Графический узор по клеточкам для 1 класса: Графические диктанты 1 класс

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Изображения с флуоресцентного микроскопа могут предоставить важную информацию о субклеточном расположении белков, а автоматизированные системы могут быть использованы для отнесения этих белков к основным субклеточным классам расположения с точностью, равной или превышающей точность аннотаторов человека [1, 2]. Однако назначить белкам аннотации с более высоким разрешением сложнее, особенно для точечных или везикулярных паттернов. Точечные паттерны субклеточной локализации могут возникать либо из мембраносвязанных органелл (например,g., транспортные везикулы) или из макромолекулярных комплексов достаточного размера (например, рибонуклеопротеидные (РНП) тельца), и они могут быть очень похожими визуально. Мы называем отдельные компоненты этих паттернов в совокупности пунктами, чтобы охватить оба типа структур. Они важны для различных клеточных задач, таких как эндоцитоз, экзоцитоз и привлечение, хранение или деградация РНК. Решающим фактором для выполнения многих из этих задач является ассоциация везикул или тел с компонентами цитоскелета, такими как микротрубочки для внутриклеточного транспорта.Хотя микротрубочки не нужны для транспорта на короткие расстояния, они необходимы для быстрого транспорта везикул [3]. Степень, в которой распределения конкретных точек связаны с распределением микротрубочек, остается неясной, как и степень, в которой распределения варьируются в разных клеточных линиях.

Нашему пониманию клеточного поведения и источников клеточной изменчивости можно значительно помочь и проверить с помощью клеточного моделирования и симуляций [4–6]. Для этого нам нужен механизм, позволяющий фиксировать пространственно-временное поведение клеточных субструктур, как в качестве отправной точки для моделирования, так и для сравнения с результатами.С этой целью мы ранее описывали системы для построения генерирующих моделей на основе изображений, 2D или 3D распределения либо точечных органелл [7, 8], либо микротрубочек [9] внутри клеток. Эти модели условны (зависят) от моделей клеточных и ядерных мембран, но они независимы друг от друга; то есть они не принимают во внимание отношения между пунктами и микротрубочками.

Здесь мы описываем новый вычислительный метод, который позволяет нам моделировать эту взаимосвязь.Наш метод требует изображений, на которых визуализируются как точечные белки, так и микротрубочки. Атлас белков человека (HPA, http://proteinatlas.org) — богатый источник таких изображений, содержащий изображения с высоким разрешением паттернов внутриклеточного расположения тысяч белков в нескольких линиях клеток [10]. Чтобы проанализировать паттерны точечных белков в HPA, мы разработали генеративную модель, состоящую из компактных и интерпретируемых функций, чтобы охарактеризовать популяцию точечных точек внутри клетки, включая измерения ассоциации микротрубочек, взаимосвязи с геометрией клетки, плотностью, интенсивностью и внешним видом.Мы использовали особенности этих моделей, чтобы обнаружить основные способы вариации среди точечных паттернов и отнести подклассы точечных паттернов к неаннотированным белкам.

Результаты

Зависимость расположения белкового паттерна на микротрубочках

Мы начали с создания конвейера обработки изображений, который идентифицировал отдельные точки и микротрубочки на двухмерных изображениях конфокальной микроскопии с HPA. Как показано на рис. 1A, входное изображение (рис. 1C) обрабатывается для создания изображений точек и микротрубочек (показано как композит на рис. 1D) и оставшейся фоновой флуоресценции белка (рис. 1E).Одной из наших основных целей было создание модели распределения точек, которая отражает их связь с микротрубочками. Это, по-видимому, могло бы отражать степень, в которой точки были связаны с микротрубочками для осуществления транспорта или удержания в определенных областях клетки. В качестве простой меры этой ассоциации мы вычислили расстояние ( d ) между каждой точкой и ближайшей микротрубочкой (Рис. 1B). Мы ожидаем, что точки, которые связаны с микротрубочками, будут иметь небольшое расстояние по сравнению с теми, которые не связаны, и, возможно, также, что распределение расстояний будет отражать степень, в которой высвобожденные пузырьки диффундируют, прежде чем снова связываться.Мы добавили эту меру к нашей предыдущей модели распределения везикулярных объектов [8], которая включала зависимость от дробного расстояния между ядром и плазматической мембраной ( r , вычисленное из L1 и L2) и угла (α) к большой оси ячейка (см. Методы). Мы также создали модель для интенсивности фона, которая аналогичным образом зависела от микротрубочек и формы клеток (см. Методы). Мы объединили оценочные параметры этих моделей с пятью параметрами, которые описывают размер и форму точек, и двумя параметрами, которые измеряют количество флуоресценции в точках и фоне.В результате были получены двадцать два параметра (таблица S1), которые можно легко определить по каждому изображению субклеточного распределения белка в отдельной клетке. Мы использовали эти параметры как в качестве признаков для описания паттернов белков, так и, позже, для построения генеративных моделей паттернов точек.

Рис. 1.

(a) Краткое описание процесса обучения модели и классификации. (b) Иллюстрация системы координат для функции плотности вероятности. Для каждого пикселя изображения вычисляется расстояние между ним и ближайшей точкой на ядерной мембране (L1) и между ним и ближайшей точкой на клеточной мембране (L2), которые используются для вычисления радиального положения ( r ) как L1 / (L1 + L2).Кроме того, вычисляются расстояние до ближайшей точки на сегментированной микротрубочке ( d ) и угол между пикселем и большой осью клетки (α). (c) Двухцветное изображение везикулярного белка (TFRC, рецептор трансферрина, зеленый) и микротрубочек (красный) в клетке U-2OS. (d) Сегментированное изображение микротрубочек (красный) и точки (зеленый). (e) Оставшаяся интенсивность фона.

