Một quy trình thông minh cho việc tái tạo 3D cấu trúc synapse nguyên vẹn ở quy mô dưới nanomet từ điện tử học cắt lát liên tiếp
Tóm tắt
Như một sự mở rộng của điện tử học hình ảnh (ET), điện tử học hình ảnh cắt lát liên tiếp (serial section ET) nhằm mục đích căn chỉnh các hình ảnh tomographic của nhiều mô cắt dày lại với nhau, nhằm vượt qua giới hạn thể tích của một lát cắt đơn và bảo tồn kích thước voxel dưới nanomet. Nó có thể được áp dụng để tái tạo synapse nguyên vẹn, bao gồm khoảng một micromet và chứa các bọng nanoscale. Tuy nhiên, có một số hạn chế của các phương pháp serial section ET hiện có. Thứ nhất, việc xác định và hình ảnh các vùng quan tâm (ROIs) trong các lát cắt liên tiếp trong quá trình chụp mất nhiều thời gian. Thứ hai, việc căn chỉnh các thể tích ET là khó khăn do thông tin bị thiếu gây ra bởi quá trình cắt lát và hình ảnh. Ở đây, chúng tôi báo cáo một quy trình làm việc để đơn giản hóa việc thu thập ROIs trong các lát cắt liên tiếp, tự động căn chỉnh thể tích của serial section ET, và tái tạo bán tự động cấu trúc synapse mục tiêu.
Chúng tôi đề xuất một quy trình làm việc thông minh để tái tạo synapse nguyên vẹn với kích thước voxel dưới nanomet. Quy trình của chúng tôi bao gồm xác định nhanh ROIs trong các lát cắt liên tiếp, căn chỉnh tự động, phục hồi, lắp ráp các thể tích ET liên tiếp, và phân đoạn cấu trúc mục tiêu bán tự động. Để xác định và thu thập ROIs trong các lát cắt liên tiếp, chúng tôi sử dụng các biến đổi affine để tính toán vị trí gần đúng của chúng dựa trên vị trí tương đối của chúng trong các lát cắt được đặt theo thứ tự. Đối với việc căn chỉnh các thể tích ET liên tiếp với kiểu dáng khác biệt, chúng tôi sử dụng phương pháp khớp định dạng hình ảnh nhiều tỷ lệ và thuật toán độ đàn hồi với sự truyền bá niềm tin (BP-Elastic) để căn chỉnh chúng từ thô đến tinh. Đối với việc phục hồi thông tin bị thiếu trong ET, trước tiên chúng tôi ước tính số lượng hình ảnh bị mất dựa trên sự thay đổi pixel của các thể tích liền kề sau khi căn chỉnh. Sau đó, chúng tôi trình bày một mạng lưới tạo ra thông tin bị thiếu phù hợp với mẫu nhỏ của thể tích ET, sử dụng mạng nội suy tiền đào tạo và học chưng cất. Và chúng tôi sử dụng nó để tạo ra thông tin bị thiếu để đạt được tái tạo thể tích hoàn chỉnh. Để tái tạo cấu trúc siêu vi synapse, chúng tôi sử dụng một mạng nơ-ron 3D để nhanh chóng đạt được chúng. Tóm lại, quy trình của chúng tôi có thể nhanh chóng định vị và thu thập ROIs trong các lát cắt liên tiếp, tự động căn chỉnh, phục hồi, lắp ráp các lát cắt liên tiếp và thu được kết quả phân đoạn hoàn chỉnh của cấu trúc mục tiêu với ít thao tác thủ công tối thiểu. Nhiều synapse nguyên vẹn ở chuột cống hoang dã đã được tái tạo với kích thước voxel là 0.664 nm/voxel để chứng minh tính hiệu quả của quy trình làm việc của chúng tôi.
Quy trình làm việc của chúng tôi góp phần vào việc thu được cấu trúc synaptic nguyên vẹn ở quy mô dưới nanomet thông qua serial section ET, bao gồm các bước xác định nhanh ROI, căn chỉnh tự động, tái tạo thể tích và tái tạo synapse bán tự động. Chúng tôi đã mã nguồn mở mã liên quan trong quy trình của chúng tôi, vì vậy dễ dàng áp dụng nó cho các phòng thí nghiệm khác và thu được các cấu trúc siêu 3D hoàn chỉnh có kích thước tương tự như synapse nguyên vẹn với kích thước voxel dưới nanomet.
Từ khóa
Tài liệu tham khảo
Shoop RD, Esquenazi E, Yamada N, et al. Ultrastructure of a somatic spine mat for nicotinic signaling in neurons. J Neurosci. 2002;22:748–56.
