Питер Форбс и художник Том Гримси, предполагают, что копирование наноразмерных процессов в природе может иметь более серьезные последствия.
Начиная с чистого сбора солнечной энергии и поиска рентабельных методов опреснения морской воды, они утверждают, что нанотехнологии могут революционизировать человеческие процессы.
Для ощущения масштаба лист бумаги имеет толщину около 100 000 нанометров, а человеческий волос — от 80 000 до 100 000 нанометров в ширину.
На фото изображены наноцветки, созданные с использованием углерода. Они были созданы командой Гарвардского университета, которая реализовала давнюю мечту о создании сложных трехмерных структур, просто смешивая химические вещества. Эти цветы создавались путем пропускания углекислого газа через микроструктуры карбоната бария и кремнезема для создания стеблей, ваз, кораллов и других структур.К изображению добавлен ложный цвет.
В 1959 году Ричард Фейнман, физик из Калифорнийского технологического института, описал, как ученые смогут манипулировать отдельными атомами и молекулами, чтобы уменьшить размеры электронных схем. Здесь показан планктон в наномасштабе. Эти образцы жили между кристаллами годового морского льда в проливе Мак-Мердо, Антарктида
ОТЕЦ НАНОТЕХНОЛОГИИ
Идеи и концепции, лежащие в основе нанонауки, начались с выступления физика Ричарда Фейнмана под названием «На дне много места» в 1959 году.
Он описал, как ученые смогут манипулировать отдельными атомами и молекулами, чтобы уменьшить размеры электронных схем.
Он также предположил, что в принципе возможно создание наноразмерных машин, которые «упорядочивают атомы так, как мы хотим», и осуществляют химический синтез с помощью механических манипуляций.
Одно из изображений, выделенных в книге, — это мышечные клетки говядины, развивающиеся из стволовых клеток.
В прошлом году такие клетки были использованы для создания первого в мире бургера со стволовыми клетками.Он был сделан из 20000 небольших кусочков мяса, выращенных из мышечных клеток коровы, и на его создание ушло три месяца.
На другом изображении показано зерно пыльцы ястребиного уха, увеличенное в 2000 раз.
Такие природные наноструктуры использовались для изготовления темплатного материала, такого как диоксид титана, который используется в солнцезащитных кремах и пищевых красителях.
Выявлены также хлоропласты внутри клеток растений. Это фотосинтетические фабрики растительных клеток, где энергия солнечного света преобразуется в богатую энергией биомассу — процесс, который ученые имитируют для создания «зеленой» энергии.
Авторы утверждают, что нанонаука «ведет нас к точке, где начинается жизнь: точке, где именно наноструктурированные химические вещества приобретают свойства жизни».
Вглядываясь в крошечные структуры, составляющие окружающий нас мир, авторы полагают, что мы можем быть на пути к совершению «нанотехнологической революции».
Знаменитые ДНК-смайлы Пола Ротемунда, украшавшие обложку журнала Nature в 2006 году. Работа Ротемунда привела к буму ДНК-нанотехнологий.Доктор Ротемунд использовал эти смайлики, чтобы показать более простой способ реорганизации ДНК. Он показал, что длинные одиночные цепи ДНК можно складывать взад и вперед, чтобы сформировать базовый каркас. Затем базовая структура дополняется примерно 200 более короткими прядями, обеспечивая форму, которая может иметь сложный узор, например этот смайлик
Изображение искусственного цвета сложного наноструктурированного «цветка», выращенного из химического раствора. Это изображение под названием «Изумрудные бутоны и цветы цветут на микроструктурированном ландшафте» было представлено лабораторией Айзенберга в качестве заявки на конкурс «Наука как искусство» в 2010 г.
Пыльца из ястреба мышиного уха, увеличенная в 2000 г. раз.Такие природные наноструктуры использовались для изготовления шаблонов, таких как диоксид титана, который используется в солнцезащитных кремах и пищевых красителях.
Здесь можно увидеть отдельные чешуйки крыла бабочки. Крылья бабочки не имеют пигментной окраски. Вместо этого они создают свои блестящие дисплеи, используя уловку света. Что-то, известное как «фотонные кристаллы», создает геометрические узоры в микроскопических масштабах. Патерены расположены очень близко к длинам волн света таким образом, что они усиливают отраженный свет одних цветов и поглощают другие.
Здесь показаны хлоропласты внутри клеток растений.Это фабрики по производству растительных клеток, где энергия солнечного света преобразуется в богатую энергией биомассу, и ученые надеются подражать этому процессу для создания «зеленой» энергии
Объединение изображений с нескольких экранов микроскопии выявляет различные закономерности изменения субклеточной локализации белков
Существенных изменений:
В глобальном масштабе все обозреватели пришли к выводу, что этот метод обладает значительным потенциалом.Многочисленные комментарии указывают на то, что анализ должен быть более тщательным, а иногда и более систематическим. Учитывая, что данные, лежащие в основе делеций киназ, кажутся более низкого качества, я предлагаю вырезать эту часть. За цифрами часто трудно следить, поэтому необходимо уделять особое внимание представлению результатов. Ниже приводится сводный список комментариев рецензента.
1) Авторы указывают, что они получают дескрипторы, даже если доступна одна ячейка.Было ли это решение принято на основе общей схемы оптимизации или произвольно? Какая часть данных соответствует от 1 до 5 ячеек? Надо показать, что это решение приносит больше сигнала, чем шума.
Мы полагаем, что этот комментарий был основан на недостаточной ясности в описании наших ранее опубликованных методов. Нам требуется, по крайней мере, одна пара мать – почка в каждой из 10 определяемых нами ячеек, которые отслеживают материнские и почковые клетки отдельно на протяжении 5 стадий клеточного цикла.Это означает, что нам требуется минимум 10 клеток на образец, распределенный по клеточному циклу. На практике наименьшее количество клеток, которое мы наблюдаем в контрольном необработанном диком типе с этим фильтром, составляет 18, и только 13 из 3955 белков содержат менее 25 клеток.
Мы отредактировали подраздел «Неконтролируемый анализ изменений локализации белка в более чем 280 000 изображений» и включили новый рисунок (рис. 1), чтобы лучше объяснить наш конвейер анализа изображений, а также включили подробные сведения о количестве клеток в подраздел «Анализ изображений и количественная оценка. изменений локализации ».Мы надеемся, что это станет яснее в отредактированной рукописи.
Эти решения основаны на желании избежать исключения белков из анализа из-за отсутствия данных, поскольку мы добавляем в анализ дополнительные экраны. Мы считаем, что включение как можно большего количества белков важно, потому что мы хотим предоставить как можно больше протеомного анализа. Кроме того, по техническим причинам наш алгоритм обнаружения изменений локализации (Lu and Moses, 2016) на самом деле работает лучше, когда у нас есть больше белков в анализе.Например, изменение минимального требования с 1 до 5 клеток на ячейку отфильтровывает дополнительные 730 (18,4%) белков в контрольном необработанном белке дикого типа.
2) Значительная часть штаммов в библиотеке GFP демонстрирует уровни флуоресценции, близкие к аутофлуоресценции, и в этом отношении их трудно анализировать. Как такие штаммы влияют на эту работу? Какая доля штаммов в матрице на Рисунке 1 относится к «верхнему классу численности — 50%»?
Наш алгоритм изменения локализации автоматически обрабатывает белки низкой интенсивности, где сигнал GFP не распознается.Белки с низкой интенсивностью демонстрируют характерный паттерн в нашем пространстве признаков (см. Кластер, помеченный как «неоднозначный» на Рисунке 6 Handfield et al., 2013), и с ними можно обращаться так же, как с белками с четкой локализацией: если белок остается низкой интенсивностью в При возмущении белок будет иметь тот же набор характеристик и не будет идентифицирован как имеющий изменение локализации.
С другой стороны, если белки изменяются с низкой интенсивности у дикого типа на распознаваемую локализацию в возмущении (или наоборот), они будут идентифицированы как имеющие изменение локализации.Мы решили сохранить эти сигналы. Существует некоторая двусмысленность в отношении того, являются ли эти изменения «истинными» изменениями локализации или же их следует рассматривать как изменения «изобилия», но мы считаем, что это показывает, что различие между «изобилием» и «локализацией» в некоторой степени произвольно.
Кроме того, мы считаем, что наша точка зрения соответствует предыдущим исследованиям по обнаружению изменений локализации, которые обычно рассматривали эти случаи как изменения локализации: Tkach et al., (2012) включает изменения локализации, когда содержание белка находится на уровне автофлуоресценции в необработанных клетки, Chong et al., (2015) также включает локализационные изменения такого рода. Мы добавили краткое обсуждение изменений изобилия и локализации в исправленную рукопись в подраздел «Анализ изображений и количественная оценка изменений локализации».
Для всех белков, которые мы проанализировали в этом исследовании, 50% белков имеют содержание белка в контрольном необработанном диком типе более 41,0 A.U. Для 1159 белков, которые мы показываем на рисунке 2, 529 (или 45,6%) белков имеют содержание белка более 41.0 A.U. Мы добавили эти числа в подраздел «Кластеризация и визуализация профиля изменения белка».
3) В более общем плане, в какой степени сходство профилей зависит от интенсивности сигнала или содержания белка?
Для большинства экранов самые сильные сигналы изменения локализации не происходят одновременно со значительным изменением численности, а самые сильные изменения численности не происходят одновременно со значительным изменением локализации. Мы добавили рисунок 7 — приложение к рисунку 1, на котором показаны диаграммы рассеяния величины профиля изменения локализации белка по сравнению со средним изменением содержания белка для некоторых экранов.
Возмущение Δ rpd3 является исключением. Этот экран показывает больше изменений локализации, которые происходят одновременно с сильным изменением численности. Эти результаты согласуются с предыдущей работой; в то время как Chong et al. (2015) сообщают о слабой корреляции между изменениями численности и локализации для возмущений гидроксимочевины и рапамицина, 17 из 31 изменения локализации, которые они обнаруживают для возмущения Δ rpd3 , также значительно изменяются в численности.
Мы сообщили об этих результатах в подразделе «Кластерные ассоциации, обнаруженные в результате нашего неконтролируемого исследования изменений локализации, дополняют другие высокопроизводительные эксперименты» исправленной рукописи.
4) Как определялось количество функций? Каждая функция, описанная на рисунке S1, имеет 10 связанных с ней пикселей (и поэтому я предполагаю 10 параметров). Зачем нужны 10 функций, например, учитывая «расстояние до края ячейки». Может ли одна характеристика или, возможно, их среднее значение облегчить интерпретацию, будучи в равной степени информативным при сравнении профилей? Было бы необходимо установить объективный критерий, который можно было бы оптимизировать, например, «количество изменений, обнаруженных в разных условиях, по сравнению с повторениями одного и того же условия».»(этот объективный критерий также может использоваться для установки минимального количества используемых ячеек, см. пункт №1.). Требуется подробное описание используемых функций.
И снова мы полагаем, что возникла путаница из-за отсутствия ясности в описании методов в представленной версии рукописи.
Эти 10 характеристик являются результатом разделения наших клеток на 10 бункеров (5 стадий клеточного цикла для зачатка и 5 стадий клеточного цикла для материнских клеток). Характеристики, показанные для белков, представляют собой среднее значение отдельных ячеек в каждой ячейке.Повторяющиеся особенности профиля изменения локализации белка предназначены для того, чтобы показать, зависит ли изменение локализации белка от клеточного цикла и / или от типа материнских / почечных клеток. Мы пояснили это в отредактированной рукописи (рис. 1).