https://doi.org/10.1371/journal.pcbi.1004614.g001

Идентификация точечных подшаблонов и основных модификаций

Ряду белков в HPA присвоены аннотации «везикул» или «цитоплазмы».Мы рассмотрели, можем ли мы использовать изображения HPA, чтобы отнести эти белки к более конкретной органелле или структуре. Изучив аннотации UniProt и основную литературу для белков, субклеточное расположение которых было достаточно хорошо охарактеризовано, мы выбрали одиннадцать белков, которые присутствуют в одиннадцати конкретных типах точечных паттернов (таблица 1) (мы называем эти белки «основателями», поскольку они позволили нам для определения конкретных подтипов). Мы выбрали эти паттерны из-за того, что белки показали схожий паттерн для всех трех типов клеток в HPA, и они представляют широкий спектр мембранных и немембранно связанных компартментов (хотя, конечно, есть дополнительные паттерны точечных точек, для которых мы сделали не нашел подходящих учредителей).В частности, они охватывают все основные отделы эндомембранной системы. Мы рассчитали значения признаков для всех клеток для каждой комбинации одиннадцати белков и трех клеточных линий. Мы подтвердили, что характеристики точно отражают взаимосвязь между пузырьками и микротрубочками, сравнив совокупное распределение экспериментально измеренного расстояния между точками и микротрубочками с рассчитанным по модели; распределения были очень похожи для всех одиннадцати паттернов (S1 Рис).Затем мы спросили, можно ли отличить эти шаблоны друг от друга на изображениях HPA. Чтобы обеспечить визуальную основу для иллюстрации того, как белки различаются по характеристикам, мы вычислили первые три основных компонента. Фиг. 2 показывает положение каждой комбинации антитело-клеточная линия в двух проекциях этого трехмерного пространства, а также репрезентативные изображения вдоль каждой главной оси. Для данной клеточной линии одиннадцать паттернов можно приблизительно разделить, хотя положение данного белка иногда варьируется от клеточной линии к клеточной линии.Например, белки 2, 3, 6 и 7 расположены близко друг к другу в pc1 и pc2, но разделены pc3. Из рассмотрения проекции каждого числового признака на три наиболее важные оси главных компонентов, а также примеров изображений, кажется, что первый компонент в первую очередь представляет собой вариации признаков 12, 13 и 5, которые фиксируют взаимосвязь с микротрубочками и вариации в интенсивность. Второй в первую очередь представляет собой изменение характеристик 21, 22, 2 и 8, которые фиксируют интенсивность и расстояние от ядра, в то время как третий главный компонент представляет изменение характеристик 1, 3 и 4, которые фиксируют размер точек и изменение размера.Этот рисунок не позволяет точно оценить перекрытие между образцами, но представлен, чтобы дать визуальный обзор основных режимов изменения с образцами.

Рис. 2. Распределение клеток комбинаций белков и клеточных линий в первых трех основных компонентах, полученных из всего пространства признаков с помощью PCA.

Число для каждой точки указывает индекс белка, а цвет указывает линию клеток (красный для A-431, зеленый для U-2OS и синий для U-251MG).Серые эллипсы представляют диапазон 1,5 стандартных отклонений, которые содержат от 50% до 80% ячеек. Стрелки суммируют состав каждого основного компонента, показывая направление, в котором каждая функция увеличивается (список функций см. В таблице S1). На левой панели показаны первый и второй основные компоненты, а на правой панели показаны второй и третий основные компоненты. Проекции объектов с магнитудой менее 0,1 были удалены для целей визуализации.

https: // doi.org / 10.1371 / journal.pcbi.1004614.g002

Построение классификатора для подшаблонов пунктиров

Эти результаты предполагают, что набор признаков может быть надежной основой для измерения вариации паттернов точечных точек, и поэтому мы стремились определить, можем ли мы использовать их для предсказания компартментальной локализации других белков в одном из одиннадцати паттернов. Чтобы сделать это, мы сначала использовали функции для построения статистики разделимости, полученной на основе точности классификации, для сравнения двух наборов ячеек (см. Методы) и оценили степень, в которой можно было различить одиннадцать шаблонов.Мы использовали подход к классификации, основанный на частоте ошибок Байеса, чтобы избежать проблем с дисбалансом между количеством белков в каждом классе и учесть классовые различия в масштабе для различных функций (см. Методы).

Для каждого типа ячеек отдельно мы классифицировали каждое изображение как принадлежащее к одному из одиннадцати шаблонов, используя перекрестную проверку удерживаемых изображений: для каждого удерживаемого изображения мы вычислили разделимость между ячейками, содержащимися в этом изображении, и ячейками каждый из паттернов-основателей.Изображение получило ярлык узора, который был наименее отделен от него. Используя этот метод для каждого типа ячеек, мы достигли средней точности класса 86,9% (Таблица 2). Мы сравнили эти результаты с теми, которые использовали ту же процедуру классификации, но исключили особенности, относящиеся к распределению микротрубочек, что привело к средней точности 82,8%. Это демонстрирует, что связь с микротрубочками предоставляет информацию, которая улучшает нашу способность различать точечные узоры. Дальнейшее изучение таблицы 2 показывает, что рисунок ямок с покрытием является единственным, который постоянно трудно различить.Частично это может быть связано с тем, что использовались двухмерные конфокальные изображения, и, таким образом, особенности не могут легко различить, находятся ли точки на поверхности или внутри клетки (для другого рисунка точек поверхности, кавеол, их распределение или размер должны позволять отличаться).

Таблица 2. Способность различать 11 классов пунктуации.

Классификаторы были обучены с использованием 5-кратной перекрестной проверки, и был предсказан класс удерживаемого изображения. Результаты показаны для классификаторов, построенных с использованием всех функций, а значения в скобках предназначены для обучения без функций микротрубочек.

https://doi.org/10.1371/journal.pcbi.1004614.t002

Аннотации других точечных белков

Затем мы спросили, можно ли использовать классификационный подход, чтобы назначить точечную аннотацию подшаблона к изображению белков, отличных от основателей. Мы не хотели просто назначать субклеточное расположение класса, с которым белок был наиболее похож (поскольку белок на самом деле может не принадлежать ни к одному из наших классов), но хотели убедиться, что мы назначаем аннотации только для белков с высокой степенью сходства с одним из основателей.Для каждого типа клеток мы определили порог статистики отделимости, который можно использовать для определения того, следует ли отнести новый белок к определенному классу. Этот порог был определен как оптимальная точка кривой рабочих характеристик приемника (см. «Методы» и фиг. S2) для каждого типа ячеек.

