[논문 리뷰] Enhancing high-content imaging for studying microtubule networks at large-scale

Hao-Chih Lee, Sarah T. Cherng외 2명|arXiv (Cornell University)|2019. 10. 01.

Cell Image Analysis Techniques참고 문헌 37인용 수 4

한 줄 요약

이 논문은 저해상도, 고-throughput 영상(HCS) 데이터를 향상시키기 위해 비지도 CycleGAN 기반의 계산 프레임워크를 제안한다. 이는 고해상도 공초점 영상을 기준으로 사용하여 미세소관 네트워크의 시각화와 분할을 크게 향상시킨다. 이 방법은 미세소관 탐지에서 AUC-ROC 0.93 이상을 달성하며, 이미지 노이즈에 강건하고 대규모 약물 스크리닝에 적용 가능함을 보여준다.

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

연구 동기 및 목표

• 유전자 형광 노이즈로 인해 미세소관의 미세한 구조가 흐려지는 고-throughput 스크리닝(HCS)에서의 저해상도 영상 품질 문제를 해결하기 위해.
• 저품질의 HCS 영상에 대해 계산적으로 향상시킴으로써 해상도를 유지하면서도 빠르고 대규모 영상 촬영을 가능하게 하기 위해.
• 저해상도 및 고해상도 영상 간의 쌍화된 학습 데이터가 필요 없도록 하는 비지도 방법을 개발하기 위해.
• 약물 치료에 의한 미세소관 밀도 변화를 정확히 정량화할 수 있는지 검증하기 위해.
• 적절한 기준 영상이 제공될 경우 다른 세포소기관 성분으로의 일반화를 위해.

제안 방법

• 고해상도 공초점 영상(인간 단백질 아틀라스에서 확보)을 진짜 영상으로, 저해상도 HCS 영상으로 가짜 영상으로 삼아 CycleGAN 모델을 학습한다.
• 쌍체 일致성 손실을 활용하여 쌍화된 데이터 없이도 저품질 HCS 영상에서 향상된 고해상도 표현으로의 매핑을 학습한다.
• 학습된 CycleGAN을 사용하여 HCS 영상의 향상 처리를 수행함으로써 초점에서 벗어난 형광 노이즈를 감소시키고, 미세소관 네트워크의 가시성을 향상시킨다.
• 향상된 영상에서 미세소관 네트워크를 분할하기 위해 Otsu 임계처리를 적용하며, 미세소관 밀도는 핵 주변 영역을 기준으로 정의한다.
• 성능 평가를 위해 Richardson-Lucy 탈구성화 및 pix2pix를 기준선으로 적용한다.
• 모의 데이터를 활용하여 미세소관 탐지 성능 평가를 위한 AUC-ROC를 계산한다.

실험 결과

연구 질문

• RQ1 비지도 딥러닝 모델이 고-throughput 영상 데이터의 품질을 효과적으로 향상시켜 미세소관의 미세한 구조를 복원할 수 있는가?
• RQ2 CycleGAN 기반의 향상 처리가 다양한 이미지 노이즈 조건 하에서도 미세소관 탐지 정확도를 향상시키는가?
• RQ3 향상된 영상가 약물 유도 미세소관 밀도 변화를 다양한 화합물 처리 조건에서 신뢰성 있게 정량화할 수 있는가?
• RQ4 미세소관 분할 성능에서 CycleGAN은 pix2pix와 탈구성화 방법과 같은 지도 학습 기반 기준선보다 어떻게 비교되는가?
• RQ5 이 방법은 미세소관 이외의 다른 세포소기관 성분으로 얼마나 일반화될 수 있는가?

주요 결과

• CycleGAN은 미세소관 탐지에서 AUC-ROC 0.93 이상을 달성하여 향상된 영상에서 미세소관 네트워크를 고정확도로 식별함을 보여주었다.
• 이 방법은 쌍화된 학습 데이터 없이도 다양한 종류의 이미지 노이즈 조건에서 뛰어난 성능을 유지하며, 높은 탐지 정확도를 확보하였다.
• 향상된 HCS 영상에서의 미세소관 밀도 정량화는 알려진 생물학적 효과를 정확히 반영하였다: 미세소관 안정제는 낮은 농도에서 밀도를 증가시키지만, 고농도에서는 세포 사멸로 인해 감소하였다.
• 액틴 방해제는 미세소관 밀도에 거의 영향을 주지 않아, 그 알려진 작용 기전과 일치하였다.
• 아우로라 키나제 억제제는 미세소관 밀도를 높였으며, 이는 분열 정지와 다핵성으로 인한 것으로 보이며, 농도-반응 곡선에서 관찰되었다.
• 이 방법은 수십만 개의 분할된 미세소관 네트워크를 대규모로 분석할 수 있도록 하여 고-throughput 약물 스크리닝 응용에 기여하였다.