Выбор и оптимизация функций являются ключевыми областями исследований в области автоматизированного анализа изображений микроскопии. Вполне вероятно, что они могут облегчить интерпретацию изменений локализации. Однако, поскольку наша текущая рукопись ориентирована на интеграцию данных с нескольких экранов, мы полагаем, что рассмотрение этих сложных проблем анализа данных выходит за рамки возможностей.
5) Подход проверяется с использованием набора из 20 изображений, которые могут не учитывать глобальные эффекты. Следовательно, в этом отношении будет иметь смысл и более общий тест (см. Комментарий №4).
Мы считаем, что 20 фотографий неубедительны. Поэтому мы расширили наш набор ручной проверки до 80 пар изображений, записанных в дополнительных данных 2. Мы проанализировали изображения в кластерах E, F, J, Q и S, показанных на рисунке 1. Для каждого набора изображений у нас есть сообщили, было ли изменение локализации видимым для человека-наблюдателя, и количественно оценили количество ложноположительных результатов в отношении этих наблюдений.
Мы благодарим рецензента за предложение разработать общий тест для изменения локализации белка при пертурбациях. Это было бы полезно сообществу для разработки новых статистических подходов. Изображения, которые мы вручную проверили в рамках этого исследования, могут послужить основой для такого ресурса данных, и мы сделали их доступными в дополнительных данных 2. Однако мы считаем, что дальнейшее развитие этого ресурса выходит за рамки текущая рукопись.
6) При проверке авторы делают вывод о частоте ложных срабатываний ~ 50%.Они должны дать представление о происхождении этих ложных срабатываний и о том, как они могут повлиять на выводы. Например, белки в одних и тех же кластерах не должны демонстрировать сходный профиль транскрипции, физические взаимодействия или локализацию.
Чтобы выяснить причину ложных срабатываний, мы использовали набор проверенных вручную изображений (обсуждаемых в ответ на пункт 5). Мы обнаружили по крайней мере три причины ложных срабатываний: (1) профили изменения белка с более слабыми сигналами, которые сгруппированы среди профилей с более сильными сигналами.Это истинные «статистические» ложные срабатывания, когда шум превышает выбранный нами порог и падает по схеме, достаточно похожей на сильные сигналы. (2) изменения локализации слишком тонкие, сложные или пограничные, чтобы их можно было постоянно идентифицировать человеческим глазом. К ним часто относятся случаи, когда только часть клеток на изображении показывает изменение локализации и / или изменения локализации в количественном виде органеллы. Хотя это ложные срабатывания в том смысле, что наблюдатель-человек не назвал бы их изменениями локализации, вполне вероятно, что это просто тонкие биологические эффекты.(3) технические проблемы, особенно связанные с неправильной сегментацией клеток с ранее невидимой морфологией. Мы считаем, что наши методы на удивление хорошо справляются с изменениями морфологии клеток, но они не идеальны.
Таблицу всех наших ручных аннотаций можно найти в дополнительных данных 2, а изображения этих белков доступны на CYCLoPS. Мы добавили несколько дополнительных рисунков, чтобы ответить на этот вопрос, и обсудили все эти случаи вместе с конкретными примерами и изображениями в исправленной рукописи.Рисунок 2 — дополнение к рисунку 1 показывает примеры случая 1 и рисунок 2 — дополнение рисунка 2 показывает примеры случая 2; мы обсуждаем это в разделе результатов, озаглавленном «Неконтролируемый анализ изменений локализации белка на более чем 280 000 изображений». Дополнительные данные 5 показывают пример случая 3, и мы обсуждаем это как источник ложных срабатываний в разделе «Обсуждение».
Чтобы выяснить, можно ли объяснить результаты глобальных сравнений с другими данными наличием ложноположительных результатов, мы изучили случаи, когда паттерны изменения локализации не совпадали с паттернами транскрипта или обилия протеина, или с взаимодействиями белков и общей субклеточной локализацией. , в контексте кластеров, которые мы вручную идентифицировали ложными срабатываниями.Мы обнаружили, что ложные срабатывания не могут полностью объяснить отсутствие совместной встречаемости для какого-либо кластера. Мы сообщаем об этих результатах в разделе результатов, озаглавленном «Связи кластеров, обнаруженные нашим неконтролируемым исследованием изменений локализации, дополняют другие высокопроизводительные эксперименты» со ссылкой на рисунок 2 — приложение к рисунку 2; мы считаем, что проверка в этом ограниченном наборе — лучшее, что мы можем сделать, чтобы исключить возможность того, что наши глобальные результаты объясняются ложными срабатываниями.
7) Анализ ограниченного числа кластеров представлен в таблице 1, где проводится обогащение GO. Это единственные кластеры, демонстрирующие функциональное обогащение? Глобальный характер этой работы требует более общего анализа обогащения ГО, то есть путем определения кластеров по всей матрице и анализа обогащения ГО для всех из них, а не только для горстки. Даже если некоторые из них описаны в Таблице 1, результаты могут быть представлены в виде sup. Данные. Кроме того, в Таблицу 1 могут быть добавлены «числа» (количество белков в кластере и число, соответствующее расширяемой аннотации).
Мы добавили количество белков в таблицу по запросу. Теперь мы включили все важные термины GO для всех вручную идентифицированных кластеров в Исходные данные 1.
Представление обогащения GO для автоматически выбранных кластеров может вводить в заблуждение, потому что глобальные эффекты (такие как изменения морфологии, условий роста или визуализации и т. Д.), Которые по-разному влияют на белки с разными паттернами субклеточной локализации, могут по-прежнему быть значительными. Например, кластеры, показывающие различия между необработанными экранами дикого типа, показывают сильное обогащение GO.Поэтому мы решили придерживаться вручную идентифицированных кластеров, оставаясь верными использованию кластеризации в качестве исследовательского анализа данных для выявления закономерностей.
8) На рис. 4С показаны клетки, которые, по-видимому, не содержат зеленой флуоресценции, в то время как другие показывают сильный сигнал. Такое бимодальное поведение вызывает беспокойство, поскольку может быть не биологическим. Возможно, что некоторые клетки потеряли свою флуоресценцию, например, во время процесса SGA. Влияют ли такие случаи на профиль локализации? Распространено ли такое бимодальное поведение? В таком случае это должно быть учтено в анализе, и такие случаи необходимо отфильтровать или пометить.
Мы согласны с тем, что некоторые из обнаруженных нами изменений в локализации могут быть связаны с загрязнением или техническими проблемами при преобразовании: случайные ошибки неизбежны на экранах с высокой пропускной способностью. Мы обсудили заражение как источник ложных срабатываний в разделе «Обсуждение» исправленной рукописи. Отметим, что эта проблема является ограничением коллекции GFP. В этих случаях наш анализ правильно определяет изменение локализации изображений.
К сожалению, только по изображениям невозможно подтвердить, вызвано ли двухрежимное поведение технической проблемой.В предыдущем исследовании мы провели эксперименты по контролю качества с 6 белками с высокой вариабельностью экспрессии в коллекции GFP, которые показали, что только 2 имели смешанные генотипы, 2 имели вариабельность, несмотря на идентичные генотипы, а еще 2 были неубедительными (Handfield et al., 2014) .
Поэтому мы решили не фильтровать бимодально экспрессируемые белки, потому что это может без необходимости исключать реальные и интересные биологические находки. Вместо этого мы выступаем за создание независимых штаммов, меченных GFP, для подтверждения изменений локализации, как мы это сделали для нашего эксперимента с Rtg3.Действительно, конкретный случай, когда некоторые рибосомные субъединицы экспрессируются на очень низких уровнях в некоторых клетках в возмущении Δ iki3 , требует дальнейшего подтверждения, и мы удалили эти примеры из наших результатов в подразделе «Стресс-ответные факторы транскрипции, которые проявляют стохастическую пульсацию, могут управляться одним и тем же механизмом ».
9) Должны быть показаны цифры глобального «контроля качества», предложения по этому поводу приведены ниже:
— Подраздел «Неконтролируемый анализ изменений локализации белка на более чем 280 000 изображений»: необходимо представить более подробную информацию относительно этого предложения.Можно ли показать распределение баллов «изменение локализации» для реплик одного и того же состояния и разных состояний? Больше таких графиков «проверки работоспособности» поможет лучше понять, как работает метод. (См. Комментарий №1)
Благодарим рецензентов за этот полезный комментарий. Мы включили сравнение профилей изменения локализации для реплик в качестве дополнительных данных 1 и обсудим эти результаты в подразделе «Неконтролируемый анализ изменений локализации белка в более чем 280 000 изображений».Мы анализируем корреляцию между репликациями rpd3 Δ и iki3 Δ, а также сравнения с различными условиями. Мы обнаружили, что реплики демонстрируют сильную корреляцию, особенно для белков, которые показывают сильные сигналы, в то время как различные возмущения плохо коррелируют.
— Следует контролировать постоянство содержания белка (или ранжирования) на разных экранах.
Мы сравнили содержание белка на всех экранах и находим R2> 0.79 с необработанным диким типом. Мы сообщили об этом результате в подразделе «Экспериментальные штаммы и получение изображений».
— Связь между изменением локализации, изменением экспрессии и PPI показана на рисунке 6 для нескольких случаев, но было бы более полезно показать ее систематически, например, показав (i) как Z-оценка для изменения профиля в данных на Рисунке 1 коррелируют с Z-оценкой изменения численности, или (ii) Как сходство профиля соотносится с другими показателями функционального родства? Э.g., сходство профилей взаимодействия белков, сходство профилей генетических взаимодействий, сходство профилей экспрессии и т. д. Такого взгляда на данные с высоты птичьего полета не хватает и он мог бы многое добавить к этой работе.
Мы благодарим рецензентов за это прекрасное предложение. Предлагаемый анализ сравнения сходства профилей лучше демонстрирует мысль, которую мы пытались сформулировать в этом разделе, а именно то, что ассоциации, которые мы обнаружили в результате кластеризации профилей изменения локализации белков, не могли быть полностью обнаружены путем кластеризации других аналогичных высокопроизводительных наборов данных.Мы включили предлагаемый анализ, показанный на рис. 7, на котором сравнивается сходство профиля изменения локализации белка с изменением содержания белка и сходством профиля транскрипции в исправленную рукопись.
— Последний анализ показывает, что белки с разной локализацией могут демонстрировать похожие изменения. Это противоречит интуиции, и для изучения происхождения таких случаев можно предоставить больше данных
Поскольку наш анализ фиксирует относительные движения в локализации белка, он не зависит от белка, разделяющего локализацию в необработанном диком типе.Например, мы показываем, что подмножество белков перемещается в вакуоль при обработке рапамицином в подразделе «Мембранные белки демонстрируют реципрокный паттерн локализационных изменений после обработки гидроксимочевиной или рапамицином», несмотря на то, что белки демонстрируют разные локализации в необработанных белках дикого типа. Теперь мы предоставили более четкое представление об этом явлении с помощью круговых диаграмм на рисунке 8B и обсудили происхождение неоднородности для трех кластеров, S, J и T в тексте.
— Глядя на рисунок 6C, почему кластер I, содержащий рибосомные белки, не обогащен физическими взаимодействиями? При использовании BioGrid не нужно ограничиваться данными с низкой пропускной способностью.Большой и высококачественный набор данных может быть получен путем учета всех физических взаимодействий, поддерживаемых более чем одним PMID. Наконец, «кружки кластеров» на фиг. 6C не перекрываются точками.