Чтобы назначить субклеточное местоположение новому изображению, мы измерили отделимость между ним и каждым паттерном основателя. Если значение для одного из шаблонов было ниже порога, мы назначали соответствующую метку шаблона этому изображению.В том редком случае, когда изображение ниже порогового значения нескольких шаблонов, мы присвоили ему ярлык «неоднозначный». Эта процедура классификации была применена к остальным изображениям в наборе данных HPA; результаты содержатся в наборе данных S1. Сто двадцать пять белков были идентифицированы как принадлежащие к одному из одиннадцати классов в A-431, 60 в U-2OS и 365 в U-251 MG. Список наиболее достоверных назначений показан в таблице 3. С целью предоставления улучшенных аннотаций для баз данных белков мы также создали XML-файл, который можно использовать для обновления этих баз данных.Файл (S2 Dataset) содержит информацию об идентификаторах антител против HPA, генах-мишенях и предлагаемую аннотацию. Из-за природы иммунофлуоресцентного мечения метка, специфичная для последовательности, может присутствовать более чем на одной изоформе белка, каждая из которых может демонстрировать специфический для состояния паттерн локализации. Имея это в виду, мы также сообщаем об известных белковых генных продуктах, предоставленных ENSEMBL 79, и о проценте совпадающих пептидов после выравнивания между последовательностями генного продукта и антигена в области, охватываемой антителом.Мы также предоставляем аннотации ко всем изоформам белков, которые соответствуют последовательности антител. Для тех белков и изоформ, которым присвоено местоположение с высокой степенью достоверности, мы также предоставляем XML-файл для обновления их записи UniProt (S3 Dataset).

Таблица 3. Белки с наивысшим рейтингом, отнесенные к одному из десяти субпаттернов с высокой степенью достоверности.

Верхний белок для каждого типа клеток для каждого субпаттерна (кроме Coated Pits) включается, если его разделимость составляет менее 0,70 (что более избирательно, чем порог, определенный на S2 рис.).Меры разделимости для всех белков включены в набор данных S1.

https://doi.org/10.1371/journal.pcbi.1004614.t003

Для независимой оценки точности процедуры аннотации мы провели поиск литературы, описывающей локализацию наиболее достоверных аннотаций. Нам удалось найти литературу, подтверждающую предложенную нами маркировку для многих белков (хотя они часто анализировались только на других типах клеток). Например, из наиболее успешных для клеток A-431, BRD4, как предполагается, участвует в протолитическом пути лизосом [11].Для U-2OS RAB5C является классическим ранним эндосомным белком [12], а prohibitin (PHB) — многофункциональным мембранным белком [13], одна из ролей которого заключается в регуляции деградации PAR1 [14]. Для клеток U-251MG наиболее популярными являются катепсин H (CTSH), лизосомальный фермент, DTX3L, который регулирует эндосомный сортировку [15], и LY6K, который, как и другие антигены Ly6, связан с гликозилфосфатидилинозитол-заякоренными гликопротеинами (такими как как TEX101 [16]), которые обычно встречаются у кавеол. Эти результаты увеличивают нашу уверенность в предлагаемых аннотациях.

Многие из проанализированных белков (которые были белками с аннотациями «везикулы» или «цитоплазма») не были с высокой степенью достоверности отнесены ни к одному из 11 паттернов. Для этого есть как минимум три возможных причины. Во-первых, окрашивание может иметь достаточно низкую интенсивность или качество, так что передний план не может быть адекватно идентифицирован. Во-вторых, неназначенные белки могут быть цитоплазматическими белками без различимого точечного рисунка или везикулярными белками из органелл, которые мы не рассматривали.В-третьих, они могут присутствовать более чем в одном из одиннадцати шаблонов, так что их шаблон недостаточно хорошо соответствует ни одному из них.

Сравнение моделей на разные выкройки

Наши модели позволяют нам задаться вопросом, различаются ли разные подклассы точечных по своему отношению к микротрубочкам. Мы выполнили простую характеристику этой связи, вычислив среднее фактическое расстояние каждой точки от микротрубочек, а также среднее расстояние от микротрубочек, предсказанное нашей подобранной моделью.S3 Фиг. Показывает сравнение этих двух расстояний для каждого шаблона по всем типам ячеек и для каждой комбинации шаблона и типа ячейки. Доверительный интервал среднего расстояния от микротрубочек определяли методом Тьюки-Крамера после двухфакторного дисперсионного анализа [17] (по белкам и типам клеток). Все символы расположены довольно близко к диагонали, что указывает на то, что модель хорошо согласуется с измерениями. При усреднении по всем трем типам клеток ретромеры, рециклирующие эндосомы и ранние эндосомы показывают наиболее тесную ассоциацию с микротрубочками, а тельца RNP, везикулы COPI и покрытые ямки показывают наименьшую.Когда каждая комбинация белка и типа клеток рассматривается отдельно, мы видим большую вариабельность расстояний (возможно, из-за различий в белках, связывающих микротрубочки, размере или форме клеток). COPII, лизосомы и COPI демонстрируют наименьшие различия между тремя типами клеток, а покрытые ямки и рециркулирующие эндосомы — наибольшие.

Еще один способ сравнения различных паттернов — это изучение различий в функциях моделей между ними. Простая визуализация этого показана на рис. 3, на котором для каждого шаблона показаны относительные значения каждой функции.В U-2OS, например, первые четыре характеристики (относящиеся к размеру и интенсивности) четко различают группу тел RNP, поздних эндосом, рециркулирующих эндосом, лизосом и COPII от других, а также высокое значение для mx5 (количество точек ) отделяет тела RNP от этой группы. Могут быть идентифицированы и другие отличительные признаки или комбинации признаков, такие как ретромеры, имеющие наименьшее значение для mx12 (что согласуется с их тесной ассоциацией с микротрубочками). Эти различия обеспечивают интерпретируемое обоснование способности классификаторов различать закономерности.

