全場景顯微成像分析平臺(tái)MICA集3D采集和AI定量于一體。

3D組織成像廣泛應(yīng)用于生命科學(xué)領(lǐng)域。研究人員利用它來揭示組織組成和完整性的詳細(xì)信息，或從實(shí)驗(yàn)操作中得出結(jié)論，或比較健康與不健康的樣本。本文介紹了MICA如何幫助研究人員進(jìn)行3D組織成像。

3D組織成像

模式生物或患者的組織切片可用于分析從組織到細(xì)胞的各種形態(tài)，進(jìn)而發(fā)現(xiàn)健康和非健康樣本以及對照樣品和實(shí)驗(yàn)樣品之間的差異。例如，是否存在特定細(xì)胞或它們的形態(tài)（即形狀、體積、長度、面積）都是有意義的參數(shù)。

熒光顯微鏡有助于識別特定標(biāo)記的細(xì)胞或細(xì)胞成分。因此，要么用轉(zhuǎn)熒光標(biāo)記基因生物，要么用免疫熒光染色。此外，某些基因和轉(zhuǎn)錄也可以通過熒光原位雜交 (Fluorescence in Situ Hybridization, FISH) 進(jìn)行可視化。

3D組織成像的一個(gè)示例是，對腦部神經(jīng)元進(jìn)行成像，以確定它們的長度、體積或與其它細(xì)胞的連接。例如，可以對患有局部腦缺血的模式生物制作腦部切片，以了解形態(tài)差異和細(xì)胞數(shù)量。

挑戰(zhàn)

首要的挑戰(zhàn)之一是使用顯微鏡初步觀察樣本。需要將樣本置于載物臺(tái)上并不斷調(diào)整三維位置以確保對樣本進(jìn)行正確成像。你從目鏡或屏幕上看到的只是樣本極小的一部分。因此，要將樣本保持在正確的焦距內(nèi)并找到正確位置，以便找到感興趣的區(qū)域，是一個(gè)非常麻煩的過程。MICA的樣本查找功能通過將樣本聚焦并生成每個(gè)相關(guān)區(qū)域的低倍率預(yù)覽圖來自動(dòng)化這個(gè)過程，這個(gè)功能可以用于整個(gè)成像過程的定位。

下一個(gè)挑戰(zhàn)是設(shè)置成像參數(shù)，因此可以在看到感興趣的信號下，避免樣本遭受不必要的光漂白。這一步驟通常要同時(shí)選擇激發(fā)和接受檢測的技術(shù)參數(shù)，因?yàn)槊恳豁?xiàng)參數(shù)都會(huì)對樣本和獲得的結(jié)果產(chǎn)生不同的影響。使用MICA，您只需輕輕點(diǎn)擊一下“Live"，便可自動(dòng)完成可視化熒光所需的所有參數(shù)設(shè)置?？呻S時(shí)通過點(diǎn)擊“OneTouch"執(zhí)行這一自動(dòng)化設(shè)置來優(yōu)化當(dāng)前視圖的參數(shù)。更改顯微鏡的特定技術(shù)參數(shù)前，實(shí)驗(yàn)人員通常需要了解更改參數(shù)將產(chǎn)生的影響，但在MICA中，設(shè)置是輸出驅(qū)動(dòng)型的，也就是說，可定義所需的輸出，然后自動(dòng)完成對應(yīng)的調(diào)整。

一般而言，第一步是確定要成像的正確位置。實(shí)驗(yàn)人員需要使用目鏡了解樣本的整體概況，并記住不同的位置。數(shù)字顯微鏡可以生成樣本的概覽，這可以提供一些幫助，但實(shí)驗(yàn)人員仍然需要指出圖像中要進(jìn)一步成像的位置。MICA的Navigator工具可簡化這一過程。用戶可以生成低倍或高倍的預(yù)覽，輕松定位感興趣的區(qū)域，并可以使用工具直接在圖像上標(biāo)記出感興趣的樣本區(qū)域。這樣后續(xù)高分辨率圖片就可以保存下來。