Мы благодарим рецензента за указание на эту проблему.
Мы расширили анализ обогащения для BIOGRID, чтобы включить все физические взаимодействия, поддерживаемые более чем одним PMID. Отметим, что это не меняет существенно количество взаимодействий: изначально мы проанализировали 47 498 неизбыточных физических взаимодействий с низкой пропускной способностью, а включение физических взаимодействий с высокой пропускной способностью, поддерживаемых более чем одним PMID, добавляет лишь 7 656 взаимодействий.
При более тщательном анализе мы обнаружили, что BIOGRID содержит очень мало взаимодействий между рибосомными субъединицами: мы обнаружили только 41 физическое взаимодействие между рибосомными субъединицами даже до фильтрации на предмет избыточности. Поэтому мы решили также проверить обогащение для белковых ассоциаций, которые имеют «связывающий» тип взаимодействия в базе данных STRING. Кластеры рибосом теперь обогащены базой данных STRING, но другие кластеры имеют меньшее обогащение STRING по сравнению с BIOGRID. В отредактированной рукописи мы показываем обогащение обеих баз данных бок о бок на Рисунке 8A.
Поскольку мы не можем объяснить эти несоответствия в BIOGRID и STRING, мы понизили наши утверждения о межбелковых взаимодействиях. Вместо того чтобы утверждать, что наши кластеры не обогащены для физических белок-белковых взаимодействий в целом, мы заявляем, что мы не можем найти обогащение в этих базах данных.
Наконец, фигура 6C больше не появляется в исправленной рукописи.
10) Авторы определили Rtg3 как импульсный фактор транскрипции с помощью кластерного анализа и провели покадровые видеоролики, чтобы подтвердить такую динамику.В цитируемой ссылке (Dalal et al., 2014) пульсирование определялось как TFs, которые демонстрируют динамическое перемещение между ядром и цитоплазмой во время стационарного ответа на дополнительные стрессы. На рисунке 3 авторы не указали, когда был добавлен стресс и достигли ли клетки в среднем устойчивого состояния. Авторы не указали, какое стрессовое состояние каждая ячейка представляет на рисунке 3. Наконец, анализ «самой длинной длительности импульса» (рисунок 3C) не обеспечивает надежных показателей. Должна быть представлена средняя / медианная продолжительность.
Мы отредактировали подраздел «Стресс-чувствительные факторы транскрипции, которые проявляют стохастическую пульсацию, могут управляться одним и тем же механизмом», чтобы прояснить это.
Теперь мы указали, когда был добавлен стресс (обработка рапамицином), в подписи к рисунку 4. Поскольку мы наблюдаем пульсацию в стандартной среде (нестрессированные клетки) в течение многих часов, мы уверены, что эти клетки достигли устойчивого состояния и что пульсация происходит. в установившемся режиме.
Наше открытие состоит в том, что рапамицин изменяет пульсирующее поведение, вызывая накопление белка в ядре, и мы разъяснили это в новой рукописи.Наши наблюдения показывают, что пульсирующая динамика Rtg3 подобна Msn2, который также демонстрирует пульсацию при многих постоянных условиях, но накапливается в ядре при лечении рапамицином.
Наконец, мы представили анализ, который сравнивает среднюю длительность ядерной локализации вместо самого большого импульса на Рисунке 4C и находим аналогичные результаты. Для этого нам нужно было надежно идентифицировать все импульсы в каждой трассе, и поэтому мы разработали более надежный метод оценки ядерной локализации.Мы кратко опишем это в разделе «Материалы и методы»; кривые на рисунке 4 были обновлены измерениями с использованием этого нового метода.
11) Анализ изменения уровня белка. На рисунке 6А авторы сравнили образец локализации с рисунком микроматрицы. Однако было бы более естественным сравнивать паттерн экспрессии белка с паттерном микроматрицы и, что более важно, экспрессию белка с изменениями локализации. Действительно, всегда сложно объединить разные данные из разных лабораторий, но экспрессия белка легко доступна по изображениям как сумма интенсивностей GFP в клетке.
Теперь мы включили экспрессию белка в наши анализы. Теперь мы покажем сравнение сходства профиля обилия белка с подобием локализации белка на рисунке 7 и обсудим результаты в тесте. Наше кластерное сравнение профилей изменения локализации белка теперь также показывает профили как транскрипта, так и содержания белка (Рисунок 2 — приложение к рисунку 1 и рисунок 2 — приложение к рисунку 2).
Мы также включили диаграммы рассеяния, сравнивающие величину профиля изменения локализации белка с изменением содержания белка для некоторых экранов на рисунке 7 — рисунок в приложении 1.Для большинства экранов самые сильные сигналы изменения локализации не возникают одновременно со значительным изменением численности, а самые сильные изменения численности не происходят одновременно со значительным изменением локализации.
https://doi.org/10.7554/eLife.31872.027обнаружение паттернов РНК в отдельных клетках
Каждая точка представляет собой отдельную молекулу РНК, локализованную по своей близости к другим РНК. Этот метод визуализации называется ДНК-микроскопией, поскольку в нем используется секвенирование ДНК.Предоставлено: Джошуа Вайнштейн / Институт Броуда
.Для киноманов: Space Jam — комедия 1996 года, в которой мультипликационный персонаж Багза Банни и баскетболист Майкл Джордан сражаются с анимированными инопланетянами. Для нейробиолога Эда Лейна это было название встречи на тему биоинформатики — разновидность «хакатона».
В апреле около 40 биологов, занимающихся вычислением и транскрипцией, явились в Институт исследований мозга Аллена в Сиэтле, штат Вашингтон, где работает Лейн. Они пришли за кофе, кодированием и общей целью: выявить сильные и слабые стороны и аналитические проблемы растущего методологического инструментария, известного как in situ (или пространственная) транскриптомика.
Транскриптомика in situ — это алфавитный набор технологий — методы включают MERFISH, seqFISH +, STARmap и FISSEQ — для картирования паттернов экспрессии генов клеток в их тканевом контексте. Некоторые полагаются на гибридизацию — способность коротких зондов нуклеиновых кислот находить свои комплементы в переполненной клеточной среде — тогда как другие основаны на секвенировании ДНК. Но все они дают концептуально похожие данные — значения экспрессии генов соответствуют координатам клетки x и y .
Такие данные могут выявить межклеточные отношения, которые в противном случае можно было бы упустить из виду, например, какие клетки с какими разговаривают, и их положение относительно структурных особенностей и представляющих интерес клеток. Как сказал Авив Регев, компьютерный и системный биолог и сопредседатель проекта Human Cell Atlas (HCA) в Институте Броуд Массачусетского технологического института и Гарварда в Кембридже, штат Массачусетс, «Скажите мне, кто ваш сосед, и я?» Я скажу тебе, кто ты ».
Но эта область развивается так быстро, что исследователи могут с трудом решить, какие методы использовать.А множество алгоритмов анализа данных, конвейеров и форматов файлов могут затруднить анализ и сравнение данных. «Состояние области было одним из безудержных технологических разработок», — говорит Лейн.
При финансировании благотворительной организации Chan Zuckerberg Initiative (CZI) и под эгидой HCA Лейн и другие сформировали в 2017 году исследовательский консорциум для тестирования различных методов, названный SpaceTx — сокращение от пространственной транскриптомики. В то же время программисты CZI начали создавать единый инструмент анализа данных и формат файлов под названием Starfish, чтобы продвигать усилия HCA и помогать более широкому сообществу специалистов по транскрипционной биологии.(Название «немного шутка», — объясняет Джереми Фриман, который руководит работой по вычислительной биологии в CZI в Редвуд-Сити, Калифорния. Многие пространственные методы основаны на FISH или флуоресцентной гибридизации in situ . В программировании звездочка или звездочка обозначают подстановочный знак. «Шутка в том, что все они« что-то — РЫБА ».»)
Starfish — это программный пакет с открытым исходным кодом, который может считывать файлы изображений, регистрировать и удалять шум с изображений, находить пятна и идентифицировать молекулы РНК, которые они представляют, в девяти различных экспериментальных стратегиях, еще две находятся в разработке.Мероприятие Space Jam, по словам Лейна, было попыткой собрать вместе разработчиков и пользователей — самих специалистов по пространственной транскриптомике — для обсуждения, устранения неполадок и усовершенствования своих методов. При этом команда выявила тонкие различия, которые могут сбить с толку тех, кто хочет, например, сравнить данные по экспериментам. Но он также предоставил модель того, как ориентироваться в быстрорастущей технологии.
In situ транскриптомикаИсследователи, изучающие экспрессию генов, обычно делали это на массовом уровне, извлекая РНК из кусочка ткани и затем анализируя ее целиком.За последнее десятилетие одноклеточные методы, такие как Drop-seq, позволили исследователям исследовать различия между клетками за счет пространственных деталей.
Вот где на помощь приходит транскриптомика in situ . Эти методы используют в основном флуоресцентную микроскопию и секвенирование ДНК для выявления присутствия и количества молекул РНК в клетках внутри самих тканей. Отсюда исследователи могут определить типы присутствующих клеток, их пространственное расположение и отношения друг к другу.
«Это как выбор фруктовых десертов», — говорит Регев. «Если вся массовая геномика — это фруктовый смузи, то одноклеточная геномика — это фруктовый салат, а пространственная геномика — это фруктовый пирог», — объясняет она. «Если вы посмотрите на фруктовый пирог сверху, то увидите, что все фрукты организованы по этим действительно красивым узорам».
В зависимости от метода такие данные могут напоминать звезды на кромешно-черном небе или красочные произведения искусства. Одно исследование, проведенное Симоне Коделуппи, специалистом по информатике биоизображений в лаборатории Стена Линнарссона в Каролинском институте в Стокгольме, например, использовало циклический вариант одномолекулярного FISH, названный osmFISH (произносится как «потрясающая рыба»), для картирования архитектуры. соматосенсорной коры мышей.В результате получилось изображение клеток, окрашенных на основе паттернов их экспрессии генов, изображение, напоминающее витраж 1 .
Но такие данные также могут помочь в понимании. В Кембриджском университете, Великобритания, нейробиолог и врач Дэвид Роуитч использовал метод под названием RNAscope для изучения пространственного разнообразия и организации астроцитов в мозге мыши 2 . Роуитч обнаружил, что астроциты «принимают структуру слоев в коре, подобную нейронам, но не совпадающие с ними».Лонг Кай, изучающий одноклеточную биологию в Калифорнийском технологическом институте в Пасадене, и его команда использовали стратегию под названием seqFISH + для идентификации транскриптов, кодирующих взаимодействующие белки на поверхности соседних клеток 3 .
Обеспечение ясности
Как seqFISH +, так и RNAscope полагаются на гибридизацию нуклеиновых кислот; они используют короткие флуоресцентно меченые молекулы для освещения своих целевых последовательностей в клетке. Другие методы используют секвенирование ДНК или даже масс-спектрометрию (см. «Алфавитный суп»).
Было описано более десятка методов пространственной транскриптомики, в том числе шесть в 2019 году 3 — 8 . Они различаются по количеству РНК, которые они могут обнаружить, их пространственному разрешению и количеству клеток, которые они могут зондировать, но все они обеспечивают детали пространственной локализации, которые не может обеспечить транскриптомика одиночных клеток. Но у пространственных методов есть и недостатки, — говорит Регев. Микроскопия, например, медленная (иногда требующая нескольких недель непрерывной визуализации), дорогая и технически сложная.Многие методы могут получить доступ только к заранее определенной части клеточного транскриптома, и практические соображения могут ограничить количество клеток, которые могут быть исследованы.