Рис 3. Сравнение характеристик моделей для разных лекал.

Значения для каждого объекта были оценены по z-шкале, чтобы сопоставить их по одной шкале между объектами, а среднее значение для каждого объекта показано как функция номера объекта (определения функций см. В таблице S1).

https://doi.org/10.1371/journal.pcbi.1004614.g003

Генеративная модель распределения точечных белков

Трудный вопрос, который часто вызывает споры, заключается в том, как лучше всего описать субклеточный паттерн данной органеллы или структуры (особенно новой).Описания, использующие неструктурированный текст или термины геномной онтологии, откладывают вопрос, предполагая, что слов будет достаточно, чтобы читатель мог мысленно построить шаблон. Альтернативный вариант — показать пример изображения, но это не дает представления об изменении в шаблоне (можно найти различия между любыми двумя примерами изображений, но это не касается того, являются ли эти различия статистически значимыми). К сожалению, эти два метода передачи информации о распределении и вариации белкового паттерна не обеспечивают количественного или, тем более, вероятностного или статистического представления наблюдаемого паттерна.В качестве альтернативы можно указать значения для описательного вектора признаков или матрицы для каждого шаблона (который может использоваться для классификатора), но это позволяет только распознавать новые примеры, но не создавать пример шаблона. Векторы признаков также не обязательно позволяют создать явную модель взаимосвязи между компонентами ячеек. Конечно, ни один из вышеперечисленных подходов не полезен, если нам нужно in silico представление геометрии клетки и выраженных паттернов (т.е.потребителем представления является компьютер, а не клеточный биолог).Например, информация о субклеточных паттернах необходима для точного математического моделирования клеточной биохимии и поведения [4–6]. В качестве решения мы ввели построение генеративных моделей клеточной организации непосредственно из изображений [7, 8, 18–20]. Эти модели предназначены для улавливания основных свойств определенного шаблона; в статистических терминах, чтобы зафиксировать распределение, из которого взяты все примеры этого шаблона. Такую модель можно использовать для синтеза новых изображений клеток из этого распределения.

Таким образом, мы построили генеративную модель точечных паттернов, структура которых показана на рис. 4. Модель начинается с моделей ядер и формы клеток (d _n , d _c ) и распределения микротрубочек (d _m ) и связей. их к моделям распределения точек с использованием mx7 через mx11, чтобы уловить зависимость от формы клетки и mx12 и mx13, чтобы уловить зависимость от микротрубочек (см. Методы). Кроме того, размер, форма и интенсивность везикул моделируются независимо от формы клеток и микротрубочек с mx1 по mx6.Фоновая интенсивность моделируется аналогичным образом в зависимости от формы клеток и микротрубочек (от mx14 до 20) и масштабируется, чтобы соответствовать доле интенсивности с mx21 и mx22. Мы проиллюстрировали, что изображения, сгенерированные из моделей, изученных для каждого из классов шаблонов, аналогичны реальным изображениям на Рис. 5 и S4 Рис.

Рис. 4. Графическое представление байесовской иерархической структуры генеративной модели точки, обусловленной геометрией клетки и микротрубочками.

Форма ядра берется из d _n , форма клетки берется из d _c , в зависимости от формы ядра [8].Паттерн микротрубочек синтезируется из d _m в зависимости от сформированной клетки и формы ядра [9]. Распределение формы и положения точек, d _p , моделируется с помощью компонентов p _p , которые моделируют положение точек в зависимости от структуры клетки, ядра и микротрубочек, и n _p , s _p и i _p , которые независимо моделируют количество, размер и интенсивность точек. Фоновый узор аналогичным образом создается в зависимости от структуры клетки, ядра и микротрубочек с помощью p _b , а его интенсивность определяется с помощью i _b .

https://doi.org/10.1371/journal.pcbi.1004614.g004

Рис. 5. Репрезентативные изображения из четырех шаблонов и соответствующие синтезированные изображения в ячейках U-2OS.

В левом столбце показаны изображения клеток, наиболее близкие к медиане пространства параметров для клеток этого паттерна, а в правом столбце показаны синтезированные клетки из генеративной модели протеинового паттерна в зависимости от геометрии клетки и микротрубочек левой панели. Зеленый, красный и синий каналы представляют точки, микротрубочки и ядра соответственно.

https://doi.org/10.1371/journal.pcbi.1004614.g005

Предполагая, что распределения одиннадцати точечных паттернов независимы друг от друга, мы можем объединить модели и синтезировать ячейки, содержащие все одиннадцать. На рис. 6 показан пример «типичной» ячейки при этом предположении (с использованием средних значений всех параметров модели).

Рис. 6. Изображение синтетической ячейки, содержащее одиннадцать точечных рисунков.

Синтетические распределения для всех паттернов были независимо созданы в одной и той же ячейке; это предполагает, что позиции точек не влияют друг на друга (например,g., что пероксисомы не более или менее вероятно находятся рядом с тельцами RNP). Ядро показано темно-серым цветом, а микротрубочки — светло-серым. Цвета узоров такие же, как на рис. 3.

https://doi.org/10.1371/journal.pcbi.1004614.g006

Обсуждение

С развитием систем для флуоресцентной маркировки и получения изображений тысяч паттернов субклеточных белков возникла потребность в автоматизированных методах анализа и моделирования паттернов на этих изображениях [21].Цели такого анализа включают, но не ограничиваются этим, определение органелл, в которых локализуются различные белки, и изучение статистической зависимости между различными белками. Однако предыдущие методы не смогли распознать субпаттерны основных типов органелл. Более того, необходимы методы для описания взаимоотношений между клеточными компонентами таким образом, который не только может быть интерпретирован человеком, но и позволяет нам генерировать новые примеры этих паттернов для будущего использования при моделировании клеток [22].

