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

LiDRoSIS è una piattaforma automatizzata MATLAB-Python che integra l'elaborazione delle immagini e l'analisi statistica per consentire la quantificazione riproducibile e ad alto rendimento di goccioline lipidiche e specie reattive dell'ossigeno in cellule irradiate trattate con nanoparticelle a base d'oro.

L'essenziale

Immagina una città frenetica (una cellula) sotto stress per una tempesta (radiazioni) e per alcuni strani materiali da costruzione lucidi e scintillanti (nanoparticelle d'oro) che fluttuano nell'aria. All'interno di questa città, ci sono due cose importanti che gli scienziati vogliono osservare: bolle di accumulo di grasso (Goccioline Lipidiche) e segnali di fumo (Specie Reattive dell'Ossigeno, o ROS).

Il problema è che osservare queste minuscole bolle e questi segnali di fumo al microscopio è come cercare di contare le gocce di pioggia durante un uragano mentre la telecamera trema. Le immagini sono disordinate, l'illuminazione è irregolare e le bolle spesso si sovrappongono o sembrano nuvole sfocate. Gli strumenti esistenti sono come una telecamera manuale che richiede a un essere umano di socchiudere gli occhi, indovinare e cliccare manualmente su ogni singola goccia: un processo lento e soggetto a errori.

Ecco LiDRoSIS.

Pensa a LiDRoSIS come a un assistente robotico super intelligente composto da due parti che svolge il lavoro pesante per gli scienziati. È costruito per trovare, contare e misurare automaticamente queste bolle di grasso e i segnali di fumo nelle cellule che sono state colpite dalla radiazione.

Ecco come funziona, suddiviso in semplici passaggi:

1. L' "Occhio di Aquila" (La parte MATLAB)

La prima parte del robot è come un detective altamente addestrato con una lente d'ingrandimento. Guarda le foto al microscopio e fa tre cose principali:

• Trova il "Municipio": Per prima cosa, individua il nucleo (il centro di controllo della cellula) per sapere dove finisce una cellula e ne inizia un'altra.
• Smista le Bolle di Grasso: Utilizza filtri speciali per individuare le bolle di grasso. Può distinguere tra una bolla luminosa e distinta e una sfocata e indistinta. Controlla persino se le bolle brillano di rosso, verde o entrambi (il che dice agli scienziati lo stato chimico del grasso).
• Traccia il Fumo: Fa la stessa cosa per i "segnali di fumo" (ROS), distinguendo tra scintille di fumo nitide e puntiformi e una nuvola di fumo generale e sfocata.

Invece di lasciare che un essere umano indovini, questa parte del software usa la matematica per decidere esattamente cos'è una bolla e cos'è solo rumore di fondo. Crea poi un elenco ordinato di misurazioni per ogni singola bolla trovata.

2. L' "Analista di Dati" (La parte Python)

Una volta che l' "Occhio di Aquila" ha contato tutto, passa l'elenco alla seconda parte del robot: l'Analista di Dati.

• Immagina che la prima parte abbia scritto dei numeri su un foglio di calcolo. L'Analista di Dati prende quel foglio di calcolo e lo trasforma istantaneamente in grafici, diagrammi e test statistici.
• Risponde a domande come: "Le bolle di grasso sono diventate più grandi quando la dose di radiazioni è aumentata?" o "Il segnale di fumo è significativamente più forte nelle cellule con nanoparticelle d'oro?".
• Lo fa automaticamente, in modo che lo scienziato non debba elaborare i numeri a mano.

Perché è una grande novità?

L'articolo spiega che, prima di questo strumento, gli scienziati dovevano svolgere questo lavoro manualmente o utilizzare strumenti che non erano del tutto adatti per queste immagini specifiche e disordinate.

• È Coerente: Se esegui lo stesso processo su un'immagine dieci volte, otterrai lo stesso risultato ogni volta. Niente più "errore umano" o occhi stanchi.
• È Veloce: Può elaborare un'intera cartella di immagini nel tempo in cui un essere umano guarda anche solo una singola immagine.
• È Aperto: Il codice è gratuito per chiunque voglia usarlo, guardarlo o modificarlo, proprio come un ricettario open-source.