Алфавит суп
Изображение почки мыши, полученное с помощью флуоресцентных зондов, которые прикрепляются к одиночным молекулам. Фото: Джейми Л. Маршалл и Фей Чен, Институт Броада Массачусетского технологического института и Гарвард
Описано не менее дюжины методов транскриптомики in situ , в том числе:
APEX-Seq .Если клетка не окрашена специально, под микроскопом она выглядит безликой. Таким образом, трудно определить, где находится конкретная РНК. APEX-Seq локализует фермент APEX2 по определенному клеточному «адресу» и использует его для маркировки близлежащих РНК. Выделяя и секвенируя эти РНК, исследователи могут профилировать транскриптомы отдельных клеточных доменов 6 .
ДНК-микроскопия . Сочетая молекулярные и вычислительные методы, ДНК-микроскопия определяет положение каждой молекулы на основе ее соседей, как создание карты Соединенных Штатов с использованием передатчиков радиостанций.«Мы берем биомолекулярный образец и превращаем каждую РНК в радиовышку», — говорит ведущий разработчик Джошуа Вайнштейн, научный сотрудник лаборатории Авива Регева в Институте Броуда Массачусетского технологического института и Гарварда в Кембридже, штат Массачусетс. РНК в неповрежденной ткани усиливаются на месте, создавая все более крупные «диффузионные облака» нуклеиновой кислоты. Когда облака соприкасаются с соседними облаками, создается уникальная подпись, которую исследователи могут затем «прочитать» с помощью секвенирования ДНК для воссоздания молекулярной архитектуры образца 7 .
IMC . Массовая цитометрия с визуализацией, обычно используемая для картирования белков в клетке, также может использоваться для точного определения нескольких РНК. Этот метод сочетает в себе технику, называемую РНКскоп, с масс-спектрометрией, чтобы выявить такие вещи, как передача сигналов фактора роста иммунными клетками, которые не могут быть обнаружены только с помощью белковых подходов 9 .
INSTA-Seq . In situ секвенирование доступности транскриптома представляет собой вариант флуоресцентного секвенирования in situ или FISSEQ.Метод использует секвенирование путем лигирования для идентификации коротких штрих-кодов молекул РНК in situ ; Затем эти РНК извлекаются и снова секвенируются с использованием запатентованной химии Illumina для считывания их полной длины. Поскольку стадия синтеза, необходимая для получения этих более длинных считываний, может быть заблокирована такими факторами, как связывание с белками или другими молекулами РНК, этот метод может дать представление о «пространственном эпитранскриптоме», говорит молекулярный генетик Дже Х. Ли из лаборатории Колд-Спринг-Харбор в г. Нью-Йорк, разработавший метод 8 .
РНКскоп . RNAscope, коммерциализированный Advanced Cell Diagnostics в Ньюарке, Калифорния, представляет собой основанный на гибридизации подход in situ , который использует усиление сигнала для повышения яркости каждой целевой РНК. Двенадцать видов РНК можно дифференцировать за три раунда визуализации.
seqFISH + . Последовательный FISH + сочетает в себе флуоресцентные штрих-коды, схему «псевдоокрашивания» и несколько циклов гибридизации для «разбавления» клеточных РНК и облегчения их разрешения.В каждой клетке можно обнаружить до 10 000 различных РНК.
Slide-seq и HDST . Образцы тканей на массивах пространственно разрешенных гранул со штрих-кодом позволяют связывать РНК каждой клетки с клеточным «почтовым индексом». Slide-seq 5 использует 10-микрометровые шарики (достаточно маленькие, чтобы разрешить элемент толщиной в одну клетку мозга мыши). Пространственная транскриптомика высокой плотности 4 использует 2-мкм гранулы для субклеточного разрешения.
STARmap . Картирование считывания ампликона с пространственно разрешенным транскриптом представляет собой сочетание технологии очистки тканей, амплификации РНК и секвенирования ДНК, которое может идентифицировать до 1020 видов РНК в тканях, которые в остальном непрозрачны.Каждой РНК назначается штрих-код идентификации гена из пяти оснований, который считывается с помощью секвенирования путем лигирования 10 .
Пытаясь выбрать правильный метод для своей работы, исследователи могут быть ошеломлены. SpaceTx призван внести некоторую ясность.
Проект финансировался как часть примерно 100 миллионов долларов США, которые CZI потратила за последние два с половиной года на HCA и вспомогательные проекты, сообщил представитель CZI. Каждая команда — всего их было 19 — применила свой метод к идентичным образцам мозга человека и мыши, которые были приготовлены в Институте Аллена.Теперь Лейн и его коллеги, а также более широкое сообщество специалистов по вычислительной биологии проводят подсчеты, чтобы увидеть, как сравниваются методы и какие из них лучше всего подходят для данного набора обстоятельств.
«На самом деле это довольно необычно, — говорит Лейн. Обычно исследователи работают над тем, чтобы разработать лучший метод, опубликовать его и двигаться дальше. Но с SpaceTx «мы пытаемся собрать всех вместе и сказать, что все эти методы полезны, но нам нужно понимать, для чего вы можете использовать каждый метод и как они действительно количественно сравниваются друг с другом».”
Но это представляет собой вычислительную проблему, потому что разные методы производят разные типы данных. Например, некоторые методы, основанные на гибридизации, присваивают каждому транскрипту другой цвет, тогда как другие используют несколько цветов в качестве штрих-кода. Некоторые лаборатории идентифицируют РНК, отслеживая флуоресцентные пятна на каждом изображении, а затем отслеживая их интенсивность между раундами визуализации, тогда как другие измеряют интенсивность в каждом пикселе, соотнося эти значения интенсивности со списком возможных штрих-кодов, чтобы определить, присутствует ли РНК.То, как эти изображения организованы на диске, и «метаданные», используемые для их аннотирования, также могут различаться.
Такая несовместимость может помешать исследованиям, говорит Мэтью Грин, биоинформатик из Европейского института биоинформатики в Хинкстоне, Великобритания. Даже если они этого не делают, исследователям часто трудно установить аналитическое программное обеспечение своих коллег (из-за сложных вычислительных требований и зависимостей, которые влечет за собой такое программное обеспечение). А сам объем данных, которые производят пространственные исследования, может пугать — автоматизированная установка osmFISH Линнарссона производит 2 терабайта изображений в день, говорит он; для SpaceTx его команда произвела около 25 терабайт.
Space jam
Команда компьютерных биологов и инженеров-программистов под руководством Дип Гангули и Амброуза Карра из CZI намеревалась создать стандартный формат файла и конвейер для анализа транскриптома in situ. и методы влажной лаборатории, будь то на ноутбуке или в облаке. Команда даже отправилась в путь, посещая лаборатории и разговаривая с биоинформатиками, чтобы понять их рабочие процессы. «По крайней мере, один из аспирантов в одной из лабораторий сказал Deep:« Это так замечательно, потому что никто никогда раньше не смотрел на мой код », — говорит Фриман.
Апрельский хакатон дал команде Starfish шанс позволить биологам протестировать программное обеспечение, предоставив исследователям и программистам возможность поучиться друг у друга лицом к лицу, а не через отчеты об ошибках на платформе совместного использования кода. GitHub.
«Мы смогли помочь всем этим людям внедрить их конвейеры обработки данных в Starfish, чтобы помочь их научным усилиям», — говорит Джастин Киггинс, возглавляющий разработку Starfish в CZI. «И это дало нашей команде критическое представление о пробелах и проблемах.
Мэтт Кай, аспирант по биоинженерии Калифорнийского университета в Сан-Диего, который разработал метод под названием DARTFISH, говорит, что на хакатоне в Сиэтле у него было две цели: обменяться идеями с другими группами пространственной транскриптомики и встать. чтобы ускориться с Starfish. «У нас есть собственные методы анализа, но они написаны не так, чтобы людям было удобно пользоваться», — говорит он. «Морская звезда пишется для научного сообщества».
Для Грина встреча не была похожа ни на что другое, на котором он бывал.Несмотря на то, что за эти годы он посетил несколько конференций, «я никогда не был на первой встрече», — говорит он. «Буквально каждый разговор был похож на массовый обмен информацией. И это было довольно захватывающе ».
Каждая команда успешно преобразовала образец данных в формат Starfish, говорит Лейн, и генерация данных продолжается. Но само программное обеспечение все еще находится в стадии разработки. Александра Тарковска, программист из института Wellcome Sanger в Хинкстоне, Великобритания, говорит, что она не смогла преобразовать свои наборы данных в формат Starfish и выровнять различные поля зрения в единое изображение из-за «сложности данных».А Нико Пирсон, инженер-программист в лаборатории Лонг Кая, сообщил о проблемах с «точечным декодером» программного обеспечения, алгоритмом, который сопоставляет образцы флуоресценции со штрих-кодами, потому что он не может обрабатывать плотность данных seqFISH +. «По нашим данным, эффективность очень низкая, вероятно, всего 10%», — говорит он.
Тем не менее, участники хвалили мероприятие за то, что на нем заговорили программисты и биологи. Программисты ушли с кучей отчетов об ошибках и запросов функций, некоторые из которых можно было решить на месте.И исследователи вернулись в свои лаборатории, вооруженные новыми и лучшими идеями для анализа данных. Codeluppi, например, обнаружил стратегию «сегментации» для вычислительной идентификации границ ячеек в своих данных изображения, особенно для ячеек небольшого объема.
Мэтт Кай говорит, что его лаборатория теперь регулярно запускает Starfish вместе с собственным вычислительным конвейером для сравнения производительности. Но другие могут не захотеть отказываться от внутренних трубопроводов, которые они так тщательно создали. Таким образом, Starfish может найти самое широкое применение среди лабораторий, пытающихся внедрить методы, разработанные другими.
«При всех различных подходах действительно ценно иметь что-то, что может связать их все вместе в вычислительном формате, и Starfish, я думаю, позволит этому случиться», — говорит Аббас Ризви, молекулярный нейробиолог из Zuckerman Mind Brain Behavior Институт Колумбийского университета в Нью-Йорке. Ризви является участником проекта HCA, который создает атлас спинного мозга человека, частично используя пространственные методы.
«Это напоминает мне самые ранние стадии одноклеточной транскриптомики», — говорит он.«Было достаточно сложно заставить эксперименты работать, но было также интересно взглянуть на данные и попытаться найти способы извлечь из них реальный смысл. Вот где я вижу поле прямо сейчас ».
Сочетание повреждений и микробных паттернов Контролирует локальные иммунные ответы в корнях
Основные моменты
- •
Корни Arabidopsis запрашивают повреждение клеток для создания сильного локализованного иммунного ответа
- •
Поврежденные клетки Экспрессия рецепторов распознавания образов у их соседей
- •
Энтодермальные барьеры разделяют иммунные ответы на дифференцированные типы клеток
- •
Контроль повреждений может минимизировать иммунные ответы против непатогенных корневых колонизаторов
Резюме
Распознавание молекулярных структур, связанных с микробами (MAMP), имеет решающее значение для иммунного ответа растений.Как эта сложная система восприятия может быть с пользой развернута в корнях, постоянно подвергающихся воздействию микробов, остается загадкой. Анализируя экспрессию рецептора MAMP и ответ при клеточном разрешении в Arabidopsis, мы наблюдали, что дифференцированные внешние слои клеток демонстрируют низкую экспрессию рецепторов распознавания образов (PRR) и не обладают чувствительностью к MAMP. Тем не менее, эти клетки могут быть заблокированы, чтобы стать чувствительными к повреждению соседних клеток. Лазерная абляция небольших кластеров клеток сильно усиливает экспрессию PRR в их непосредственной близости, и повышенной экспрессии рецептора достаточно, чтобы вызвать реакцию в нечувствительных клетках.Наконец, локализованное повреждение также приводит к иммунным ответам на неиммуногенные полезные бактерии. Распознавание повреждений перекрывается сверхэкспрессией рецепторов, что препятствует колонизации. Наши выводы о том, что повреждение клеток может «включать» местные иммунные реакции, помогает понять, как можно использовать восприятие MAMP, несмотря на наличие микробных паттернов в почве.