Здесь мы описали новую основу для построения моделей субклеточных паттернов точечных точек в зависимости от геометрии клетки и микротрубочек. Эти модели используют интерпретируемые особенности, которые фиксируют определенные способы, которыми субпаттерны пунктиров различаются между типами клеток (например, различия, отмеченные в начале результатов), и могут генерировать синтетические экземпляры клеток, представляющие моделируемую популяцию. Мы продемонстрировали ценность этой структуры, изучая модели непосредственно из изображений одиннадцати хорошо охарактеризованных паттернов точечных белков в трех типах клеток.Мы показали, что основная вариация этих паттернов соответствовала зависимости от микротрубочек, общей интенсивности, а также размера и формы точек. Учитывая параметры модели, мы построили конвейер, демонстрирующий как высокую способность этой модели различать паттерны одного и того же типа клеток, так и способность автоматически назначать аннотации 550 белкам (многие из которых ранее были плохо охарактеризованы в отношении субклеточного расположения).

Скрининг и анализ с высоким содержанием становятся все более частыми, включая тонкий анализ изменений местоположения, вызванных химическими соединениями или ингибирующими РНК, и анализ паттернов в масштабе протеома.Описанные нами особенности должны быть полезны для улучшения способности различать различные везикулярные и точечные паттерны и, что наиболее важно, для обеспечения интерпретируемой и переносимой основы для их сравнения.

Работа, представленная здесь, представляет собой важный шаг на пути к объединению детальных моделей, полученных из больших коллекций изображений белков, содержащихся в дискретных объектах, с моделями роста сети микротрубочек, изученными с помощью обратного моделирования [9, 18]. Он служит важным компонентом нашего проекта CellOrganizer (http: // cellorganizer.org /) [20], целью которого является получение подробной модели пространственной организации и взаимоотношений между различными паттернами субклеточного местоположения. Мы планируем расширить эту работу, объединив ее с моделями динамики субклеточного паттерна, а также расширить модель, чтобы уловить дальнейшую зависимость между компонентами. Есть надежда, что подобные подходы позволят создавать модели, которые фиксируют основные характеристики клеточного поведения, не требуя одновременного измерения тысяч различных белков в одной и той же живой клетке, что невозможно при современных технологиях.

Материалы и методы

Коллекции изображений

В качестве данных использовались изображения конфокальной иммунофлуоресцентной микроскопии фиксированных клеток из линий клеток A-431, U-2OS и U-251MG из HPA [10]. Были выбраны все антитела, субклеточный паттерн которых был аннотирован как «везикулы» или «цитоплазма» (всего 2357, 3038 и 1730 белков для каждой линии; S1 Dataset содержит полный список проанализированных белков). Изображения были проанализированы как 8-битные изображения TIFF с тремя каналами, каждый из которых был получен с использованием различной длины волны излучения флуоресценции из одного поля изображения.Три канала показывают расположение определенного точечного белка, ядерной окраски и микротрубочек. Каждое из изображений имеет размер 1728 × 1728 пикселей, а размер пикселя соответствует 0,08 мкм в плоскости образца. Белки-основатели для одиннадцати паттернов были выбраны, как описано в результатах. После сегментирования полей изображений для этих белков на отдельные участки клеток с использованием метода засеянных водоразделов [2] было обнаружено, что набор изображений основателей содержит 1099 клеток, 333 из A-431, 327 из U-2OS и 439 из U-251MG. (количество клеток для каждой из 33 комбинаций антител и клеточной линии варьировалось от 12 до 85).

Параметризация микротрубочек и точек

На изображениях клеток из-за вариаций интенсивности флуоресценции в цитоплазме сегментация точек и микротрубочек из изображений паттернов белков представляет собой сложную проблему, когда глобальные пороговые методы могут превышать пороговые области цитоплазмы, содержащие структуры низкой интенсивности. Изображение входной ячейки было уменьшено за счет размытия с помощью фильтра Гаусса со стандартным отклонением 0,75. Мы изолировали изображения с интенсивностью переднего плана с высокой пространственной частотой и изображения с низкой интенсивностью фона с низкой пространственной частотой путем фильтрации нижних частот сглаженного изображения с помощью гауссовского фильтра со стандартным отклонением в 4 пикселя и вычли это фоновое изображение из сглаженного изображения, в результате чего получилось изображение с высоким разрешением. частотный сигнал переднего плана (т.е. точка). Пиксели с отрицательными значениями сигнала переднего плана были удалены, а изображение переднего плана было вычтено из первого сглаженного изображения, чтобы получить фоновое изображение (оба из которых суммируются с общей интенсивностью изображения). Чтобы увеличить скорость, с которой модель смеси Гаусса может быть помещена на изображение переднего плана, мы исключили все пиксели ниже порога Ридлера-Кальварда [23] и все однопиксельные объекты. Мы использовали скелетонизированный сигнал переднего плана изображения микротрубочек для моделирования расстояний от объектов до микротрубочек.Этот подход привел к разумному определению как точек, так и микротрубочек и был достаточным, чтобы уловить вариации паттернов основателя, проанализированных в этой статье.

Расчет расстояния между каждой точкой и ближайшей микротрубочкой

Центроиды всех точек были вычислены путем подбора смеси гауссиан, чтобы различать перекрывающиеся точки [7]. Расстояние между центроидом каждой точки и ближайшей к ней микротрубочкой находили с помощью преобразования расстояния скелетонизированного изображения микротрубочек.

Регистрация положения везикул и фона относительно микротрубочек, границ клеток и ядер

Функция плотности вероятности (PDF) для положения точки (p _p ) относительно геометрии клетки и микротрубочек была оценена путем расширения модели, описанной ранее [8], путем добавления членов, описывающих расстояние от микротрубочек, d : (1)

Термины β ₁ — β ₄ описывают зависимость объектов от радиальных и угловых координат в зависимости от формы ячейки [2, 8], и β ₅ и β ₆ описывают зависимость объектов, подлежащих локализации, по отношению к микротрубочкам.Мы аналогичным образом построили PDF для интенсивности фона (которая предположительно является результатом растворимого непунктатного белка).

