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

O LiDRoSIS é uma plataforma automatizada de MATLAB-Python que integra processamento de imagem e análise estatística para permitir a quantificação reprodutível e de alto rendimento de gotículas lipídicas e espécies reativas de oxigênio em células irradiadas tratadas com nanopartículas à base de ouro.

O essencial

Imagine uma cidade movimentada (uma célula) sob o estresse de uma tempestade (radiação) e alguns materiais de construção estranhos e brilhantes (nanopartículas de ouro) flutuando por aí. Dentro desta cidade, há duas coisas importantes que os cientistas querem observar: bolhas de armazenamento de gordura (Gotículas Lipídicas) e sinais de fumaça (Espécies Reativas de Oxigênio, ou ROS).

O problema é que observar essas minúsculas bolhas e sinais de fumaça sob um microscópio é como tentar contar gotas de chuva em um furacão enquanto a câmera está tremendo. As imagens são bagunçadas, a iluminação é irregular e as bolhas frequentemente se sobrepõem ou parecem nuvens nebulosas. As ferramentas existentes são como uma câmera manual que exige que um humano aperte os olhos, adivinhe e clique manualmente em cada gota — um processo lento e propenso a erros.

Apresentamos o LiDRoSIS.

Pense no LiDRoSIS como um assistente robô superinteligente de duas partes que faz o trabalho pesado para os cientistas. Ele foi construído para encontrar, contar e medir automaticamente essas bolhas de gordura e sinais de fumaça em células que foram atingidas por radiação.

Veja como ele funciona, dividido em etapas simples:

1. O "Olho de Águia" (A parte do MATLAB)

A primeira parte do robô é como um detetive altamente treinado com uma lupa. Ele observa as fotos do microscópio e faz três coisas principais:

• Encontra a "Prefeitura": Primeiro, ele localiza o núcleo (o centro de controle da célula) para saber onde uma célula termina e outra começa.
• Classifica as Bolhas de Gordura: Ele usa filtros especiais para detectar as bolhas de gordura. Ele consegue distinguir entre uma bolha brilhante e distinta e uma bolha nebulosa e borrada. Ele até verifica se as bolhas estão brilhando em vermelho, verde ou ambos (o que diz aos cientistas sobre o estado químico da gordura).
• Rastreia a Fumaça: Ele faz o mesmo para os "sinais de fumaça" (ROS), distinguindo entre faíscas de fumaça nítidas e pontuais e uma nuvem de fumaça geral e difusa.

Em vez de um humano adivinhar, esta parte do software usa matemática para decidir exatamente o que é uma bolha e o que é apenas ruído de fundo. Ele então cria uma lista organizada de medições para cada bolha que encontra.

2. O "Analista de Dados" (A parte do Python)

Depois que o "Olho de Águia" contou tudo, ele passa a lista para a segunda parte do robô: o Analista de Dados.

• Imagine que a primeira parte escreveu números em uma planilha. O Analista de Dados pega essa planilha e instantaneamente a transforma em gráficos, tabelas e testes estatísticos.
• Ele responde a perguntas como: "As bolhas de gordura aumentaram de tamanho quando a dose de radiação subiu?" ou "O sinal de fumaça é significativamente mais forte nas células com nanopartículas de ouro?"
• Ele faz isso automaticamente, para que o cientista não precise fazer cálculos matemáticos manualmente.

Por que isso é importante?

O artigo explica que, antes desta ferramenta, os cientistas tinham que realizar este trabalho manualmente ou usar ferramentas que não eram quite para estas imagens específicas e bagunçadas.

• É Consistente: Se você passar a mesma imagem pela ferramenta dez vezes, obterá a mesma resposta todas as vezes. Chega de "erro humano" ou olhos cansados.
• É Rápido: Pode processar uma pasta inteira de imagens no tempo que um humano levaria para olhar apenas uma.
• É Aberto: O código é gratuito para qualquer pessoa usar, observar e ajustar, muito parecido com um livro de receitas de código aberto.

Os Resultados

Os autores testaram este robô em células de câncer de pulmão e de mama que foram tratadas com nanopartículas de ouro e depois expostas à radiação.

• A ferramenta contou com sucesso as bolhas de gordura e mediu os sinais de fumaça.
• Provou que, conforme a dose de radiação aumentava, as células mostravam mais "fumaça" (estresse oxidativo) e mudanças em suas bolhas de gordura.
• Confirmou que a ferramenta é sensível o suficiente para detectar essas mudanças sutis, o que ajuda os cientistas a entender como a radiação e as nanopartículas afetam as células.

Em resumo: O LiDRoSIS é um conjunto de software gratuito e automatizado que atua como um assistente incansável e superpreciso. Ele pega fotos de microscópio bagunçadas de células estressadas, encontra automaticamente as bolhas de gordura e os sinais de fumaça e os transforma em gráficos de dados claros e confiáveis, ajudando os cientistas a entender como a radiação e novos materiais médicos interagem com nossas células.

Resumo técnico

Resumo Técnico: LiDRoSIS

Definição do Problema
A quantificação de características subcelulares, especificamente gotículas lipídicas (LDs) e espécies reativas de oxigênio (ROS), em imagens de microscopia de fluorescência de células irradiadas, permanece um desafio significativo. As plataformas de uso geral existentes, como ImageJ, CellProfiler e 3D Slicer, frequentemente exigem intervenção manual e carecem de pós-processamento estatístico integrado. Além disso, essas ferramentas têm dificuldade com as complexidades específicas da imagem radiobiológica, incluindo heterogeneidade de iluminação, variabilidade morfológica, estruturas vesiculares sobrepostas e ruído introduzido pela dispersão induzida por nanopartículas e sinais citoplasmáticos difusos. Os métodos clássicos de limiarização (thresholding) frequentemente falham em capturar variações morfológicas sutis e padrões de fluorescência difusa induzidos por radiação e exposição a nanopartículas.