Fabig G, Kiewisz R, Lindow N, et al. Male meiotic spindle features that efficiently segregate paired and lagging chromosomes. Elife. 2020;9:50988.
Lantzsch I, Yu C H, Chen Y-Z, et al. Microtubule reorganization during female meiosis in C. elegans. Elife. 2021;10:58903.
Liu J, Qi J, Chen X, Li Z, Hong B, Ma H, et al. Fear memory-associated synaptic and mitochondrial changes revealed by deep learning-based processing of electron microscopy data. Cell Rep. 2022;40(5):111151.
Liu YT, Tao CL, Zhang X, Xia W, Shi DQ, Qi L, et al. Mesophasic organization of GABAA receptors in hippocampal inhibitory synapses. Nat Neurosci. 2020;23(12):1589–96.
Miranda K, Girard-Dias W, Attias M, et al. Three dimensional reconstruction by electron microscopy in the life sciences: an introduction for cell and tissue biologists. Mol Reprod Dev. 2015;82:530–47.
Gabarre S, Vernaillen F, Baatsen P, et al. A workflow for streamlined acquisition and correlation of serial regions of interest in array tomography. BMC Biol. 2021;19:1–15.
Hildebrand DGC, Cicconet M, Torres R, et al. Whole-brain serial-section electron microscopy in larval zebrafish. Nature. 2017;545:345–9.
Smith DST. Serial block face scanning electron microscopy in cell biology: Applications and technology. Tissue Cell. 2019;57:111–22.
Kizilyaprak C HBM Daraspe J. Focused ion beam scanning electron microscopy in biology. J Microsc. 2014;254:109–14.
Lučić V, Förster F, Baumeister W. Structural studies by electron tomography: from cells to molecules. Annu Rev Biochem. 2005;74:833–65.
Soto GE, Young S J, Martone M, et al. Serial section electron tomography: a method for three-dimensional reconstruction of large structures. Neuroimage. 1994;1:230–43.
Titze B, Genoud C. Volume scanning electron microscopy for imaging biological ultrastructure. Biol Cell. 2016;108:307–23.
Xu CS, Hayworth KJ, Lu Z, et al. Enhanced FIB-SEM systems for large-volume 3D imaging. Elife. 2017;6:e25916.
Sosinsky GE, Deerinck T J, Greco R, et al. Development of a model for microphysiological simulations. Neuroinformatics. 2005;3:133–62.
Mastronarde DNHSR. Automated tilt series alignment and tomographic reconstruction in IMOD. J Struct Biol. 2017;197:102–13.
Anderson JR, Jones B W, Yang J-H et al. A computational framework for ultrastructural mapping of neural circuitry. PLoS Biol. 2009;7:1000074.
Cardona A, Saalfeld S, Schindelin J, et al. TrakEM2 software for neural circuit reconstruction. PLoS ONE. 2012;7:38011.
Schindelin J, Arganda-Carreras I, Frise E, et al. Fiji: an open-source platform for biological-image analysis. Nat Methods. 2012;9:676–82.
Lindow N DVJea Brünig F N. Semi-automatic stitching of filamentous structures in image stacks from serial-section electron tomography. J Microsc. 2021;284:25–44.
Li L, Han R, Zhang Z, et al. Compressed sensing improved iterative reconstruction-reprojection algorithm for electron tomography. BMC Bioinformatics. 2020;21:1–19.
Jiang Y, Lin S, Chen J, et al. Electron tomographic analysis reveals ultrastructural features of mitochondrial cristae architecture which reflect energetic state and aging. Sci Rep. 2017;7:1–11.
Liu YT, Tao C L, Zhang X, et al. Mesophasic organization of GABAA receptors in hippocampal inhibitory synapses. Nat Neurosci. 2020;23:1589–96.
Colombo MN, Maiellano G, Putignano S, et al. Comparative 2D and 3D Ultrastructural Analyses of Dendritic Spines from CA1 Pyramidal Neurons in the Mouse Hippocampus. Int J Mol Sci. 2021;22:1188.
Lin Z LJea Wei D. PyTorch connectomics: a scalable and flexible segmentation framework for EM connectomics. 2021. arXiv preprint arXiv:2112.05754.
Liu J, Qi J, Chen X, et al. Fear memory-associated synaptic and mitochondrial changes revealed by deep learning-based processing of electron microscopy data. Cell Rep. 2022;40:111151.
Deng Y, Chen Y, Zhang Y, et al. ICON: 3D reconstruction with ‘missing-information’ restoration in biological electron tomography. J Struct Biol. 2016;195:100–12.
Kubota Y KY Sohn J. Large volume electron microscopy and neural microcircuit analysis. Front Neural Circ. 2018;12:98.
