LiDRoSIS: An Automated MATLAB-Python Platform for Image Processing and Quantitative Analysis of Lipid Droplets and ROS in Irradiated Cells

LiDRoSIS es una plataforma automatizada de MATLAB-Python que integra el procesamiento de imágenes y el análisis estadístico para permitir la cuantificación reproducible y de alto rendimiento de gotas de lípidos y especies reactivas de oxígeno en células irradiadas tratadas con nanopartículas basadas en oro.

Lo esencial

Imagina una ciudad bulliciosa (una célula) bajo el estrés de una tormenta (radiación) y algunos materiales de construcción extraños y brillantes (nanopartículas de oro) flotando por ahí. Dentro de esta ciudad, hay dos cosas importantes que los científicos quieren observar: burbujas de almacenamiento de grasa (gotículas lipídicas) y señales de humo (Especies Reactivas de Oxígeno, o ROS).

El problema es que observar estas diminutas burbujas y señales de humo bajo un microscopio es como intentar contar gotas de lluvia en medio de un huracán mientras la cámara se sacude. Las imágenes son desordenadas, la iluminación es desigual y las burbujas a menudo se superponen o parecen nubes difusas. Las herramientas existentes son como una cámara manual que requiere que un humano entrecierre los ojos, adivine y haga clic manualmente en cada gota: un proceso lento y propenso a errores.

Presentamos LiDRoSIS.

Piensa en LiDRoSIS como un asistente robótico de dos partes, superinteligente, que realiza el trabajo pesado por los científicos. Está diseñado para encontrar, contar y medir automáticamente estas burbujas de grasa y señales de humo en células que han sido impactadas por la radiación.

Así es como funciona, dividido en pasos sencillos:

1. El "Ojo de Águila" (La parte de MATLAB)

La primera parte del robot es como un detective altamente entrenado con una lupa. Observa las fotos del microscopio y hace tres cosas principales:

• Encuentra la "Ayuntamiento": Primero, localiza el núcleo (el centro de control de la célula) para saber dónde termina una célula y comienza otra.
• Clasifica las burbujas de grasa: Utiliza filtros especiales para detectar las burbujas de grasa. Puede distinguir entre una burbuja brillante y definida y una burbuja borrosa y difusa. Incluso comprueba si las burbujas brillan en rojo, verde o ambos (lo que indica a los científicos el estado químico de la grasa).
• Rastrea el humo: Hace lo mismo con las "señales de humo" (ROS), distinguiendo entre chispas de humo nítidas y puntuales y una nube de humo general y brumosa.

En lugar de que un humano adivine, esta parte del software utiliza las matemáticas para decidir exactamente qué es una burbuja y qué es solo ruido de fondo. Luego, crea una lista ordenada de mediciones para cada una de las burbujas que encuentra.

2. El "Analista de Datos" (La parte de Python)

Una vez que el "Ojo de Águila" ha contado todo, pasa la lista al segundo componente del robot: el Analista de Datos.

• Imagina que la primera parte escribió números en una hoja de cálculo. El Analista de Datos toma esa hoja de cálculo e instantáneamente la convierte en tablas, gráficos y pruebas estadísticas.
• Responde preguntas como: "¿Aumentaron las burbujas de grasa cuando aumentó la dosis de radiación?" o "¿Es la señal de humo significativamente más fuerte en las células con nanopartículas de oro?".
• Lo hace de forma automática, de modo que el científico no tenga que procesar los números a mano.

¿Por qué es esto importante?

El artículo explica que, antes de esta herramienta, los científicos tenían que realizar este trabajo manualmente o utilizar herramientas que no eran del todo adecuadas para estas imágenes específicas y desordenadas.

• Es consistente: Si pasas la misma imagen por la herramienta diez veces, obtendrás la misma respuesta siempre. Se acabó el "error humano" o los ojos cansados.
• Es rápido: Puede procesar una carpeta entera de imágenes en el tiempo que un humano tarda en mirar solo una.
• Es abierto: El código es gratuito para que cualquiera lo use, lo observe y lo modifique, de forma muy similar a un libro de recetas de código abierto.

