[論文レビュー] Enhancing high-content imaging for studying microtubule networks at large-scale

Hao-Chih Lee, Sarah T. Cherng+2 more|arXiv (Cornell University)|Oct 1, 2019

Cell Image Analysis Techniques参考文献 37被引用数 4

ひとこと要約

本稿では、低解像度で高スループットなイメージング（HCS）データを、高解像度の共焦点画像をリファレンスとして用いることで、非教師ありのCycleGANベースの計算フレームワークを提案する。この手法により、微小小管ネットワークの可視化とセグメンテーションが著しく向上し、微小小管検出においてAUC-ROCが0.93以上を達成。画像ノイズに強く、大規模なドラッグスクリーニングへの応用が可能であることが示された。

ABSTRACT

Given the crucial role of microtubules for cell survival, many researchers have found success using microtubule-targeting agents in the search for effective cancer therapeutics. Understanding microtubule responses to targeted interventions requires that the microtubule network within cells can be consistently observed across a large sample of images. However, fluorescence noise sources captured simultaneously with biological signals while using wide-field microscopes can obfuscate fine microtubule structures. Such requirements are particularly challenging for high-throughput imaging, where researchers must make decisions related to the trade-off between imaging quality and speed. Here, we propose a computational framework to enhance the quality of high-throughput imaging data to achieve fast speed and high quality simultaneously. Using CycleGAN, we learn an image model from low-throughput, high-resolution images to enhance features, such as microtubule networks in high-throughput low-resolution images. We show that CycleGAN is effective in identifying microtubules with 0.93+ AUC-ROC and that these results are robust to different kinds of image noise. We further apply CycleGAN to quantify the changes in microtubule density as a result of the application of drug compounds, and show that the quantified responses correspond well with known drug effects

研究の動機と目的

• 蛍光ノイズによるノイズの影響で細かな微小小管構造が見えにくくなる高スループットスクリーニング（HCS）における画像品質の低さという課題に対処すること。
• 計算的手法により低品質なHCS画像を強化することで、解像度を犠牲にせずに高速かつ大規模なイメージングを可能にすること。
• 低解像度と高解像度の画像ペアを必要としない、非教師ありの手法を開発すること。
• 本手法がドラッグ治療に伴う微小小管密度の変化を正確に定量できるかを検証すること。
• 適切なリファレンス画像を用いることで、微小小管以外の細胞小器官に対しても本手法を一般化できること。

提案手法

• The Human Protein Atlas から得た高解像度の共焦点画像を実画像とし、低解像度のHCS画像を偽物の画像として用いて、CycleGANモデルを学習する。
• ペアデータを必要としないため、CycleGANのサイクル整合性損失を活用して、低品質なHCS画像から高品質な表現へのマッピングを学習する。
• 学習済みのCycleGANを用いてHCS画像を強化し、フォーカス外の蛍光を低減させ、微小小管ネットワークの可視性を向上させる。
• 強化画像における微小小管ネットワークのセグメンテーションにOtsuのしきい値法を適用し、核周辺領域を用いて微小小管密度を定義する。
• 性能評価のため、シミュレーテッドデータを用いてAUC-ROCを計算する。
• ピクセル単位の補正（deconvolution）とpix2pixをベースラインとして用い、性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 非教師ありのディープラーニングモデルは、細かな微小小管構造を回復させるために、高スループットイメージングデータの品質を効果的に向上させることができるか？
• RQ2 CycleGANベースの強化処理は、さまざまな画像ノイズ条件下でも微小小管検出の正確性を向上させるか？
• RQ3 強化画像は、異なる化合物処理条件下で微小小管密度の変化を信頼性高く定量できるか？
• RQ4 微小小管セグメンテーションにおいて、CycleGANの性能はpix2pix やデコンボリューション法といった教師ありベースラインと比べてどうか？
• RQ5 本手法は、微小小管以外の細胞小器官に対しても、どの程度一般化可能か？

主な発見

• CycleGANは微小小管検出においてAUC-ROCが0.93以上を達成し、強化画像内での微小小管ネットワークの同定に高い正確性を示した。
• 本手法は、さまざまな種類の画像ノイズに対して優れた耐性を示し、ペアデータを必要としないにもかかわらず、高い検出正確性を維持した。
• 強化されたHCS画像からの微小小管密度の定量的評価は、既知の生物学的効果を正確に反映していた：微小小管安定化薬は低用量で密度が上昇し、高用量では細胞死のため低下した。
• アクチン分解薬は微小小管密度にほとんど影響を及ぼさず、それらの作用機序と整合的であった。
• アウロラキナーゼ阻害薬は、細胞分裂の停止と多核化が原因で微小小管密度が上昇したが、これは用量反応曲線からも観察された。
• 本手法により、数十万個のセグメンテッド微小小管ネットワークの大規模解析が可能となり、高スループットドラッグスクリーニングへの応用が可能となった。