高放大倍數(shù)物鏡通常需要使用浸沒式介質(zhì)，最常見的是水和油。水為水溶液中的成像樣品匹配了最佳的光學(xué)指數(shù)，而油為包埋的成像樣品匹配了最佳的光學(xué)指數(shù)。水浸物鏡也可用于固定式樣本，但會(huì)稍微影響成像質(zhì)量。MICA可同時(shí)滿足兩種需求。水鏡還具有全自動(dòng)化操作的額外優(yōu)勢，水的浸入可以自動(dòng)建立并維持。為進(jìn)一步提高光學(xué)質(zhì)量，一些物鏡會(huì)通過校正環(huán)來補(bǔ)償樣本板的厚度。校正環(huán)可手動(dòng)、也可自動(dòng)操作。MICA配置了自動(dòng)校正環(huán)功能，可實(shí)現(xiàn)自動(dòng)優(yōu)化。

相對厚度是組織切片成像的另一大挑戰(zhàn)。厚切片會(huì)形成較多的散射光，干擾所需信號。THUNDER可減少背景模糊，為組織成像提供了一種寶貴的計(jì)算成像方法。 MICA集THUNDER于一體，可在合理的時(shí)間范圍內(nèi)確定感興趣的區(qū)域。

除了類似于THUNDER的計(jì)算清除方法，共聚焦激光掃描顯微術(shù)(CLSM)等光學(xué)部分也是3D組織玻片成像的一種方法。這種方法中，可獲得性和可用性方面也是挑戰(zhàn)。

除了技術(shù)設(shè)置比較復(fù)雜，共聚焦顯微鏡所需的培訓(xùn)時(shí)間一般也更長。MICA集共聚焦和寬場成像于一體，減少了成像參數(shù)設(shè)置，縮短了所需的培訓(xùn)時(shí)間，同時(shí)也降低了操作顯微鏡的技能要求。

另外，共聚焦和寬場成像模式的圖像設(shè)置有相同的外觀和使用感受，因此，用戶無需學(xué)習(xí)兩種系統(tǒng)的操作方法。而且，用戶可隨意在寬場和共聚焦兩種模式間切換而無需在兩種成像系統(tǒng)間轉(zhuǎn)移樣本。

科學(xué)實(shí)驗(yàn)的一個(gè)關(guān)鍵方面是，改變盡可能少的變量，以確定對樣本和結(jié)果的任何影響。除了保證樣本處理相同外，另一個(gè)方面是針對激發(fā)和接收檢測成像參數(shù)相同。MICA默認(rèn)在不同項(xiàng)目中保持成像參數(shù)不變，用戶僅基于自己的需求進(jìn)行調(diào)整。可根據(jù)參考圖像輕松恢復(fù)成像參數(shù)。

方法

三個(gè)厚度為250µm的小鼠腦部切片包含下述熒光標(biāo)記物：

· 細(xì)胞核（DAPI，品紅色）

· 神經(jīng)元（細(xì)胞質(zhì)GFP，青色）

· 星形膠質(zhì)細(xì)胞（GFAP-DsRed，紅色）

將切片固定于載玻片支架中（圖1）并置于載物臺(tái)上進(jìn)行成像。

圖1：用于玻片成像的MICA玻片夾，例如組織切片。

在樣本定義中輸入蓋玻片類型和染料等基本信息。利用這一信息，Sample Finder可以識別蓋玻片并自動(dòng)生成低倍的預(yù)覽。對整個(gè)蓋玻片的預(yù)覽可以用來識別三個(gè)組織切片，然后用Navigator工具進(jìn)行標(biāo)記。隨后無需手動(dòng)調(diào)整成像參數(shù)，便可以在20倍寬場模式下對標(biāo)記區(qū)域生成掃描拼接圖像。在這個(gè)放大倍數(shù)和分辨率下，就能在組織切片上識別出感興趣的區(qū)域，然后用共聚焦顯微鏡成像。此時(shí)，MICA會(huì)在相關(guān)區(qū)域切換為共聚焦模式，記錄高清晰圖像，包括三維立體圖像。定義三維立體圖像時(shí)，可以手動(dòng)或單擊鼠標(biāo)自動(dòng)設(shè)置限制。z Range Finder工具自動(dòng)確定3D圖像掃描開始和結(jié)束部分。