Böhm T TS Moroni R. Serial section Raman tomography with 10 times higher depth resolution than confocal Raman microscopy. J Raman Spectrosc. 2020;51:1160–71.
O’Toole E MJR Morphew M. Electron tomography reveals aspects of spindle structure important for mechanical stability at metaphase. Mol Biol Cell. 2020;31:184–95.
Frank e Joachim. Electron tomography: methods for three-dimensional visualization of structures in the cell. New York: Springer Science & Business Media; 2008.
Saalfeld S, Fetter R, Cardona A, et al. Elastic volume reconstruction from series of ultra-thin microscopy sections. Nat Methods. 2012;9:717–20.
Jiang H, Sun D, Jampani V, et al. Super slomo: High quality estimation of multiple intermediate frames for video interpolation. In: Proceedings of the IEEE conference on computer vision and pattern recognition. 2018;9000–8. https://doi.org/10.1109/CVPR.2018.00938.
Yim J, Joo D, Bae J, et al. A gift from knowledge distillation: Fast optimization, network minimization and transfer learning. In: Proceedings of the IEEE conference on computer vision and pattern recognition. 2017;4133–41. https://doi.org/10.1109/CVPR.2017.754.
Chen G, YXea Choi W. Learning efficient object detection models with knowledge distillation. Adv Neural Inf Process Syst. 2017;30:742–51.
Rangaraju V RTA Calloway N. Activity-driven local ATP synthesis is required for synaptic function. Cell. 2014;156:825–35.
Qu L, Akbergenova Y, Hu Y, et al. Synapse-to-synapse variation in mean synaptic vesicle size and its relationship with synaptic morphology and function. J Comp Neurol. 2009;514:343–52.
Fischler MABRC. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Commun ACM. 1981;24:381–95.
Rohr K, Stiehl H S, Sprengel R, et al. Landmark-based elastic registration using approximating thin-plate splines. IEEE Trans Med Imaging. 2001;20:526–34.
Su S, Delbracio M, Wang J, et al. Deep video deblurring for hand-held cameras. In: Proceedings of the IEEE conference on computer vision and pattern recognition. 2017;1279–88. https://doi.org/10.1109/CVPR.2017.33.
Kingma D P BJ. Adam: A method for stochastic optimization. 2014. arXiv preprint arXiv:1412.6980.
Hong B, Liu J, Zhai H, Liu J, Shen L, Chen X, et al. Joint reconstruction of neuron and ultrastructure via connectivity consensus in electron microscope volumes. BMC Bioinformatics. 2022;23(1):453.
Hong B, Liu J, Shen L, Xie Q, Yuan J, Emrouznejad A, et al. Graph partitioning algorithms with biological connectivity decisions for neuron reconstruction in electron microscope volumes. Expert Syst Appl. 2023;222:119776.
Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation. In: International Conference on Medical image computing and computer-assisted intervention. 2015;234–41. https://doi.org/10.1007/978-3-319-24574-4_28.
Chen LC, Papandreou G, Kokkinos I, et al. Deeplab: semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected crfs. IEEE Trans Pattern Anal Mach Intell. 2017;40:834–48.
Singh S, Krishnan S. Filter response normalization layer: Eliminating batch dependence in the training of deep neural networks. In: Proceedings of the IEEE conference on computer vision and pattern recognition. 2020;11237-46. https://doi.org/10.1109/CVPR42600.2020.01125.
Kornilov A YI Safonov I. A review of watershed implementations for segmentation of volumetric images. J Imaging. 2022;8:127.
Rosahl TW, Spillane D, Missler M, Herz J, Selig DK, Wolff JR, et al. Essential functions of synapsins I and II in synaptic vesicle regulation. Nature. 1995;375(6531):488–93.
Bradberry MM, Mishra S, Zhang Z, Wu L, McKetney JM, Vestling MM, et al. Rapid and gentle immunopurification of brain synaptic vesicles. J Neurosci. 2022;42(17):3512–22.
Mahalingam G, Torres R, Kapner D, Trautman ET, Fliss T, Seshamani S, et al. A scalable and modular automated pipeline for stitching of large electron microscopy datasets. Elife. 2022;11:76534.
Motta A, Berning M, Boergens KM, Staffler B, Beining M, Loomba S, et al. Dense connectomic reconstruction in layer 4 of the somatosensory cortex. Science. 2019;366(6469):3134.
Descloux A, Grußmayer KS, Radenovic A. Parameter-free image resolution estimation based on decorrelation analysis. Nat Methods. 2019;16(9):918–24.
Wang CW, Budiman Gosno E, Li YS. Fully automatic and robust 3D registration of serial-section microscopic images. Sci Rep. 2015;5(1):15051.