Metodologia
O LiDRoSIS (Lipid Droplet and Reactive Oxygen Species Inference System) é um conjunto de software híbrido automatizado, projetado para fazer a ponte entre o MATLAB para processamento de imagens e o Python para análise estatística. O sistema opera através de um pipeline modular:

1. Núcleo MATLAB (Segmentação e Quantificação):

   • Pré-processamento: Utiliza CLAHE (Equalização de Histograma Adaptativa com Limite de Contraste) para realce de contraste e filtragem morfológica para remoção de ruído.
   • Segmentação de Núcleos: Extrai máscaras nucleares do canal DAPI (azul) usando limiarização de Otsu adaptativa para garantir uma atribuição por célula biologicamente consistente.
   • Detecção de LD: Emprega filtros de Diferença de Gaussianas (DoG) e DoG Direcionável (SDOG) para identificar gotículas lipídicas nos canais vermelho e verde (coloração Nile Red). Classifica as gotículas por polaridade e calcula índices de colocalização. Uma abordagem de agrupamento de intensidade K-means é usada para detectar regiões lipídicas difusas e de baixo contraste.
   • Detecção de ROS: Identifica estruturas oxidativas tanto puntiformes quanto difusas (coloração DCFH-DA) via normalização de intensidade específica de canal e limiarização adaptativa.
   • Extração de Características: Calcula parâmetros morfométricos, incluindo área, intensidade média de fluorescência, circularidade, excentricidade, solidez e perímetro para cada objeto, núcleo e imagem global.
   • Saída: Gera relatórios estruturados em Excel contendo três planilhas: Métricas Globais, Métricas de Núcleo e Métricas de Objeto.

2. Companheiro Python (StatLysis™):

   • Importa as saídas do Excel e agrega métricas baseadas em condições experimentais (linhagem celular, tipo de nanopartícula, dose de radiação).
   • Realiza análises estatísticas, incluindo ANOVA, testes post-hoc e regressão linear.
   • Gera visualizações (gráficos de caixa, gráficos de violino, histogramas) e resumos de ajuste de modelo para relatórios reproduzíveis.

O sistema é projetado para usuários sem conhecimento de programação, oferecendo uma Interface Gráfica de Usuário (GUI) para ajuste de parâmetros e processamento em lote de pastas de imagens.

Principais Contribuições

• Pipeline Especializado: Ao contrário das ferramentas gerais, o LiDRoSIS é explicitamente otimizado para modelos celulares irradiados e microscopia de fluorescência com estruturas vesiculares sobrepostas, abordando os perfis de ruído específicos da radiobiologia aprimorada por nanopartículas.
• Arquitetura Híbrida: Combina a precisão da caixa de ferramentas de processamento de imagens do MATLAB com a flexibilidade estatística das bibliotecas Python (pandas, scipy, statsmodels), garantindo um fluxo de trabalho contínuo da imagem bruta até a conclusão estatística.
• Reproduzibilidade e Padronização: A plataforma impõe pipelines de pré-processamento e segmentação padronizados, exportando dados estruturados e documentados por parâmetros para facilitar comparações entre experimentos.
• Acessibilidade: Opera em ambientes padrão de MATLAB/Python sem exigir expertise em deep learning ou conjuntos de dados de treinamento complexos.
• Estrutura de Código Aberto: Lançado sob a Licença MIT com código e documentação disponíveis no GitHub, apoia a ciência aberta e aplicações educacionais em radiobiologia e nanomedicina.

Resultos
A plataforma foi validada utilizando imagens de microscopia de fluorescência de células A549 (carcinoma pulmonar humano) e MCF7 tratadas com nanodiamantes revestidos com ouro (NDAuNPs) e expostas a doses de radiação de 0 Gy, 2 Gy e 10 Gy.

• Desempenho de Segmentação: O algoritmo isolou com sucesso as estruturas vesiculares de LD enquanto excluía o fundo citoplasmático difuso e distinguiu entre sinais de ROS localizados e padrões de difusão mais amplos, superando a limiarização global convencional nestes contextos específicos.
• Achados Quantitativos: A análise revelou um aumento dependente da dose na contagem de LD e na intensidade de fluorescência em células tratadas com AuNP e irradiadas. O GlobalMeanRatio_Red_Green mostrou um aumento significativo com a dose de radiação (ANOVA, p = 0,0011), indicando mudanças na polaridade das LDs.
• Validação Estatística: Os dados agregados confirmaram variações significativas na intensidade de fluorescência (p < 0,05) entre os grupos controle e irradiados, validando a sensibilidade do sistema ao estresse oxidativo induzido pela radiação.

Significância
O artigo posiciona o LiDRoSIS como um framework robusto para a quantificação reprodutível da dinâmica de fluorescência subcelular, um componente crítico na radiobiologia, toxicologia e nanomedicina. Sua principal significância reside em preencher o nicho de ferramentas especializadas que lidam com a interação complexa de nanopartículas e radiação ionizante sem depender de modelos de "caixa preta" de deep learning. Ao fornecer um ambiente aberto, transparente e controlado por parâmetros, o LiDRoSIS visa aumentar a reprodutibilidade científica na pesquisa em nanomedicina e serve como uma ferramenta educacional para o ensino de quantificação baseada em imagens. Os autores observam que, embora a versão atual se concentre em fluorescência 2D, o design modular permite extensões futuras para deep learning, segmentação 3D e outras modalidades de imagem.