Los Resultados

Los autores probaron este robot en células de cáncer de pulmón y de mama que fueron tratadas con nanopartículas de oro y luego expuestas a la radiación.

• La herramienta contó con éxito las burbujas de grasa y midió las señales de humo.
• Demostró que, a medida que aumentaba la dosis de radiación, las células mostraban más "humo" (estrés oxidativo) y cambios en sus burbujas de grasa.
• Confirmó que la herramienta es lo suficientemente sensible como para detectar estos cambios sutiles, lo que ayuda a los científicos a comprender cómo la radiación y las nuevas aplicaciones médicas afectan a las células.

En resumen: LiDRoSIS es un conjunto de software gratuito y automatizado que actúa como un asistente incansable y superpreciso. Toma fotos desordenadas de microscopio de células estresadas, encuentra automáticamente las burbujas de grasa y las señales de humo, y las convierte en gráficos de datos claros y fiables, ayudando a los científicos a comprender cómo la radiación y los nuevos materiales médicos interactúan con nuestras células.

Resumen técnico

Resumen Técnico: LiDRoSIS

Planteamiento del Problema
La cuantificación de características subcelulares, específicamente de las gotas de lípidos (LDs) y las especies reactivas de oxígeno (ROS), en imágenes de microscopía de fluorescencia de células irradiadas sigue siendo un desafío significativo. Las plataformas de propósito general existentes como ImageJ, CellProfiler y 3D Slicer a menudo requieren intervención manual y carecen de un post-procesamiento estadístico integrado. Además, estas herramientas tienen dificultades con las complejidades específicas de la imagen radiobiológica, incluyendo la heterogeneidad de la iluminación, la variabilidad morfológica, la superposición de estructuras vesiculares y el ruido introducido por la dispersión inducida por nanopartículas y las señales citoplasmáticas difusas. Los métodos clásicos de umbralización frecuentemente fallan al capturar variaciones morfológicas sutiles y patrones de fluorescencia difusa inducidos por la radiación y la exposición a nanopartículas.

Metodología
LiDRoSIS (Sistema de Inferencia de Gotas de Lípidos y Especies Reactivas de Oxígeno) es una suite de software híbrida automatizada diseñada para servir de puente entre MATLAB para el procesamiento de imágenes y Python para el análisis estadístico. El sistema opera a través de un flujo de trabajo modular:

1. Núcleo de MATLAB (Segmentación y Cuantificación):

   • Preprocesamiento: Utiliza CLAHE (Ecualización de Histograma Adaptativa con Límite de Contraste) para la mejora del contraste y filtrado morfológico para la eliminación de ruido.
   • Segmentación de Núcleos: Extrae máscaras nucleares del canal DAPI (azul) mediante la umbralización de Otsu adaptativa para asegurar una asignación por célula biológicamente consistente.
   • Detección de LD: Emplea filtros de Diferencia de Gaussianos (DoG) y DoG Direccionable (SDOG) para identificar las gotas de lípidos en los canales rojo y verde (tinción de Nile Red). Clasifica las gotas por polaridad y calcula índices de colocalización. Se utiliza un enfoque de agrupamiento de intensidad K-means para detectar regiones lipídicas difusas de bajo contraste.
   • Detección de ROS: Identifica estructuras oxidativas tanto puntiformes como difusas (tinción de DCFH-DA) mediante la normalización de intensidad específica de cada canal y umbralización adaptativa.
   • Extracción de Características: Calcula parámetros morfométricos incluyendo área, intensidad media de fluorescencia, circularidad, excentricidad, solidez y perímetro para cada objeto, núcleo e imagen global.
   • Salida: Genera informes estructurados en Excel que contienen tres hojas: Métricas Globales, Métricas de Núcleo y Métricas de Objeto.

