Estudio morfológico en conos de crecimiento mediante análisis

Estudio morfológico en conos de crecimiento Estudio morfológico en conos de crecimiento mediante análisis de componentes mediante análisis de componentes

principales y modelos ocultos de Markovprincipales y modelos ocultos de Markov

Autor: Jhon Jairo Sáenz GamboaDirigido por: Ph.D. Jon Ander Gómez Adrián

Ph.D. María de la Iglesia Vayá

Valencia, EspañaMarzo, 2017

Contenido

UPV Universitat Politècnica de València 2

1.Introducción

• Hipótesis

• Objetivo general

2.Materiales y Metodos

3.Resultados

4.Conclusiones

1. Introducción

Patogénesis molecular de la ataxia de Friedreich

1863 Nikolaus Friedreich: “Atrofia degenerativa de las columnas posteriores y de la medula espinal”

FRDA: OMIM 229300, ORPHA95: enfermedad rara de edad pediátrica, prevalencia en la población caucásica: 4,7 /100,000, una ataxia espinocerebelosa de herencia autosómica recesiva.


SÍNTOMAS: Debilidad muscular en brazos y piernas Pérdida de la coordinación Discapacidad auditiva y de la visión Dificultad para hablar Escoliosis Pie cavo Diabetes Cardiomiopatía

GAA5-30

GAA70-1000

Déficit de frataxina

Hipótesis


Déficit de frataxina en neuronas sensitivas de los Ganglios de la Raíz

Dorsal (DRG).

axon

cuerpo celular (soma)

axon

Cono de crecimiento

Neurona sensitiva adulta en crecimiento Morfología del cono

de crecimiento

El déficit de frataxina afecta la morfología y dinámica de los conos de crecimiento en neuronas sensitivas adultas.

Objetivo general

Cuantificación y clasificación de la dinámica de los conos de crecimiento en neuronas sensitivas del ratón YG8sR para la ataxia de Friedreich mediante el análisis de componentes principales y modelos ocultos de Markov.


Conjunto de datos

Adquisición de archivos Time Lapse de los conos de crecimiento: 

•Microscopía: Contraste de fases

•Duración de cada video: 1 hora ( 120-121 frames) 

•Tiempo entre cada frame: 30 sec   

•Tamaño imagen: 1296X1024px, 1px equivale a 0.1675 um    


Modelo murino para la FRDA (YG8sR) Ratón Control (Y47R)

Cultivo primario in vitro de neuronas sensitivas en 3 edades: 2, 6 y 9 meses

Etapas del estudio


2. Materiales y métodos

1. Procesamiento de la imagen.

2. Extracción de las características de la dinámica de los conos de crecimiento.

3. Análisis mediante componentes principales (PCA).

4. Modelo de clasificaciónModelos Ocultos de Markov (HMM)


Procesamiento de la imagen

9

Atá

xico

(YG

8sR)

Normalización

Ajuste de Intensidad

Ecualización de Histograma

Correspondencia de HistogramaCo

ntro

l (Y

47R)

Binarización


Umbralización

Transformada H-Min

Método implementado para la búsqueda del parámetro h

Eliminar Falsos Positivos

Rotar y Centrar

Segmentación semi-automática


Time lapse FRAMES

171 20618

Extracción de características


* Goodhill, Faville et al. 2015

2. Materiales y metodos



3. Análisis de componentes principales (PCA).



Análisis de Componentes Principales (PCA)

15

Objetivo

•Exploración, relación entre variables•Comparación de grupos de variables•Verificación de agrupamientos•Reducción de dimensionalidad•Creación de nuevas variables

Características fundamentales:

•Son ortogonales entre si•No están correlacionados entre ellos•Cada componente contiene información de todos las variables en diferentes proporciones•Primer componente es el que recoge mayor variabilidad•De la variabilidad restante, el segundo es el que incluye más

Atáxico 2 Meses Control 2 Meses


Biblot de variables y observaciones

UPV Universitat Politècnica de València18

Atáxico (YG8sR) 2 meses Control 2 meses


Dimensiones PCA

[4,5,6,7,8,9,10,11,12,13,14,16,18,20,22,25,30,40]

0,6 0,4

Número de estados HMM = [5,6,8,10,12,14,15,16,18,20,22,25,30]

Mixturas de gaussianas = [1,2,3]

Número de repeticiones = [2,4]

Edad ClaseTime lapse

Entr. Test

2Control 40 24 16

Atáxico 19 11 8

6Control 28 17 11

Atáxico 22 13 9

9Control 25 15 10

Atáxico 37 22 15

Modelos de clasificación: Modelos Ocultos de Markov (HMM)

21

Datos

Una prueba sensible detectará a todos Una prueba sensible detectará a todos los conos que sufren ataxialos conos que sufren ataxia

Una prueba específica no clasificará Una prueba específica no clasificará como atáxicos los conos que no lo como atáxicos los conos que no lo estánestán.

El valor global, Exactitud, mide la El valor global, Exactitud, mide la capacidad del modelo para clasificar capacidad del modelo para clasificar correctamente los individuos en correctamente los individuos en subgrupos. subgrupos.

Evaluación del modelo


3. Resultados


1. Resultados PCA

2. Resultados HMM

CaracterísticaAtáxico

2mControl

2mAtáxico

6mControl

6mAtáxico

9mControl

9m# CP. Var. Acum.

>95%7 4 5 5 4 4

Correlación (+/-).