Ключевые слова
Arabidopsis
корневой иммунитет
паттерны микробов
рецепторы распознавания паттернов
локализованный ответ
распознавание повреждений
Рекомендуемые статьи Цитирующие статьи (0)
© 2020 Автор (ы).Опубликовано Elsevier Inc.
Рекомендуемые статьи
Цитирующие статьи
Понимание гистологии опухолей
J Пероральный Maxillofac Pathol. 2014 январь-апрель; 18 (1): 58–68.
Alka M Dive
Отделение оральной и челюстно-лицевой патологии, Стоматологический колледж и исследовательский центр Видья Шикшан Прасарак Мандал, Нагпур, Махараштра, Индия
Ашиш С Бодхаде
Отделение оральной и челюстно-лицевой патологии Мандал Прасарак Мандал Стоматологический колледж и исследовательский центр, Нагпур, Махараштра, Индия
Минал С. Мишра
Отделение патологии полости рта и челюстно-лицевой области, Стоматологический колледж и исследовательский центр Видья Шикшан Прасарак Мандал, Нагпур, Махараштра, Индия
Неха 35 935
Неха 35 Отделение патологии полости рта и челюстно-лицевой патологии, Стоматологический колледж и исследовательский центр Видья Шикшан Прасарак Мандал, Нагпур, Махараштра, Индия
Отделение патологии полости рта и челюстно-лицевой патологии, Стоматологический колледж и исследовательский центр Видья Шикшан Прасарак Мандала, Индия39
, Махараштра, Махараштра, Индия Адрес для корреспонденции dence: Dr.Минал С. Мишра, «Виндхьячал», 27, Дубей-лейаут, Джайтала-роуд, Нагпур — 440 022, Махараштра, Индия. Электронная почта: moc.liamg@arhsimlanimrd Авторские права: © Журнал оральной и челюстно-лицевой патологииЭто статья в открытом доступе, распространяемая в соответствии с условиями Creative Commons Attribution-Noncommercial-Share Alike 3.0 Unported, что разрешает неограниченное использование и распространение , а также воспроизведение на любом носителе при условии правильного цитирования оригинальной работы.
Эта статья цитируется в других статьях в PMC.Abstract
В этой статье подчеркиваются основы происхождения и важность опухолевых структур в диагностике опухолей полости рта и челюстно-лицевой области. В этой статье перечислены гистологические паттерны и субпаттерны опухолей головы и шеи. Хотя недифференцированные опухоли остаются проблемой для гистопатолога, с помощью описания гистологических структур и субстратов опухолей была предпринята попытка диагностики опухолей, а затем и реализации точного плана лечения для них.
Ключевые слова: Опухоли головы и шеи, гистологические паттерны, гистология опухолей
ВВЕДЕНИЕ
Гистологические паттерны и / или субпаттерны характерны для определенных опухолей или группы опухолей; следовательно, для гистопатологического диагноза эти конкретные закономерности важны. Знание различных паттернов и субпаттернов в различных опухолях помогает в диагностике и проведении соответствующего лечения. Считается, что в основе различных опухолевых структур лежит взаимодействие эпителиальных мезенхимальных клеток, а также взаимодействие различных органелл цитоскелета этих клеток.Эпителиальный мезенхимальный переход (ЭМП) был постулирован как универсальный механизм, который облегчает репозиционирование и перераспределение клеток во время эмбрионального развития, реконструкцию ткани после травмы, канцерогенез и метастазирование опухоли. [1,2] Теоретически предполагается, что нарушенная функция опухолевых тканей нарушена. результат EMT и гипотеза проистекает из параллелей, проведенных между морфологией и поведением локомоторных и сидячих клеток in vitro и в различных нормальных и патологических процессах in vivo .Передача сигналов Wnt через активированный комплекс лимфоид-усиливающего фактора-1 (LEF-1), фактора транскрипции и молекулы клеточной адгезии, β-катенина и, в последнее время, трансформирующего фактора роста-β (TGF-β) сыграли важную роль в вызывая EMT как при развитии, так и при патологии и метастазировании опухоли. Но нет ни убедительных доказательств превращения эпителиальных клеток в линии мезенхимальных клеток in vivo , ни оптической и электронной микроскопии, подтверждающих постулируемое участие EMT в индуцированных и естественных опухолях.[1,2] Происхождение и основа различных паттернов до сих пор остаются предметом исследования. [3]
В данной статье была сделана попытка классифицировать гистологические паттерны, встречающиеся в опухолях головы и шеи [].
Таблица 1
Гистологические паттерны с примерами
ОСНОВНЫЕ ГИСТОЛОГИЧЕСКИЕ ОБРАЗЦЫ, ВСТРЕТИВШИЕСЯ В ОПУХОЛИ ГОЛОВКИ И ШЕИ
Железистые / псевдогландулярные
Негландулярные эпителиальные / псевдогландулярные паттерны
000442- 000442 Круглые клеточные паттерны
- 000442
- 000442 Круглый клеточный образец000442 паттерн
Двухфазный паттерн
Паттерны поверхностного эпителия, связанные с опухолевым процессом или затронутые им.
Эти основные паттерны далее подразделяются на следующие под паттерны:
A. Железистые / псевдогландулярные []
Эта категория включает различные опухоли и опухолевидные состояния, состоящие из опухолевых клеток, которые являются эпителиальными или эпителиоидными, которые образуют железистые или псевдогландулярные структуры. [4] Термин железистый используется для описания структур, которые напоминают нормальные железы или протоки.
Следующие подшаблоны обычно распознаются в этой группе.
A1. Трубчатый рисунок
Этот рисунок показывает присутствие одинарного или двойного слоя пролиферирующих эпителиальных клеток, образующих удлиненные железистые трубчатые структуры, в которых клетки расположены в форме трубки или протока. Пример: аденоидно-кистозная карцинома [5] [] и базально-клеточная аденома.
A1-Тубулярный узор при аденоидно-кистозной карциноме (окраска H&E, × 400). (Предоставлено отделением патологии полости рта и челюстно-лицевой патологии, DCRC VSPM, Нагпур)
A2. Ацинарный / микроацинарный паттерн
Неопластические клетки в этом паттерне образуют небольшие округлые пространства (ацинусы), выстланные эпителиальным слоем.Пример: ацино-клеточная карцинома [6,7] [].
A3. Решетчатый узор
Ячейки в этом узоре расположены в виде множества перфораций, наподобие сита. Пролиферирующие неопластические клетки образуют кистообразные пространства различных размеров, которые могут быть заполнены или не заполнены материалом (подобным базальной мембране / муцинозным). Эти кистообразные пространства окружены однородными мономорфными круглыми клетками. Пример: аденоидно-кистозная карцинома [5,8,9] [].
A3 и B10-Крибриформный и псевдокистозный паттерн при аденоидной кистозной карциноме (окраска H&E, × 400).(Предоставлено отделением оральной и челюстно-лицевой патологии. DCRC VSPM, Нагпур. DCRC = Стоматологический колледж и исследовательский центр)
A4. Фолликулярный паттерн
Этот паттерн характеризуется наличием пролиферирующих клеток, образующих фолликулы. Эти фолликулы показывают периферически расположенные палисадные клетки и центрально расположенные клетки различной морфологии.
Примеры: ацино-клеточная карцинома [7] светлоклеточная карцинома [10] и фолликулярная амелобластома [11,12] [].
A4-Фолликулярный или чешуйчатый узор, наблюдаемый при акантоматозной амелобластоме (окраска H&E, × 100).(Предоставлено отделением оральной и челюстно-лицевой патологии. DCRC VSPM, Нагпур. DCRC = Стоматологический колледж и исследовательский центр)
При фолликулярной амелобластоме амелобластные фолликулы показывают периферически расположенные высокие столбчатые амелобластоподобные клетки и центрально расположенные звездчатые ретикулумоподобные клетки.
А5. Микрокистозный / муцинозный узор
В опухолевых клетках обнаруживаются многочисленные небольшие кистообразные пространства, размер которых варьируется от нескольких микрон до миллиметра и более, что создает решетчатый или сито-подобный вид.Микрокистозные пространства, окруженные опухолевыми клетками, заполнены эозинофильным белковым материалом.
Примеры: ацино-клеточная карцинома [6,7] [], папиллярная цистаденокарцинома, мукоэпидермоидная карцинома.
А6. Канальцевый рисунок
Этот рисунок показывает присутствие неопластических клеток, пролиферирующих и образующих удлиненные и ветвящиеся структуры, имитирующие «каналы», выстланные эпителием и разделенные фиброзной тканью. Примеры: канальцевая аденома или канальцевая карцинома.[13]
A7. Узор шубчатый ноготь
Буквальное значение гвоздя — короткий гвоздь с толстой головкой. На рисунке показаны неопластические клетки с обильной цитоплазмой и ядрами, выступающими за пределы цитоплазмы клетки. Обычно наблюдается при сосудистых опухолях, где ядра выступают в просвет сосудов.
Примеры: гемангиомы, [3,4] ангиосаркомы [14] и гемангиоэндотелиомы [15] [].
Образец A7-гвоздики при гемангиоэндотелиоме (окрашивание H&E, × 400). (Предоставлено отделением оральной и челюстно-лицевой патологии, DCRC VSPM, Nagpur
A8.Щелевой узор
Этот узор может быть представлен железистыми и негландулярными опухолями, в основном ангиосаркомой [14], где опухолевые клетки пролиферируют и образуют щелевидные пространства или узкие отверстия из-за абортивного образования сосудов [].
A8-Щелевой узор при ангиосаркоме (окраска H&E, × 100). (Предоставлено отделением оральной и челюстно-лицевой патологии, DCRC VSPM, Нагпур)
A9. Псевдогландулярная структура
Неопластические клетки образуют железоподобные структуры (ложные железы) из-за акантолиза и дегенерации клеток или накопления материала, подобного базальной мембране, в процессе клеточной пролиферации.
Примеры: аденоматоидная одонтогенная опухоль [3] аденоидная базальноклеточная карцинома [16] и миксоидная липосаркома [17] [].
A9, B1-базалоидный паттерн в базально-клеточной карциноме (окрашивание H&E, × 100). (Предоставлено отделением патологии полости рта и челюстно-лицевой патологии. DCRC VSPM, Нагпур)
B. Негландулярный эпителиальный / эпителиоидный рисунок
В этой категории эпителиальные / эпителиоидные опухолевые клетки не показывают образования желез; однако опухоль может иметь железистую природу. Он включает следующие подшаблоны:
B1.Базалоидный узор
Он включает неопластические клетки, преимущественно такие же, как базальные клетки, с четко определенной морфологией. Это круглые или овальные удлиненные клетки, расположенные в гнездах с гиперхроматическими ядрами и скудной цитоплазмой. Эти базалоидные клетки могут не быть базальными по положению или происхождению.
