細胞内コンパートメントの識別のための蛍光とラマン顕微鏡画像の共局在：検証研究

ラマン顕微鏡の主な約束は、細胞構造と細胞内構造のラベルフリーの詳細認識です。この目的のために、ラマンスペクトル画像と蛍光顕微鏡画像の間の共局在パターンを識別することは、ラマン分光画像の細胞内成分に注釈を付けるための重要なステップです。細胞内構造を解決するための既存のアプローチは蛍光標識に基づいていますが、共局在化スキームと、細胞区画のラベルのない解像度を可能にする監視された分類器のその後のトレーニングの組み合わせを提案します。私たちの共局在スキームは、階層的クラスター分析などの監視されていない機械学習方法から蛍光色チャネルとクラスターの間の相関を特定することにより、統計的に有意な重複領域を明らかにします。共局在スキームは、トレーニングデータとして適切なスペクトルを収集するための事前選択として使用されます。これらのスペクトルは、2番目の部分でトレーニングデータとして使用され、脂質液滴と核を自動的に識別するために、監視されたランダムフォレスト分類器を確立します。さまざまなセルラーコンパートメントの蛍光標識でオーバーレイされたラマンスペクトル画像を調べることにより、アプローチを検証します。これは、特定のコンポーネントが実際にスペクトル画像でラベルフリーであることを特定できることを示しています。ColocalizationソフトウェアのMATLAB実装を利用できます。

A major promise of Raman microscopy is the label-free detailed recognition of cellular and subcellular structures. To this end, identifying colocalization patterns between Raman spectral images and fluorescence microscopic images is a key step to annotate subcellular components in Raman spectroscopic images. While existing approaches to resolve subcellular structures are based on fluorescence labeling, we propose a combination of a colocalization scheme with subsequent training of a supervised classifier that allows label-free resolution of cellular compartments. Our colocalization scheme unveils statistically significant overlapping regions by identifying correlation between the fluorescence color channels and clusters from unsupervised machine learning methods like hierarchical cluster analysis. The colocalization scheme is used as a pre-selection to gather appropriate spectra as training data. These spectra are used in the second part as training data to establish a supervised random forest classifier to automatically identify lipid droplets and nucleus. We validate our approach by examining Raman spectral images overlaid with fluorescence labelings of different cellular compartments, indicating that specific components may indeed be identified label-free in the spectral image. A Matlab implementation of our colocalization software is available at .