2. Compañero de Python (StatLysis™):

   • Importa las salidas de Excel y agrega las métricas según las condiciones experimentales (línea celular, tipo de nanopartícula, dosis de radiación).
   • Realiza análisis estadísticos que incluyen ANOVA, pruebas post-hoc y regresión lineal.
   • Genera visualizaciones (diagramas de caja, diagramas de violín, histogramas) y resúmenes de ajuste de modelos para un reporte reproducible.

El sistema está diseñado para usuarios sin experiencia en programación, ofreciendo una Interfaz Gráfica de Usuario (GUI) para el ajuste de parámetros y el procesamiento por lotes de carpetas de imágenes.

Contribuciones Clave

• Pipeline Especializado: A diferencia de las herramientas generales, LiDRoSIS está optimizado explícitamente para modelos celulares irradiados e imágenes de fluorescencia con estructuras vesiculares superpuestas, abordando los perfiles de ruido específicos de la radiobiología mejorada por nanopartículas.
• Arquitectura Híbrida: Combina la precisión del toolbox de procesamiento de imágenes de MATLAB con la flexibilidad estadística de las librerías de Python (pandas, scipy, statsmodels), asegurando un flujo de trabajo fluido desde la imagen bruta hasta la conclusión estadística.
• Reproducibilidad y Estandarización: La plataforma impone procesos de preprocesamiento y segmentación estandarizados, exportando datos estructurados y documentados por parámetros para facilitar las comparaciones entre experimentos.
• Accesibilidad: Opera en entornos estándar de MATLAB/Python sin requerir conocimientos profundos de aprendizaje profundo o conjuntos de datos de entrenamiento complejos.
• Marco de Código Abierto: Publicado bajo la Licencia MIT con código y documentación disponibles en GitHub, apoya la ciencia abierta y las aplicaciones educativas.

Resultos
La plataforma fue validada utilizando imágenes de microscopía de fluorescencia de células A549 (carcinoma pulmonar humano) y MCF7 tratadas con nanodiamantes recubiertos de oro (NDAuNPs) y expuestas a dosis de radiación de 0 Gy, 2 Gy y 10 Gy.

• Rendimiento de la Segmentación: El algoritmo aisló con éxito las estructuras vesiculares de las LD mientras excluía el fondo citoplasmático difuso y distinguió entre las señales de ROS localizadas y los patrones de difusión más amplios, superando la umbralización global convencional en estos contextos específicos.
• Hallazgos Cuantitativos: El análisis reveló un aumento dependiente de la dosis en el conteo de LD y en la intensidad de la fluorescencia en las células tratadas con AuNP e irradiadas. El GlobalMeanRatio_Red_Green mostró un aumento significativo con la dosis de radiación (ANOVA, p = 0.0011), indicando cambios en la polaridad de las LD.
• Validación Estadística: Los datos agregados confirmaron variaciones significativas en la intensidad de la fluorescencia (p < 0.05) entre los grupos de control e irradiados, validando la sensibilidad del sistema al estrés oxidativo inducido por la radiación.

Significancia
El artículo posiciona a LiDRoSIS como un marco robusto para la cuantificación reproducible de la dinámica de la fluorescencia subcelular, un componente crítico en la radiobiología, toxicología y nanomedicina. Su principal significancia radica en llenar el nicho de herramientas especializadas que manejan la compleja interacción entre nanopartículas y radiación ionizante sin depender de modelos de aprendizaje profundo de "caja negra". Al proporcionar un entorno abierto, transparente y controlado por parámetros, LiDRoSIS busca mejorar la reproducibilidad científica en la investigación de nanomedicina y sirve como una herramienta educativa para la enseñanza de la cuantificación basada en imágenes. Los autores señalan que, si bien la versión actual se centra en la fluorescencia 2D, el diseño modular permite futuras extensiones hacia el aprendizaje profundo, la segmentación 3D y otras modalidades de imagen.