Примеры: Цилиндрома, [5,6,7] базальноклеточная амелобластома, [12] базальноклеточная карцинома [18] и базальноклеточная аденома. [19] [].
B2. Образец комедо
Характерной чертой этого рисунка является наличие центрального коагуляционного некроза, который окружен четко определенными гнездами пролиферирующих эпителиальных клеток.
Пример: рак слюнного протока [20] [].
В3. Альвеолярный узор
Он демонстрирует единственный слой неопластических клеток, которые прикрепляются к плотным фиброзным перегородкам с центральными клетками, демонстрирующими потерю сцепления, а между фиброзными перегородками наблюдается некроз отдельных опухолевых клеток, что приводит к появлению альвеолярного вида, подобного легкому. Пример: злокачественная меланома [21], травмированные внутрикожные невусы [21] и рабдомиосаркома [22] [].
B3, C2, C3-Альвеолярный и округлый клеточный образец при альвеолярной рабдомиосаркоме (окраска H&E, × 200).(Предоставлено: Enzinger FM, Weiss SW. Учебник опухолей мягких тканей, четвертое издание. Сент-Луис: CV Mosby; 1995)
B4. Образец пакетов
Пролиферирующие неопластические клетки образуют маленькие круглые пакеты, поддерживаемые тонкой сосудистой сетью или поддерживающими клетками. Пример: злокачественная меланома [21] и круглоклеточные опухоли [23].
В5. Палисадный узор
Опухолевые клетки показывают параллельное расположение ядер бок о бок. Обычно наблюдается в палисадной инкапсулированной невроме, [3] керато-кистозной одонтогенной опухоли (показывает палисадный слой базальных клеток), [4] амелобластоме с периферическими амелобластоподобными клетками, [11] базальноклеточной карциноме [18] и шванноме [24] [].
B5-Палисадный узор в Шванноме (окраска H&E, × 400). (Предоставлено: Enzinger FM, Weiss SW. Учебник опухолей мягких тканей, четвертое издание. Сент-Луис: CV Mosby; 1995)
B6. Ретикулярный / решетчатый паттерн
В этом паттерне неопластические клетки пролиферируют и придают очагу поражения сетчатый вид, показывая множественные промежутки разного размера между клетками. Пример: цинично-клеточная опухоль слюнной железы. [4,7]
B7. Плоскоклеточный узор
Опухолевые клетки имеют эпителиальную / эпителиоидную морфологию с обильной гиалинизированной цитоплазмой.Заметная цитоплазматическая эозинофилия может встречаться в некоторых опухолях, что придает опухоли плоскоклеточный вид; Однако они не обязательно могут иметь плоское происхождение.
Примеры: плоская одонтогенная опухоль, [4] аденокарциномы, [20] злокачественная меланома [21] и невус шпица. [25] и акантоматозная амелобластома.
В8. Трабекулярный узор
Трабекула — это латинское слово, означающее «лучик». В опухоли неопластический эпителий виден в виде нитей, которые отделены от соединительной ткани и образуют сеть или трабекулы переменного размера.
Примеры: опухоли гладких мышц, [3] склерозирующая лимфома, [4] опухоли из клеток Меркеля, [26] полиморфная аденокарцинома низкой степени злокачественности [27] и базальноклеточная аденома.
Плексиформ: (означает «сеть / клубок» [лат.]) Это разновидность трабекулярного рисунка, который характеризуется наличием анастомозирующих хордов и тяжей пролиферирующих опухолевых клеток, образующих сеть / сетчатый рисунок.
Примеры: плексиформная амелобластома [11,12] и очаговая плеоморфная аденома. [28]
В9.Десмопластический / скиррозный узор
Десмоплазия означает повышенное производство коллагена и фиброз, тогда как скиррозный означает твердый плотный рост, возникающий из соединительной ткани. На этом рисунке изображены изуродованные и сжатые структуры, встроенные в плотную строму коллагеновых волокон.
Примеры: десмопластическая амелобластома [12] базальноклеточная карцинома [18] склерозирующая фибросаркома [29] и различные фиброматозы полости рта. [29]
В10. Псевдокистоз
Это кистозные пространства различных размеров и форм, возникающие в результате дегенеративных изменений внутри опухоли.Это наблюдается при аденоидной кистозной карциноме и миксоидной липосаркоме [17] [].
C. Круглый узор клеток []
Круглый узор клеток проявляется в очагах поражения, демонстрирующих преобладающую популяцию маленьких круглых клеток с базофильными ядрами и скудной цитоплазмой или без нее. Различные подшаблоны включают следующее:
C1. Диффузный узор круглых клеток
Неопластические круглые клетки присутствуют в листах и не демонстрируют особого четкого расположения. Примеры: лимфома, [4] лейкемия, [4] мелкоклеточная недифференцированная карцинома, [4] злокачественная меланома, [21] опухоль из клеток Меркеля [26] и саркома Юинга [30] [].
С2. Септатно-дольчатый округлый рисунок клеток
Маленькие круглые клетки видны в виде пластинок, разделенных фиброзными перегородками. Примеры: саркома Юинга [30] и альвеолярная рабдомиосаркома [31] [].
C3. Альвеолярный / псевдоальвеолярный паттерн круглых клеток
Он показывает фокальные области плохого сцепления круглых клеток. Примеры: периферическая нейроэктодермальная опухоль младенчества (PNET) [4] и альвеолярная рабдомиосаркома [31] [].
C4. Круглый узор ячеек с розетками
Розетка означает «напоминающий цветок», где ячейки радиально расположены вокруг центра.На этом рисунке круглые клетки показывают характерное формирование розетки.
Примеры: аденоматоидная одонтогенная опухоль, PNET [4] и рабдомиосаркома [22] [].
Рисунок C4-Rossette в аденоматоидной одонтогенной опухоли (H&E Stain, × 200). (Кортси-Отделение оральной и челюстно-лицевой патологии, VSPM’s DCRC, Нагпур)
D. Структура веретенообразных клеток []
Она включает поражения, демонстрирующие преобладание веретенообразных клеток. Поражения могут быть гипер- или гипоцеллюлярными. Он включает следующие подшаблоны:
D1.Распространенный мономорфный образец мягких веретенообразных клеток (образец фиброматоза)
Этот образец демонстрирует однородные веретенообразные клетки, в основном зрелые фибробласты с мягкой цитоплазмой, которые расположены свободно. Клетки маленькие, с выступающими ядрами, встроенными в коллагеновую строму широким узором.
Примеры: опухоли гладких мышц, [4] фиброматоз, [29] шваннома [24,32] и доброкачественная нейрофиброма. [32]
D2. Распространенная мономорфная высококлеточная структура веретенообразных клеток (модель фибросаркомы)
Неопластические клетки пролиферируют и образуют пучки, которые пересекаются под острыми углами в характерном расположении «елочки».Опухоли высококлеточные, проявляют плеоморфизм, митозы и некрозы.
Примеры: фибросаркома, злокачественная меланома [21] и злокачественная опухоль оболочки периферических нервов [33] [].
Структура клеток D2-веретена при фибросаркоме (окрашивание H&E, × 400). (Кортси, отделение патологии полости рта и челюстно-лицевой патологии, DCRC VSPM, Нагпур)
D3. Паттерн плеоморфных веретенообразных клеток (паттерн злокачественной фиброзной гистиоцитомы)
Это сильно изменчивый паттерн, демонстрирующий частый переход от сториформного к плеоморфному паттерну веретенообразных клеток.На нем видны пухлые веретеновидные клетки, напоминающие фибробласты, расположенные в виде колеса тележки вокруг узких щелевидных сосудов. Также видны пухлые круглые гистиоцитарные клетки, которые расположены беспорядочно. Наряду с многочисленными митотическими фигурами также можно увидеть большое количество многоядерных гигантских клеток причудливой формы.
Примеры: веретеноклеточная карцинома [4] злокачественная меланома [21] десмопластический невус шпица [25] злокачественная фиброзная гистиоцитома [34] и плеоморфная липосаркома. [35]
D4. Паттерн веретенообразных клеток с выраженным склерозом
Этот паттерн также включает опухоли, демонстрирующие чрезмерный склероз, следовательно, имеющие менее агрессивное поведение.Примеры: эпителиоидная саркома [4] десмопластическая меланома [21] древняя шваннома [24] склерозирующая фибросаркома [29] и склерозирующая липосаркома [35].
D5. Мутовчатый узор
Storiform означает «матирование» (стория). Он характеризуется наличием неопластических клеток, которые расходятся от центра, как «спицы колеса» или «вращающееся колесо».
Примеры: склеротическая фиброма, [4] фиброматоз [29] и доброкачественная / злокачественная фиброзная гистиоцитома. [34]
В завитках опухолевые клетки расположены радиально завитками вокруг воображаемого стебля.Это наблюдается при фибромиксоидной саркоме [4] фибросаркоме [29] и дедифференцированной липосаркоме [35] [].
Рисунок D5-Whorled при фибромиксоидной саркоме (окраска H&E, × 400). (Предоставлено: Enzinger FM, Weiss SW. Учебник опухолей мягких тканей, четвертое издание. Сент-Луис: CV Mosby; 1995)
D6. Популяции веретеновидных клеток с гемангиоперицитоматозным паттерном
Клетки в этом паттерне варьируются от круглых / овальных до слегка веретеновидных. Он показывает богатый сосудистый узор, состоящий из больших и малых сосудов, выстланных одним слоем сплюснутых эндотелиальных клеток, которые, как правило, изогнуты под углом или раздвоены, образуя характерный узор «оленьего рога».
Примеры: мезенхимальная хондросаркома [4] солитарная фиброзная опухоль [4] и гемангиоперицитома [36] [].
Образец D6-оленьего рога в гемангиоперицитоме (окраска H&E, × 100). (Предоставлено отделением патологии полости рта и челюстно-лицевой патологии, VSPM’s DCRC, Nagpur
E. Двухфазный паттерн []
Двухфазный паттерн
Он включает поражения с популяцией веретенообразных клеток с двумя различными компонентами, эпителиальными или железистыми. Опухоли могут быть доброкачественными. или злокачественный.Доброкачественная двухфазная картина показывает поражения, имеющие как эпителиальные, так и железистые компоненты, которые кажутся мягкими и обычно наблюдаются при плеоморфной аденоме слюнных желез [28].
Злокачественные двух / трехфазные опухоли проявляются либо эпителиальными, либо железистыми, либо обоими компонентами, которые кажутся заметными, и типичными примерами являются злокачественные меланомы [21] и злокачественная опухоль оболочки периферических нервов [32].
F. Паттерны поверхностного эпителия, связанные с опухолевым процессом или затронутые им []
F1.Образец лихеноидной реакции
Он показывает группу воспалительных клеток вместе с дегенерацией базальных клеток. Эпидермальные поражения, которые могут проявлять такую картину, включают себорейный кератоз [37], солнечный кератоз, плоскую бородавку, внутриэпидермальную карциному, красный плоский лишай и лихеноидную реакцию [3,4] [].
Паттерн F1-лихеноидных реакций у красного плоского лишая (окраска H&E, × 100). (Предоставлено отделением оральной и челюстно-лицевой патологии. VSPM’s DCRC, Nagpur)
F2. Паттерн псориазиформной реакции
На этом паттерне показан эпителий, демонстрирующий удлинение ребер сетчатки и гиперплазию эпидермиса.