I Risultati

Gli autori hanno testato questo robot su cellule di cancro al polmone e al seno che sono state trattate con nanoparticelle d'oro e poi esposte alle radiazioni.

• Lo strumento ha contato con successo le bolle di grasso e misurato i segnali di fumo.
• Ha dimostrato che, all'aumentare della dose di radiazioni, le cellule mostravano più "fumo" (stress ossidativo) e cambiamenti nelle loro bolle di grasso.
• Ha confermato che lo strumento è abbastanza sensibile da rilevare questi cambiamenti sottili, il che aiuta gli scienziati a capire come le radiazioni e le nanoparticelle interagiscono con le nostre cellule.

In breve: LiDRoSIS è una suite di software gratuita e automatizzata che agisce come un assistente instancabile e super accurato. Prende le foto disordinate al microscopio di cellule sotto stress, trova automaticamente le bolle di grasso e i segnali di fumo, e li trasforma in chiari e affidabili grafici di dati, aiutando gli scienziati a capire come le radiazioni e i nuovi materiali medici interagiscono con le nostre cellule.

Sommario tecnico

Sintesi Tecnica: LiDRoSIS

Definizione del Problema
La quantificazione delle caratteristiche subcellulari, specificamente dei droplet lipidici (LD) e delle specie reattive dell'ossigeno (ROS), nelle immagini di microscopia a fluorescenza di cellule irradiate rimane una sfida significativa. Le piattaforme esistenti a scopo generale come ImageJ, CellProfiler e 3D Slicer spesso richiedono un intervento manuale e mancano di un post-processing statistico integrato. Inoltre, questi strumenti faticano a gestire le specifiche complessità dell'imaging radiobiologico, tra cui l'eterogeneità dell'illuminazione, la variabilità morfologica, le strutture vescicolari sovrapposte e il rumore introdotto dallo scattering indotto da nanoparticelle e dai segnali citoplasmatici diffusi. I metodi classici di soglia spesso non riescono a catturare le sottili variazioni morfologiche e i pattern di fluorescenza diffusa indotti dalla radiazione e dall'esposizione a nanoparticelle.

Metodologia
LiDRoSIS (Lipid Droplet and Reactive Oxygen Species Inference System) è una suite software ibrida automatizzata progettata per fare da ponte tra MATLAB per l'elaborazione delle immagini e Python per l'analisi statistica. Il sistema opera attraverso una pipeline modulare:

1. Core MATLAB (Segmentazione e Quantificazione):

   • Pre-processing: Utilizza CLAHE (Contrast Limited Adaptive Histogram Equalization) per il miglioramento del contrasto e il filtraggio morfologico per la rimozione del rumore.
   • Segmentazione dei Nuclei: Estrae le maschere nucleari dal canale DAPI (blu) tramite soglia adattiva di Otsu per garantire un'assegnazione per cellula biologicamente coerente.
   • Rilevamento LD: Impiega filtri Difference of Gaussians (DoG) e Steerable DoG (SDOG) per identificare i droplet lipidici nei canali rosso e verde (colorazione Nile Red). Classifica i droplet per polarità e calcola gli indici di colocalizzazione. Un approccio di clustering dell'intensità K-means viene utilizzato per rilevare regioni lipidiche diffuse e a basso contrasto.
   • Rilevamento ROS: Identifica sia le strutture ossidative puntiformi che quelle diffuse (colorazione DCFH-DA) tramite normalizzazione dell'intensità specifica per canale e soglia adattiva.
   • Estrazione delle Caratteristiche: Calcola i parametri morfometrici inclusi area, intensità media di fluorescenza, circolarità, eccentricità, solidità e perimetro per ogni oggetto, nucleo e immagine globale.
   • Output: Genera report Excel strutturati contenenti tre fogli: Global Metrics, Nucleus Metrics e Object Metrics.