Генеративные модели

Байесовская иерархическая структура для генеративной модели точек показана на рис. 3 в виде графической модели. Многомерная статистическая модель была построена из независимых распределений значений следующих статистических данных для каждой ячейки: размер точки (s _p ), количество точек на ячейку (n _p ) и интенсивность (i _p ).

экземпляров синтетических клеток, начиная с границ клетки и ядра и изображения микротрубочек случайно выбранной клетки. (Их также можно создать, сначала сгенерировав границы клеток и ядер и распределения микротрубочек с использованием моделей, изученных ранее для трех клеточных линий [18].) Чтобы добавить точку в ячейку, были взяты значения для количества точек на клетку (n _p ) и размер (s _p ) и интенсивности флуоресценции (i _p )) для каждой точки из распределений, полученных из данных 2D HPA.Они использовались для генерации точек с использованием генеративной модели на основе гауссовских объектов [8]. Положения для них были взяты из PDF положения везикул из модели выше после морфинга к конкретной геометрии клетки. Фоновая флуоресценция была добавлена ​​с использованием PDF-файла, полученного из фоновых изображений, масштабированного в соответствии с рисунком из общего распределения интенсивности фона, полученного из изображений.

Классификация изображений

Назначение субклеточных аннотаций изображениям клеток — это задача классификации, имеющая сложности во многих биологических контекстах; в частности, это структурированный характер данных (всем клеткам с одним и тем же антителом должна быть назначена одна и та же метка), неразделимость данных о классе (белки с разными биохимическими свойствами могут иметь похожие модели локализации) и несбалансированное количество наблюдений (некоторые изображения могут содержать много ячеек, а в других их мало).Мы разработали метод классификации, специально предназначенный для решения вышеуказанных проблем.

Учитывая параметризации шаблона, соответствующие ячейкам двух коллекций (все ячейки, содержащиеся в двух изображениях), мы выполняем задачу сбалансированной классификации, чтобы определить, насколько различимы эти две коллекции. Для каждой пары изображений мы выделяем подмножество ячеек и обучаем SVM путем взвешивания обучающих данных таким образом, чтобы во всех классах был единый априор. Затем мы классифицируем задержку и подсчитываем частоту, с которой задержке был назначен правильный набор, что приблизительно соответствует частоте ошибок Байеса [24].Этот подход аналогичен другим методам, используемым в геномике [25]. Мы принимаем среднюю точность классификации по всем задачам классификации ячеек (независимо от того, назначен ли ячейкам, принадлежащим двум изображениям, один и тот же субклеточный образец), как меру того, насколько различимы две коллекции, в результате чего возможный диапазон значений от 1 ( полностью отделимы) до 0 (полностью неотделимы). Практически во всех случаях мера различия находится между 0,5 и 1. Мы будем называть эту меру «несходством».

Чтобы определить порог несходства, при котором мы можем сказать, что две коллекции принадлежат одному или разным шаблонам, конвейер обрабатывает изображения каждого из наших базовых шаблонов как свою собственную коллекцию (с несколькими изображениями каждого шаблона) и выполняет указанную выше классификацию задача с использованием ячеек, содержащихся в каждом изображении. Построена кривая ROC, показывающая истинные и ложные положительные результаты классификации в зависимости от увеличения несходства. Для каждого типа ячеек мы построили верхнюю границу несходства (выше, которая считается «неодинаковой аннотацией») по отсечке, определенной в том месте, где самая верхняя левая точка кривой ROC пересекается с наклоном, где TN, FP, TP и FN — это количество истинно отрицательных, ложноположительных, истинно положительных и ложноотрицательных результатов соответственно.При сравнении нашего базового набора с изображениями, содержащими клетки с неизвестной локализацией белка, мы присваиваем неизвестному шаблону метку любого базового шаблона, который находится в пределах порога сходства. Эти пороговые значения составляли 0,78846, 0,70588 и 0,72093 для A-431, U-2OS и U-251MG соответственно.

Доступность программного обеспечения

Все программное обеспечение и данные, использованные для этой работы, доступны в виде воспроизводимого исследовательского архива (http://murphylab.web.cmu.edu/software). Программное обеспечение также будет доступно как часть системы CellOrganizer с открытым исходным кодом (http: // CellOrganizer.org). Конвейер сегментации и вычисления признаков можно использовать отдельно.

Дополнительная информация

S1 Рис. Качество подобранных распределений для точечных белков.

P-P графики, сравнивающие CDF вероятности везикулы на заданном расстоянии от микротрубочки для подобранной модели, и эмпирическое распределение показаны для средней клетки каждого паттерна (те же клетки, что показаны на Фиг.5 и S4 Фиг).

https://doi.org/10.1371/journal.pcbi.1004614.s001

(TIF)

S2 Рис. Определение порога аннотации.

Кривые рабочих характеристик приемника для статистики точности для определения классового порога показаны для трех типов ячеек. Точность, соответствующая оптимальному порогу, показана черным кружком (см. Методы).

https://doi.org/10.1371/journal.pcbi.1004614.s002

(TIF)

S3 Рис. Сравнение среднего расстояния от точек до микротрубочек, измеренного эмпирически и в нашей подобранной модели для белков, типов клеток, белков и типов клеток.

Каждый символ представляет тип ячейки; квадрат для А-431, ромб для ОС У-2 и круг для У-251 МГ. Линии представляют собой доверительные интервалы с использованием критерия диапазона Тьюки для эмпирических данных (ось x) и подобранной модели (ось y) после двухфакторного дисперсионного анализа.

https://doi.org/10.1371/journal.pcbi.1004614.s003

(TIF)

S4 Рис. Типичные изображения семи паттернов и соответствующего паттерна синтезированного белка в клетках U-2OS.