Variable (X, Y),

Zona (B, LI, S,

SI, SD, LD)

CP1 +Y +Y +Y +Y -XS +Y -XS +Y

CP2 +X +X +X+X +YSD

+X+X

+YS

CP3+XLI -XLD

-YS +YLD

+XLI -XLD -YSI +YLD

+XLI -XLD -YSI +YSD

+YLD

-XSI +XSD +XLD -YLI

+YS -YLD

+XLI -XLD +YLD

-YS +YLD

-XLI +XSI -XLI

+YLD -YSI

Zonas propuestas en el cono de crecimiento


3. Resultados


1. Resultados PCA

2. Resultados HMM

Mejores Resultados HMM

Edad PCA Rep. Mixt. Est. Dim PCA Sensibilidad Especificidad Exactitud

2 meses Coordenadas y Ángulos 4 1 15 30 0,575 0,913 0,8

6 meses Coordenadas 4 2 24 27 0,8 0,792 0,795

9 meses Coordenadas y Ángulos 4 2 14 22 0,833 0,74 0,796

Todos Coordenadas y Ángulos 4 2 10 12 0,666 0,729 0,7



Selección del modelo

1. El procesamiento de la imagen es una etapa fundamental para el análisis semi-automatizado de la morfología. Con base en la experiencia adquirida al procesar nuestro conjunto de imágenes, proponemos que las mejores condiciones para adquirir las imágenes son: Adquisión motorizada. Microscopia de contraste de fases tipo DIC (microscopía diferencial de contraste de interferencia). Tiempo total de time lapse: 1hora. Tiempo entre frames: 30 sec. Tiempo de exposición de la luz mínima de 10 ms. Resolución: mínima de 20x y máxima de 40x. El procesamiento de la imagen es una etapa fundamental

2. Se elaboraron aplicaciones y métodos de procesamiento ajustados para resolver la complejidad de los datos.3. Se aplicó el análisis “Eigenshape”, para extraer las características descriptivas de la forma de los conos de

crecimiento axonal pertenecientes a las dos poblaciones (clases): Control (Y47R) y Atáxico(YG8sR). 4. El análisis mediante PCA exhibió que la dinámica de la morfología de los conos de crecimiento de neuronas

sensitivas adultas del ratón YG8sR, está alterada. Esta observación sugiere que el déficit de frataxina afecta la dinámica de la morfología de los conos de crecimiento en neuronas sensitivas adultas.

4. Conclusiones


4. Conclusiones


Agradecimientos Esta investigación se desarrolla como parte de la investigación de doctorado:

Estudio de la dinámica del crecimiento axonal de las neuronas sensoriales en el modelo de ratón yg8sr para la ataxia de Friedreich.

Investigador:Dra. Diana Carolina Muñoz Lasso

Universitat Politècnica de València

En colaboración con:Laboratorio de Fisiopatología de las Enfermedades Raras

Universidad de Valenciay el grupo de Investigación:

Centro de Excelencia e Innovación Tecnológica de Bioimagen, Conselleria de Sanitat (CEIB-CS) Unidad Mixta FISABIO y el Centro de Investigación Prince Felipe (CIPF)


• MathWorks. (s.f.). Image Batch Processor App. Recuperado el Enero de 2017, de https://es.mathworks.com/help/images/batch-processing-using-the-image-batch-processor-app.html

• MathWorks. (s.f.). Matlab. Recuperado el 29 de 12 de 2016, de https://es.mathworks.com/products/matlab.html• N. M. (1999). Generalizing and extending the eigenshape method of shape space visualization and analysis. Paleobiology, 25(1),

107-138.• Ø. H., & D. H. (20069). Paleontological Data Analysis. Malden: Blackwell Publishing.• Sáenz Gamboa, J. J. (2015). Visión estereoscópica en la estimación de fondo mediante análisis de histogramas de disparidad.

Valencia: Universidad Politécnica de Valencia, Proyecto Final De Carrera.• Santamaría, M. V., & Palacios, R. P. (2005). Comparison of illumination normalization methods for face recognition. Biometrics

on the Internet, 27-30.• Shlens, J. (2014). A Tutorial on Principal Component Aanalysis. ArXiv e-prints, Google Research, Mountain View.• Goodhill, G. J., Faville, R. A., & Scott, E. K. (2015). The dynamics of growth cone morphology. Goodhill et al. BMC Biology.• Jierong Cheng, J. C. (2009). Segmentation of Clustered Nuclei With Shape Markers and Marking Function. IEEE

TRANSACTIONS ON BIOMEDICAL ENGINEERING, 56(3), 741-748.• Johnson, D. E. (2000). Métodos multivariados aplicados al análisis de datos. México: Thomson Editores.• L. Chinea Valdés, J. V. (2011). Segmentación de Agregados en Imágenes de Microscopía Celular de Eritrocitos Empleando

Técnicas de Procesamiento Morfológico de Imágenes. V Latin American Congress on Biomedical Engineering CLAIB 2011 . Habana, Cuba.

Bibliografía


Estudio morfológico en conos de

crecimiento mediante análisis de

componentes principales y modelos

ocultos de Markov

Autor: Jhon Jairo Sáenz GamboaDirigido por: Ph.D. Jon Ander Gómez Adrián

Ph.D. María de la Iglesia Vayá

Valencia, EspañaMarzo, 2017

Estudio morfológico en conos de crecimiento mediante análisis

Health & Medicine

Transcript of Estudio morfológico en conos de crecimiento mediante análisis