2. Companion Python (StatLysis™):

   • Importa gli output Excel e aggrega le metriche in base alle condizioni sperimentali (linea cellulare, tipo di nanoparticella, dose di radiazione).
   • Esegue analisi statistiche inclusi ANOVA, test post-hoc e regressione lineare.
   • Genera visualizzazioni (boxplot, violin plot, istogrammi) e riassunti del fit del modello per una reportistica riproducibile.

Il sistema è progettato per utenti senza competenze di programmazione, offrendo un'interfaccia grafica (GUI) per la regolazione dei parametri e l'elaborazione batch di cartelle di immagini.

Contributi Chiave

• Pipeline Specializzata: A differenza degli strumenti generali, LiDRoSIS è esplicitamente ottimizzato per modelli cellulari irradiati e microscopia a fluorescenza con strutture vescicolari sovrapposte, affrontando i profili di rumore specifici della radiobiologia potenziata da nanoparticelle.
• Architettura Ibrida: Combina la precisione del MATLAB Image Processing Toolbox con la flessibilità statistica delle librerie Python (pandas, scipy, statsmodels), garantendo un flusso di lavoro fluido dall'immagine grezza alla conclusione statistica.
• Riproducibilità e Standardizzazione: La piattaforma impone pipeline di pre-processing e segmentazione standardizzate, esportando dati strutturati e documentati nei parametri per facilitare i confronti tra diversi esperimenti.
• Accessibilità: Opera su ambienti standard MATLAB/Python senza richiedere competenze di deep learning o complessi dataset di addestramento.
• Framework Open-Source: Rilasciato sotto licenza MIT con codice e documentazione disponibili su GitHub, supporta la scienza aperta e le applicazioni educative in radiobiologia e nanomedicina.

Risultati
La piattaforma è stata validata utilizzando immagini di microscopia a fluorescenza di cellule A549 (carcinoma polmonare umano) e MCF7 trattate con nanodiamanti rivestiti d'oro (NDAuNPs) ed esposte a dosi di radiazioni di 0 Gy, 2 Gy e 10 Gy.

• Performance di Segmentazione: L'algoritmo ha isolato con successo le strutture vescicolari degli LD escludendo il background citoplasmatico diffuso e ha distinto tra i segnali ROS localizzati e i pattern di diffusione più ampi, superando la soglia globale convenzionale in questi contesti specifici.
• Risultati Quantitativi: L'analisi ha rivelato un aumento dose-dipendente del numero di LD e dell'intensità di fluorescenza nelle cellule irradiate e trattate con AuNP. Il parametro GlobalMeanRatio_Red_Green ha mostrato un aumento significativo con la dose di radiazioni (ANOVA, p = 0.0011), indicando cambiamenti nella polarità dei LD.
• Validazione Statistica: I dati aggregati hanno confermato variazioni significative nell'intensità di fluorescenza (p < 0.05) tra i gruppi di controllo e quelli irradiati, validando la sensibilità del sistema allo stress ossidativo indotto dalle radiazioni.

Significato
Il paper posiziona LiDRoSIS come un framework robusto per la quantificazione riproducibile della dinamica della fluorescenza subcellulare, un componente critico nella radiobiologia, tossicologia e nanomedicina. Il suo significato primario risiede nel colmare la nicchia per strumenti specializzati che gestiscono l'interazione complessa tra nanoparticelle e radiazioni ionizzanti senza fare affidamento su modelli di deep learning "black box". Fornendo un ambiente aperto, trasparente e controllato nei parametri, LiDRoSIS mira a migliorare la riproducibilità scientifica nella ricerca in nanomedicina e funge da strumento educativo per l'insegnamento della quantificazione basata sull'imaging. Gli autori osservano che, sebbene l'attuale versione si concentri sulla fluorescenza 2D, il design modulare consente estensioni future verso il deep learning, la segmentazione 3D e altre modalità di imaging.