В левом столбце показаны изображения клеток, наиболее близкие к медиане пространства параметров для клеток этого паттерна, а в правом столбце показаны синтезированные паттерны протеина из генеративной модели протеинового паттерна, обусловленные геометрией клетки и микротрубочками левой панели.

https://doi.org/10.1371/journal.pcbi.1004614.s004

(TIF)

S1 Набор данных. Результаты сравнения белков HPA с одиннадцатью классами точечных подшаблонов.

Значения в столбцах для каждого подшаблона представляют собой меры разделимости для всех ячеек данного белка с клетками белка-основателя для этого подшаблона.

https://doi.org/10.1371/journal.pcbi.1004614.s005

(XLS)

S1 Таблица. Параметры генеративной модели.

Радиальное положение определяется как r = L 1 / ( L 1+ L 2), где L 1 — расстояние между центром каждой точки и ядерной мембраной, а L 2 — расстояние от центра каждой точки до клеточной мембраны. Следовательно, r положительно, если точка находится вне ядра, и отрицательно внутри. α — угол между большой осью ячейки и вектором от центра ячейки к центру точки.Также показан компонент генеративной модели, для которого используется данный признак (см. Рис. 3).

https://doi.org/10.1371/journal.pcbi.1004614.s008

(DOCX)

Благодарности

Мы благодарим проект Human Protein Atlas, особенно Девина Салливана и Эмму Лундберг, за предоставленные изображения, а также членов групп Роде и Мерфи, особенно Ивана Цао-Берга и Армаган В. Найк, за их помощь и полезные комментарии.

Вклад авторов

Задумал и спроектировал эксперименты: GRJ JL AS GKR RFM.Проведены эксперименты: GRJ JL AS. Проанализированы данные: GRJ JL AS GKR RFM. Написал статью: GRJ JL AS GKR RFM.

Ссылки

1. 1. Мерфи Р.Ф., Веллисте М., Поррека Г. Надежные числовые характеристики для описания и классификации паттернов субклеточного расположения на изображениях флуоресцентного микроскопа. J VLSI Sig Proc. 2003. 35 (3): 311–21.
2. 2. Ли Дж., Ньюберг Дж. Я., Улен М., Лундберг Э., Мерфи РФ. Автоматический анализ и повторное аннотирование субклеточных местоположений на конфокальных изображениях из Атласа белков человека.ПлоС один. 2012; 7 (11): e50514. Epub 2012/12/12. pmid: 23226299; PubMed Central PMCID: PMC3511558.
3. 3. Блум Г.С., Гольдштейн Л.С. Путешествие по магистралям микротрубочек: как мембраны перемещаются по секреторному пути. J Cell Biol. 1998. 140 (6): 1277–80. pmid: 9508761; Идентификатор PubMed Central PMCID: PMCPMC2132669.
4. 4. Морару II, Schaff JC, Слепченко BM, Loew LM. Виртуальная ячейка: интегрированная среда моделирования для экспериментальной и вычислительной клеточной биологии. Ann N Y Acad Sci.2002; 971: 595–6. pmid: 12438191.
5. 5. Томита М., Хашимото К., Такахаши К., Симидзу Т.С., Мацузаки Ю., Миёси Ф. и др. E-CELL: программная среда для моделирования целых клеток. Биоинформатика. 1999. 15 (1): 72–84. pmid: 10068694.
6. 6. Керр Р.А., Бартол Т.М., Камински Б., Диттрих М., Чанг Дж. К., Баден С.Б. и др. Методы быстрого моделирования методом Монте-Карло для биологических реакционно-диффузионных систем в растворе и на поверхности. SIAM J Sci Comput. 2008; 30 (6): 3126. pmid: 20151023; PubMed Central PMCID: PMC2819163.
7. 7. Чжао Т., Мерфи РФ. Автоматизированное обучение генеративных моделей субклеточного местоположения: строительные блоки для системной биологии. Цитометрия, часть A. 2007; 71A (12): 978–90. pmid: 17972315.
8. 8. Пэн Т., Мерфи РФ. Трехмерные генеративные модели клеточной организации на основе изображений. Цитометрия, часть A. 2011; 79A: 383–91.
9. 9. Шариф А., Мерфи РФ, Роде Г.К. Генеративная модель распределения микротрубочек и косвенная оценка ее параметров по изображениям флуоресцентной микроскопии.Цитометрия, часть A. 2010; 77A (5): 457–66. Epub 2010/01/28. pmid: 20104579.
10. 10. Барбе Л., Лундберг Э., Оксволд П., Стениус А., Левин Э., Бьорлинг Э. и др. К конфокальному субклеточному атласу протеома человека. Протеомика клеток Mol. 2008. 7 (3): 499–508. Epub 2007/11/22. pmid: 18029348.
11. 11. Шульце Дж., Моосмайер Д., Вайске Дж., Фернандес-Монтальван А., Хербст С., Юнг М. и др. Анализы стабилизации белков на основе клеток для обнаружения взаимодействий между низкомолекулярными ингибиторами и BRD4.Экран J Biomol. 2015; 20 (2): 180–9. pmid: 25266565.
12. 12. Bucci C, Parton RG, Mather IH, Stunnenberg H, Simons K, Hoflack B и др. Малая GTPase rab5 функционирует как регуляторный фактор на раннем пути эндоцитоза. Клетка. 1992. 70 (5): 715–28. pmid: 1516130.
13. 13. Мишра С., Мерфи Л.С., Мерфи Л.Дж. The Prohibitins: новые роли в различных функциях. J Cell Mol Med. 2006. 10 (2): 353–63. pmid: 16796804; Идентификатор PubMed Central PMCID: PMCPMC3933126.
14. 14.Ван Ю.Дж., Го Х.Л., Ли С.А., Чжао Ю.К., Лю Ц.К., Ли У.Х. и др. Prohibitin участвует в активированной интернализации и деградации активированного протеазой рецептора 1. Biochimica et biophysica acta. 2014; 1843 (7): 1393–401. pmid: 24732013.
15. 15. Холлеман Дж., Марчезе А. Убиквитинлигаза deltex-3l регулирует эндосомный сортировку рецептора CXCR4, сопряженного с G-белком. Mol Biol Cell. 2014; 25 (12): 1892–904. pmid: 247
16. ; Идентификатор PubMed Central PMCID: PMCPMC4055268.
17. 16.Yoshitake H, Tsukamoto H, Maruyama-Fukushima M, Takamori K, Ogawa H, Araki Y. TEX101, гликопротеин-маркер зародышевых клеток, связан с локусом k комплекса лимфоцитов с антигеном 6 в семенниках мыши. Biochem Biophys Res Commun. 2008. 372 (2): 277–82. pmid: 18503752.
18. 17. Тьюки Дж. У. Сравнение индивидуальных средних при дисперсионном анализе. Биометрия. 1949; 5 (2): 99–114. pmid: 18151955.
19. 18. Ли Дж., Шариф А., Викинг М., Лундберг Э., Роде Г. К., Мерфи РФ.Оценка распределения микротрубочек по изображениям двумерной иммунофлуоресцентной микроскопии выявляет различия между культивируемыми линиями клеток человека. ПлоС один. 2012; 7 (11): e50292. Epub 2012/12/05. pmid: 23209697; PubMed Central PMCID: PMC3508979.
20. 19. Бак Т.Э., Ли Дж., Роде Г.К., Мерфи РФ. Навстречу виртуальной клетке: автоматизированные подходы к построению моделей субклеточной организации, «извлеченные» из микроскопических изображений. BioEssays: новости и обзоры в области молекулярной, клеточной биологии и биологии развития.2012; 34 (9): 791–9. Epub 2012/07/11. pmid: 22777818; PubMed Central PMCID: PMC3428744.
21. 20. Мерфи РФ. CellOrganizer: модели субклеточной организации и распределения белков на основе изображений. Методы клеточной биологии. 2012; 110: 179–93. pmid: 22482949
22. 21. Боланд М.В., Марки М.К., Мерфи РФ. Автоматическое распознавание паттернов, характерных для субклеточных структур, на изображениях флуоресцентной микроскопии. Цитометрия. 1998. 33 (3): 366–75. pmid: 9822349
23. 22.Салливан Д.П., Арепалли Р., Мерфи Р.Ф., Тапиа Дж.Дж., Фейдер Дж.Р., Диттрих М. и др. Автоматизация проектирования биологических моделей: трубопровод, объединяющий пространственную и молекулярную сложность. Труды 25-го издания Симпозиума Великих озер по СБИС; Питтсбург, Пенсильвания, США. 2743763: ACM; 2015. с. 321–3.
24. 23. Ридлер Т.В., Кальвард С. Определение порогового значения изображения с использованием метода итеративного выбора. IEEE Trans Syst Man Cybernet. 1978; СМЦ-8 (8): 630–2.
25. 24. Тумер К., Гош Дж., Редакторы.Оценка коэффициента байесовских ошибок путем комбинирования классификаторов. Распознавание образов, 1996, Труды 13-й Международной конференции по; 1996 25–29 августа 1996 года.
26. 25. Чжан Дж.Г., Дэн Х.В. Выбор гена для классификации данных микрочипов на основе ошибки Байеса. BMC Bioinformatics. 2007; 8 (1): 370. pmid: 17
    2; Идентификатор PubMed Central PMCID: PMCPMC2089123.