Пример: грибовидный микоз [4] и светлоклеточная акантома [3,4]
F3. Светлые клетки (койлоциты) в эпидермисе
Этот образец включает поражения, которые демонстрируют большую популяцию клеток со светлой или бледно окрашивающейся цитоплазмой, называемой светлой клеткой. Присутствие гликогена или муцина и инфицированных вирусом клеток также демонстрирует увеличивающуюся дегенерацию, придавая клеткам чистый вид, или артефакты обработки также дают типичный чистый вид. Пример: светлоклеточная акантома [4] светлоклеточный вариант плоскоклеточного рака, [38] веррукозная карцинома [39] веррукозная гиперплазия [40] и пролиферативная веррукозная лейкоплакия.[40]
F4. Диспластические изменения эпидермиса или плоской слизистой оболочки
Рисунок показывает характерные диспластические изменения эпидермиса или слизистой оболочки, которые включают пролиферацию незрелых неопластических клеток. Клетки проявляют плеоморфизм, гиперхроматизм, потерю полярности и повышенную или ненормальную митотическую активность.
Примеры: актинический кератоз [4] карцинома in situ , бородавчатая гиперплазия [40] и пролиферативная бородавчатая лейкоплакия [40].
F5. Псевдоэпителиоматозный гиперпластический паттерн
Этот паттерн показывает пролиферативные изменения эпителия в ответ на хроническое раздражение, травму, криотерапию, хронический лимфатический отек и различные кожные воспалительные процессы.Эпителий имеет мягкий вид, который не следует принимать за карциному. Эпидермис демонстрирует выраженную гиперплазию с нисходящим ростом сетчатых гребней и расширением, что имитирует эпидермоидную карциному, но истинной инвазии эпителиальных клеток в нижележащую соединительную ткань нет. Цитологическая атипия минимальна, и аномальной митотической активности не наблюдается.
Примеры: некротическая сиалометаплазия, [4] злокачественная меланома, [21] невус шпица [25] и гранулярно-клеточная опухоль [41] [].
F5-Псевдоэпителиоматозный гиперпластический паттерн при некротической сиалометаплазии. (Пятно H и E, × 100). (С любезного разрешения — Сена Коста, и др. . Журнал отчетов о медицинских случаях 2012; 6: 56)
F6. Узор с «чашеобразными» или перевернутыми дольками плоского эпителия
Поверхностный эпителий находится в одном или нескольких нерегулярных или чашевидных инвагинациях, которые могут указывать на гиперплазию или дисплазию. Этот узор характерен для многих эпителиальных поражений. Примеры: кератоакантома [42] бородавчатая дискератома [43] и контагиозный моллюск.[44]
F7. Гнездование или клональная пролиферация Феномен «Борста-Ядассона»
В этом паттерне пролиферирующие эпителиальные клетки, имеющие различную морфологию и не обязательно то же самое происхождение от других окружающих клеток, присутствуют группами или небольшими гнездами. Феномен Борста – Ядассона — это термин, используемый для обозначения внутриэпидермальной агрегации базалоидных или эпителиоидных клеток. Примеры: внутриэпидермальная базальноклеточная карцинома [18] злокачественная меланома [21] клональный себорейный кератоз [37] и внутриэпидермальная плоскоклеточная карцинома.[38]
F8. Пагетоидный узор
Имеет восходящее распространение. Он показывает присутствие опухолевых клеток, которые присутствуют в виде гнезд из отдельных клеток на стыке дермы и эпидермиса или во всех слоях эпидермиса. Примеры: распространяющаяся по поверхности злокачественная меланома. [21]
F9. Удлиненные анастомозирующие нити
Пролиферирующие клетки представляют собой базалоидные эпителиальные клетки, которые образуют многочисленные длинные и тонкие анастомозирующие тяжи и соединяются с эпидермисом.Пример: фиброэпителиальный вариант базальноклеточной карциномы [18] [].
F9-Узор удлиненных анастомозирующих тяжей в фиброэпителиальном полипе. (Пятно H&E, × 100). (Любезно предоставлено отделением оральной и челюстно-лицевой патологии. DCRC VSPM, Нагпур)
F10. Веррукозный паттерн
Этот паттерн показывает рост экзофитных сосочков наряду с акантозом и гиперкератозом. Примеры: себорейный кератоз [37] веррукозная карцинома [39] вирусная бородавка, [40] веррукозная ксантома, [40] веррукозная гиперплазия [40] пролиферативная веррукозная лейкоплакия [40] и остроконечная кондилома [45] [] и плоская папиллома.
F10-Бородавчатый или папиллярный узор при плоскоклеточной папилломе (окраска H&E, × 100). (Предоставлено отделением оральной и челюстно-лицевой патологии. DCRC VSPM, Нагпур. DCRC = Стоматологический колледж и исследовательский центр)
Недифференцированные опухолевые структуры
Пролиферирующие неопластические клетки образуют большие твердые области, которые не имеют какой-либо характерной архитектуры. Клетки крупные, однородные, плеоморфные. Этот паттерн встречается в основном при недифференцированных карциномах, саркомах и злокачественных меланомах.[4] Опухолевые клетки плохо дифференцированы, и поражения не показывают каких-либо клинических, рентгенологических и морфологических особенностей, необходимых для постановки диагноза. Следовательно, окончательная диагностика таких случаев проводится с использованием дополнительных методов, таких как иммуногистохимия, электронная микроскопия, молекулярные и биохимические методы. Идентификация этих недифференцированных опухолевых паттернов также может быть выполнена путем изучения эпителиального мезенхимального взаимодействия с использованием различных опухолевых маркеров, таких как онкогены K-ras и c-myc, трансформирующих факторов TGF-α, TGF-β, E-cadherin, кластера дифференцировки. (CD) 44, матриксные металлопротеиназы (MMP) и тканевые ингибиторы металлопротеиназ (TIMP).Дифференцировку эпителия можно хорошо понять с помощью цитокератинов. Катепсин D способствует инвазии и метастазированию опухоли и является мощным независимым предиктором метастазов в шейных лимфатических узлах. [46]
ЗАКЛЮЧЕНИЕ
Идентификация и точный диагноз опухоли — это искусство, требующее полного знания клеточных, биохимических и молекулярных явлений и патогенеза этой опухоли. Паттерны опухоли были классифицированы по семи широким категориям, а именно: паттерн железистый / псевдогландулярный, негландулярный эпителиальный / эпителиальный паттерн, паттерн круглых клеток, паттерн веретеновидных клеток, двухфазный паттерн, паттерны поверхностного эпителия, связанные с неопластическим процессом или затронутые им, и недифференцированная опухоль. шаблон.
Хотя недифференцированная опухоль остается проблемой, эти закономерности помогают гистопатологу достичь диагноза. Однако эти гистологические паттерны не всегда являются диагностическими, могут присутствовать вариации наряду с подшаблонами. Таким образом, с помощью образцов, наблюдаемых на срезах, окрашенных гематоксилином и эозином, диагноз может быть подтвержден с помощью специальных красителей, иммуногистохимии и различных средств молекулярной диагностики.
Сноски
Источник поддержки: Нет
Конфликт интересов: Не объявлен.
ССЫЛКИ
1. Tarin D, Thompson EW, Newgreen DF. Ошибка эпителиального мезенхимального перехода при неоплазии. Cancer Res. 2005; 65: 5996–6000. [PubMed] [Google Scholar] 2. Навшад А, ЛаГамба Д., Полад А, Хэй ЭД. Передача сигналов трансформирующего фактора роста-бета во время эпителиально-мезенхимальной трансформации: последствия для эмбриогенеза и метастазирования опухолей. Клетки Тканевые Органы. 2005; 179: 11–23. [PubMed] [Google Scholar] 3. Эшли DJB. Опухоли кожных покровов, опухоли нервной системы, эпителиальные опухоли слизистой оболочки полости рта, опухоли челюстей, опухоли слюнных желез.В: Дэвид Дж. Б. Эшли, редактор. Гистологический вид опухолей Эвана. 4-е издание. Лондон: Черчилль Ливингстон; 1990. С. 389–630. [Google Scholar] 4. Аватиф я ан-Нафусси. Аватиф И ан-Нафусси. Диагностика опухолей: практический подход и анализ паттернов. 2-е издание. Лондон: Ходдер Арнольд; 2005. Общие гистологические паттерны и клеточные типы опухолей; С. 3–62. [Google Scholar] 5. Rapidis AD, Givalos N, Gakiopoulou H, Faratzis G, Stavrianos SD, Vilos GA, et al. Аденоидно-кистозный рак головы и шеи.Клинико-патологический анализ 23 пациентов и обзор литературы. Oral Oncol. 2005. 41: 328–35. [PubMed] [Google Scholar] 6. Гуха С., Гуха Р., Маникантан К., Шаран Р., Арун П. Синхронная двусторонняя ацино-клеточная карцинома околоушной железы. J Cancer Sci. 2012; 4: 92–3. [Google Scholar] 7. Betkowski A, Cyran-Rymarz A, Domka W. Двусторонняя ацинарно-клеточная карцинома околоушной железы. Отоларингол Pol. 1998. 52: 101–4. [PubMed] [Google Scholar] 8. Санто PA, Luna MA, Tortoledo ME, White RA. Гистологическая оценка аденоидно-кистозного рака слюнных желез.Рак. 1984; 54: 1062–9. [PubMed] [Google Scholar] 9. Perzin KH, Gullane P, Clairmont AC. Аденоидно-кистозные карциномы, возникающие в слюнных железах: корреляция гистологических особенностей и клинического течения. Рак. 1978; 42: 265–82. [PubMed] [Google Scholar] 10. Simpson RH, Sarsfield PT, Clarke T, Babajews AV. Светлоклеточный рак малых слюнных желез. Гистопатология. 1990; 17: 433–8. [PubMed] [Google Scholar] 11. Ким С.Г., Чан Х.С. Амелобластома: клинический, рентгенологический и гистопатологический анализ 71 случая.Oral Surg Oral Med Oral Pathol Oral Radiol Endod. 2001; 91: 649–53. [PubMed] [Google Scholar] 12. Хертог Д., Блумена Э., Аартман И. Х., Ван-дер-Ваал И. Гистопатология амелобластомы челюстей; некоторые критические наблюдения, основанные на 40-летнем опыте работы одного учреждения. Med Oral Patol Oral Cir Bucal. 2012; 17: e76–82. [Бесплатная статья PMC] [PubMed] [Google Scholar] 13. Карунакаран К., Джейа прадха Д., Киран Кумар, Раджешвар Г. Канальцевая аденома неба — отчет о болезни. ДЖИАДЫ. 2010; 1: 43–5. [Google Scholar] 15.Weiss SW, Goldblum JR. Гемангиоэндотелиома: сосудистые опухоли средней степени злокачественности. В: Марк Штраус, редактор. Опухоли мягких тканей Энцингера и Вайса. 4-е издание. Сент-Луис, Миссури: Мосби; 2001. С. 891–915. [Google Scholar] 16. Tambe SA, Ghate SS, Jerajani HR. Аденоидный тип базальноклеточной карциномы: редкий гистопатологический вариант в необычном месте. Индийский J Dermatol. 2013; 58: 159. [Бесплатная статья PMC] [PubMed] [Google Scholar] 17. Педриначи И.З., Хурадо Дж.М., Каррильо Дж., Молина М.С. Трабектин в качестве терапии второй линии при метастатической миксоидной липосаркоме: отчет о клиническом случае.Представитель J Med 2012; 6: 424. [Бесплатная статья PMC] [PubMed] [Google Scholar] 18. Бетти Р., Брускагин С., Инсельвини Е., Крости С. Базальноклеточные карциномы покрытых и необычных участков тела. Int J Dermatol. 