成像后，可借助MICA Learn & Results工具測量樹突棘。為此，使用pixel classifier在疊層投影下識別棘突。pixel classifier簡單易用且功能強(qiáng)大，用戶只需使用類似于繪畫工具的繪圖工具標(biāo)記對象的示例，在這種情況下為棘突。通過訓(xùn)練模型，更好地再現(xiàn)輸入，然后提供圖像中其他對象的預(yù)覽。經(jīng)過訓(xùn)練后，就可使用模型分析圖像。

結(jié)果

找到載玻片預(yù)覽上單個(gè)腦部切片，然后使用Magic Wand工具進(jìn)行標(biāo)記以進(jìn)行掃描拼接。Magic Wand自動(dòng)識別組織切片的邊界并相應(yīng)地定義所需的拼接。

圖2： MICA在實(shí)驗(yàn)開始時(shí)進(jìn)行完整的玻片預(yù)覽（寬場），便于更輕松地定位。

借助該信息的信息，可找到大圖掃描拼接的感興趣區(qū)域?？墒褂肕agic Wand工具自動(dòng)化檢測感興趣區(qū)域。

MICA可同時(shí)采集最多四個(gè)熒光團(tuán)，因此相比基于濾光塊的序列成像的顯微系統(tǒng)，可有效節(jié)約用戶的時(shí)間。在單次掃描拼接中，可找到感興趣區(qū)域，并在共聚焦模式下以更高的放大倍數(shù)觀察更多的細(xì)節(jié)。

二維圖像需要借助三維數(shù)據(jù)以獲得更詳細(xì)的信息。為此，z界面中定義了三維立體模式。

在CLSM下進(jìn)行立體采集后（120µm厚），可在三維觀察器中可視化數(shù)據(jù)，獲得腦部樣本的更多空間信息。

圖3：三維重構(gòu)CLSM。通過三維采集進(jìn)一步研究組織切片。利用獲得的三維信息，用戶可以更好地了解樣本的空間狀況，例如了解細(xì)胞間的連接。

對于定量來說，可根據(jù)三維采集信息生成最大投影來測量樣本樹突棘的平均面積。pixel classifier識別棘突，分析工具則確定面積。得到的數(shù)值可繪制成圖，以可視化數(shù)據(jù)和相關(guān)性。圖4顯示了樹突棘面積的直方圖。這些結(jié)果也可通過箱線圖的形式顯示，來比較不同的樹突棘群落（圖4）。

圖4：分析。

MICA不僅采集圖像，還可對它們進(jìn)行分析。為此，可使用基于人工智能技術(shù)的pixel classifier來識別相關(guān)的圖像細(xì)節(jié)。隨后，識別出的對象可以被量化并顯示在圖形中。在本示例中，樹突棘的平均面積在最大投影上測量。

結(jié)論

MICA是用于三維組織成像的有效工具：使用pixel classifier功能，用戶可以快速了解樣本的整體質(zhì)量，確定進(jìn)一步的操作。隨后，Navigator視圖可對組織切片進(jìn)行更深入的觀察。Magic Wand等工具用于快速定義感興趣的區(qū)域，加上4個(gè)通道的同時(shí)成像，可加快大圖掃描拼接的速度。使用新的z界面使三維采集更加簡化，pixel classifier能輔助后續(xù)分析。

簡而言之，MICA集寬場成像和共聚焦成像于一個(gè)系統(tǒng)中。它可以幫助用戶在一個(gè)系統(tǒng)中完成從圖像預(yù)覽到三維細(xì)節(jié)成像再到分析的整個(gè)工作流程。

了解更多：徠卡顯微