[论文解读] Sarc-Graph: Automated segmentation, tracking, and analysis of sarcomeres in hiPSC-derived cardiomyocytes

Bill Zhao, Kehan Zhang+2 more|arXiv (Cornell University)|Feb 3, 2021

Cell Image Analysis Techniques参考文献 47被引用 29

一句话总结

Sarc-Graph 是一个开源的计算框架，可自动对人 iPSC 衍生的心肌细胞中荧光标记的肌节进行分割、追踪及时空分析。它以 Z 间盘为节点、肌节为边，构建空间图以进行基于网络的分析，并通过追踪的肌节计算平均形变梯度，以量化细胞水平的收缩，从而实现对不规则跳动的人 iPSC-CMs 的鲁棒、无参数化分析，具有高精度和低用户调参需求。

ABSTRACT

A better fundamental understanding of human induced pluripotent stem cell-derived cardiomyocytes (hiPSC-CMs) has the potential to advance applications ranging from drug discovery to cardiac repair. Automated quantitative analysis of beating hiPSC-CMs is an important and fast developing component of the hiPSC-CM research pipeline. Here we introduce "Sarc-Graph," a computational framework to segment, track, and analyze sarcomeres in fluorescently tagged hiPSC-CMs. Our framework includes functions to segment z-discs and sarcomeres, track z-discs and sarcomeres in beating cells, and perform automated spatiotemporal analysis and data visualization. In addition to reporting good performance for sarcomere segmentation and tracking with little to no parameter tuning and a short runtime, we introduce two novel analysis approaches. First, we construct spatial graphs where z-discs correspond to nodes and sarcomeres correspond to edges. This makes measuring the network distance between each sarcomere (i.e., the number of connecting sarcomeres separating each sarcomere pair) straightforward. Second, we treat tracked and segmented components as fiducial markers and use them to compute the approximate deformation gradient of the entire tracked population. This represents a new quantitative descriptor of hiPSC-CM function. We showcase and validate our approach with both synthetic and experimental movies of beating hiPSC-CMs. By publishing Sarc-Graph, we aim to make automated quantitative analysis of hiPSC-CM behavior more accessible to the broader research community.

研究动机与目标

• 为解决在跳动的人 iPSC-CMs 中不规则、无序肌节结构的定量分析难题，该难题阻碍了药物筛选和心脏修复研究。
• 开发一种完全自动化、参数极少的框架，用于在多种 hiPSC-CM 形态和实验条件下对肌节进行分割和追踪。
• 引入新颖的分析方法——空间图建模和平均形变梯度计算，以捕捉 hiPSC-CMs 中的功能异质性和机械行为。
• 通过开源、模块化的软件，使更广泛的科研群体能够获得自动化、高通量的 hiPSC-CM 收缩动力学分析能力。

提出的方法

• 使用合成数据生成流程，创建具有时变收缩特性的逼真 3D Z 间盘和肌节几何结构，实现对分割和追踪的真值验证。
• 应用多尺度分割算法，从 2D 荧光显微镜视频中检测 Z 间盘并分割肌节，利用强度梯度和几何约束。
• 采用基于粒子的追踪算法，将跨帧的分割肌节连接起来，将其建模为具有空间和时间连续性的动态实体。
• 构建空间图，其中 Z 间盘为节点，肌节为边，支持使用欧几里得距离和图论距离的网络化分析。
• 从追踪的肌节中计算平均形变梯度张量（Favg），以量化主拉伸和方向性收缩，提供一种新的细胞功能生物力学描述符。
• 集成可视化工具，将追踪的肌节按收缩水平着色叠加显示，并展示时序指标，如归一化肌节长度和主拉伸。

实验结果

研究问题

• RQ1 完全自动化的框架是否能在无需人工参数调优的情况下，对多种形态和实验条件下的人 iPSC-CMs 中的肌节实现高精度分割与追踪？
• RQ2 如何利用 hiPSC-CM 肌节的结构紊乱与不规则性，通过基于图的建模提取具有生物意义的时空动力学？
• RQ3 从追踪肌节中计算出的平均形变梯度在多大程度上可作为 hiPSC-CMs 中集体细胞收缩的鲁棒、定量描述符？
• RQ4 该框架是否能够检测到细微但功能相关的收缩模式（如负泊松比行为或非同步收缩），而不仅依赖于平均指标，尤其在低形变或紊乱细胞中？

主要发现

• Sarc-Graph 在单个人 iPSC-CM（E5）中成功分割并追踪了多达 800 个肌节，即使在肌节呈弯曲、排列不良且收缩程度低的细胞中也表现出高度鲁棒性。
• 在所有实验示例中，该框架均检测到五个不同的收缩事件，包括平均形变极低（Ciso = 0.0060）且同步性差的 E5，表明对细微动力学的高度敏感性。
• 对于 E3，框架揭示了负泊松比形变（垂直于纤维排列方向的收缩），经由高主拉伸各向异性（λ1 = 1.45，λ2 = 0.65）和高 OOP（0.48）证实，表明存在复杂的机械行为。
• 在 E4 中，尽管肌节排列紊乱，Sarc-Graph 仍成功追踪了 228 个肌节并检测到一致的收缩周期，显示出对形态异质性的强适应能力。
• 空间图模型支持网络化分析，允许使用欧几里得距离和网络距离相关肌节收缩时间，揭示了功能性子网络。
• 平均形变梯度（Favg）成功捕捉到在肌节长度变化相似（˜s）但非平面取向（OOP）不同的细胞之间的功能差异，如 E1 与 E2（OOP：0.48 vs. 0.29），证明其对机械各向异性的敏感性。