1997; 36: 503–5. [PubMed] [Google Scholar] 19. Гонсалес-Гарсия Р., Нам-Ча С.Х., Муньос-Герра М.Ф., Гамалло-Амат К. Базально-клеточная аденома околоушной железы. Клинический случай и обзор литературы. Med Oral Patol Oral Cir Bucal. 2006; 11: E206–9. [PubMed] [Google Scholar] 20. Гупта С., Гупта К., Рам Х., Гупта О.П.Карцинома слюнного протока малой слюнной железы: отчет о редком случае. J Междисциплинарный гистопатол. 2013; 1: 223–226. [Google Scholar] 21. Massi G, Lebiot PE. 1-е издание. Германия: Springer; Steinkopff Darmstad t; 2004. Гистологическая диагностика невусов и меланомы. [Google Scholar] 22. Дагер Р., Хелман Л. Рабдомиосаркома: обзор. Онколог. 1999; 4: 34–44. [PubMed] [Google Scholar] 23. Чанг Ф. Десмопластические мелкоклеточные опухоли: цитологические, гистологические и иммуногистохимические особенности. Arch Pathol Lab Med.2006; 130: 728–32. [PubMed] [Google Scholar] 24. Куртка-Яписье О., Шайтхауэр Б., Вудрафф Дж. М.. Патобиологический спектр шванном. Histol Histopathol. 2003. 18: 925–34. [PubMed] [Google Scholar] 25. Сулит Д. Д., Гардиано Р. А., Кривда С. Классические и атипичные невусы шпица: Обзор литературы. Кутис. 2007. 79: 141–146. [PubMed] [Google Scholar] 27. Олусанья А.А., Акадири О.А., Акинмоладун В.И., Адейеми Б.Ф. Полиморфная аденокарцинома низкой степени злокачественности: обзор литературы и отчет о поражении нижней губы с подозрением на метастазирование в легкие.J Maxillofac Oral Surg. 2011; 10: 60–3. [Бесплатная статья PMC] [PubMed] [Google Scholar] 28. Зейферт Г., Лангрок И., Донат К. Патологическая классификация плеоморфной аденомы слюнных желез (авторский перевод) HNO. 1976; 24: 415–26. [PubMed] [Google Scholar] 29. Шетти Деви К., Урс. Aadithya B, Sikka S. Агрессивный фиброматоз по сравнению с фибросаркомой низкой степени злокачественности — диагностическая дилемма. Int J Патология. 2010; 8: 30–3. [Google Scholar] 30. Мукерджи А., Рэй Дж. Г., Бхаттачарья С., Деб Т. Юинг саркома нижней челюсти: отчет о болезни и обзор индийской литературы.Contemp Clin Dent. 2012; 3: 494–8. [Бесплатная статья PMC] [PubMed] [Google Scholar] 31. Сехар М.С., Десаи С., Кумар Г.С. Альвеолярная рабдомиосаркома с поражением челюстей: отчет о болезни. J Oral Maxillofac Surg. 2000; 58: 1062–5. [PubMed] [Google Scholar] 32. Мурареску Э.Д., Иван Л, Михайлович М.С. Нейрофиброма, шваннома или гибридная опухоль оболочки периферического нерва? Rom J Morphol Embryol. 2005; 46: 113–6. [PubMed] [Google Scholar] 33. Гуо А., Лю А., Вэй Л., Сун Х. Злокачественные опухоли оболочек периферических нервов: модели дифференциации и иммуногистохимические особенности — мини-обзор и наши новые результаты.J Рак. 2012; 3: 303–9. [Бесплатная статья PMC] [PubMed] [Google Scholar] 34. Далирсани З., Мохташам Н., Фалаки Ф., Бидрам Ф., Носратце Т. Злокачественная фиброзная гистиоцитома нижней челюсти: обзор литературы и сообщение о случае. Aust J Basic Appl Sci. 2011; 5: 936–42. [Google Scholar] 35. Хенрикс WH, Чу Ю.С., Голдблюм-младший, Вайс SW. Дедифференцированная липосаркома: клинико-патологический анализ 155 случаев с предложением расширенного определения дедифференцировки. Am J Surg Pathol. 1997; 21: 271–81. [PubMed] [Google Scholar] 36.Флоренс С.М., Уиллард СС, Палиан CW. Гемангиоперицитома щечной области: история болезни. J Oral Maxillofac Surg. 2001; 59: 449–53. [PubMed] [Google Scholar] 37. Bhuiyan ZH. Себорейный кератоз: отчет о болезни. Орион Мед Дж. 2007; 26: 441–2. [Google Scholar] 39. Терада Т. Веррукозная карцинома полости рта: гистопатологическое исследование 10 случаев в Японии. J Maxillofac Oral Surg. 2011; 10: 148–51. [Бесплатная статья PMC] [PubMed] [Google Scholar] 40. Гарет Дж., Томас А., Барретт В. Папиллярные и бородавчатые поражения слизистой оболочки полости рта.Diagn Histopathol. 2009; 15: 279–85. [Google Scholar] 42. Аль-Хокайль И.А., Бхатт Т.А. Кератоакантома: необычная форма. Bahrain Med Bull. 2009; 31: 1–4. [Google Scholar] 43. Laskaris G, Sklavounou A. Бородавчатая дискератома слизистой оболочки полости рта. Br J Oral Maxillofac Surg. 1985; 23: 371–5. [PubMed] [Google Scholar] 44. Whitaker SB, Wiegand SE, Budnick SD. Внутриротовой контагиозный моллюск. Oral Surg Oral Med Oral Pathol. 1991; 72: 334–6. [PubMed] [Google Scholar] 45. Гупта Р.Р., Пури УП, Махаджан ББ, Сахни СС, Гарг Г.Внутриротовая гигантская острая кондилома. Индийский J Dermatol Venereol Leprol. 2001; 67: 264–5. [PubMed] [Google Scholar] 46. Ян Эллис. Иммуноцитохимия при патологии груди. В: Джон Д. Бэнкрофт, Мэрилин Гэмбл., Редакторы. Теория и практика гистологических методик. 5-е издание. Лондон: Черчилль Ливингстон; 2002. С. 499–516. [Google Scholar]Глобальные схемы циркуляции — Метеорологическое бюро
Дифференциальное отопление
Причина, по которой у нас разные погодные условия, струйные течения, пустыни и преобладающие ветры, связана с глобальной атмосферной циркуляцией, вызванной вращением Земли, и количеством тепла, получаемого различными частями земного шара.
Солнце — наш главный источник тепла, и из-за наклона Земли, ее кривизны, нашей атмосферы, облаков, полярных льдов и снега разные части мира нагреваются по-разному. Это создает большую разницу температур между полюсами и экватором, но наша глобальная циркуляция обеспечивает естественную систему кондиционирования воздуха, которая не позволяет экватору становиться все горячее и горячее, а полюса — все холоднее и холоднее.
Мировой тираж
Над большей частью земной поверхности наблюдаются крупномасштабные ветровые циркуляции.Глобальную циркуляцию можно описать как всемирную систему ветров, с помощью которой осуществляется необходимый перенос тепла из тропических широт в полярные.
В каждом полушарии есть три ячейки (ячейка Хэдли, ячейка Ферреля и полярная ячейка), в которых воздух циркулирует через всю глубину тропосферы. Тропосфера — это название, данное атмосферному пространству по вертикали от поверхности, вплоть до высоты от 10 до 15 км. Это та часть атмосферы, где чаще всего бывает погода.
Ячейка Хэдли
Самые большие ячейки простираются от экватора до 30-40 градусов северной и южной широты и названы ячейками Хэдли в честь английского метеоролога Джорджа Хэдли.
Внутри ячеек Хэдли пассаты дуют к экватору, затем поднимаются вверх около экватора в виде ломаной линии гроз, которая образует зону межтропической конвергенции (ITCZ). С вершин этих штормов воздух течет в более высокие широты, где опускается вниз, образуя регионы с высоким давлением над субтропическими океанами и жаркими пустынями мира, такими как пустыня Сахара в Северной Африке.
Ячейка Ферреля
В средних ячейках, которые известны как ячейки Ферреля, воздух сходится на малых высотах, поднимаясь вверх по границам между холодным полярным воздухом и теплым субтропическим воздухом, который обычно возникает между 60 и 70 градусами северной и южной широты. Это часто происходит на широте Великобритании, что дает нам нестабильную погоду. Циркуляция внутри ячейки Ферреля осложняется возвратным потоком воздуха на больших высотах в сторону тропиков, где он присоединяется к тонущему воздуху из ячейки Хэдли.
Ячейка Ферреля движется в направлении, противоположном двум другим ячейкам (ячейке Хэдли и полярной ячейке), и действует скорее как шестеренка. В этой ячейке приземный ветер будет течь с юга в северном полушарии. Однако вращение Земли вызывает видимое движение вправо в северном полушарии и влево в южном полушарии. Это отклонение вызвано эффектом Кориолиса и приводит к преобладающим западным и юго-западным ветрам, часто возникающим над Великобританией.
Полярная ячейка
Самыми маленькими и самыми слабыми ячейками являются полярные ячейки, которые простираются от 60 до 70 градусов северной и южной широты до полюсов. Воздух в этих ячейках опускается на самые высокие широты и уходит на поверхность в более низкие широты.
Эффект Кориолиса, ветры и погода в Великобритании
Теперь мы знаем о ячейках Хэдли, Ферреля и Полярных ячейках, давайте посмотрим, как все это переводится на то, что мы видим на поверхности Земли.В результате вращения Земли с каждой ячейкой связаны преобладающие ветры, и у нас также есть струйные потоки, на которые влияет нечто, называемое эффектом Кориолиса. Это объясняет, почему воздух движется в определенном направлении вокруг области низкого давления и почему существуют пассаты. Это также дает нам представление о том, почему мы видим определенную погоду в Великобритании и вокруг нее.
Теплый влажный воздух из тропиков поступает на север за счет приземных ветров ячейки Ферреля. Затем он встречает прохладный сухой воздух, движущийся на юг в полярной ячейке.Полярный фронт формируется там, где встречаются эти две противоположные воздушные массы, что приводит к восходящему воздуху и низкому давлению у поверхности, часто на широте Великобритании.
Полярный передний струйный поток движет эту область нестабильной атмосферы. В Великобритании и многих других странах Европы часто бывает неустойчивая погода, которая возникает из-за путешествий в районы с низким давлением, которые образуются, когда влажный воздух поднимается вдоль полярного фронта.
Погодные системы (или системы низкого давления), подверженные дождю и неспокойным условиям, регулярно пересекают Атлантику.Реактивный поток направляет эти системы, поэтому его положение важно для погоды в Великобритании.
Летом нормальное положение реактивного течения должно быть к северу от Великобритании — уводя эти погодные системы от наших берегов, чтобы дать нам относительно стабильную погоду.
Обычно струйный поток проходит прямо с запада на восток и довольно быстро проталкивает погодные системы. Однако иногда рулевой поток реактивного потока может изгибаться (немного похоже на реку), изгибаясь на север и юг, когда он направляется на восток через Атлантику.Это называется меридиональным потоком, при этом более линейный поток с запада на восток называется зональным потоком.
Во время меридионального потока над Великобританией могут застрять области с низким давлением, что приведет к продолжительным периодам дождя и сильных ветров. Зимой струйный поток полярного фронта движется дальше на юг, что увеличивает риск нестабильной погоды и даже снега, если холодные арктические воздушные массы перемещаются на юг над Великобританией.