3.2 Сравнение прокариотических и эукариотических клеток — Концепции биологии — 1-е канадское издание

К концу этого раздела вы сможете:

• Назовите примеры прокариотических и эукариотических организмов
• Сравнить и сопоставить прокариотические клетки и эукариотические клетки
• Опишите относительные размеры различных типов ячеек

Клетки делятся на две большие категории: прокариотические и эукариотические.Преимущественно одноклеточные организмы из доменов Бактерии и Археи классифицируются как прокариоты ( про — = ранее; — карион — = ядро). Клетки животных, растительные клетки, грибы и простейшие являются эукариотами ( eu — = верно).

Все клетки имеют четыре общих компонента: 1) плазматическую мембрану, внешнее покрытие, которое отделяет внутреннюю часть клетки от окружающей среды; 2) цитоплазма, состоящая из желеобразной области внутри клетки, в которой находятся другие клеточные компоненты; 3) ДНК, генетический материал клетки; и 4) рибосомы, частицы, синтезирующие белки.Однако прокариоты несколько отличаются от эукариотических клеток.

Прокариотическая клетка — это простой одноклеточный (одноклеточный) организм, у которого отсутствует ядро ​​или любая другая мембраносвязанная органелла . Вскоре мы увидим, что у эукариот это значительно отличается. Прокариотическая ДНК находится в центральной части клетки: затемненной области, называемой нуклеоидом.

В отличие от архей и эукариот, бактерии имеют клеточную стенку из пептидогликана, состоящую из сахаров и аминокислот, а многие из них имеют полисахаридную капсулу (рис.6). Клеточная стенка действует как дополнительный слой защиты, помогает клетке сохранять свою форму и предотвращает обезвоживание. Капсула позволяет клетке прикрепляться к поверхностям в окружающей среде. У некоторых прокариот есть жгутики, пили или фимбрии. Жгутики используются для передвижения, в то время как большинство пилей используются для обмена генетическим материалом во время типа воспроизводства, называемого конъюгацией.

В природе взаимосвязь между формой и функцией очевидна на всех уровнях, включая уровень клетки, и это станет ясно, когда мы исследуем эукариотические клетки.Принцип «форма следует за функцией» встречается во многих контекстах. Например, птицы и рыбы имеют обтекаемые тела, которые позволяют им быстро перемещаться в среде, в которой они живут, будь то воздух или вода. Это означает, что, в общем, можно вывести функцию структуры, глядя на ее форму, потому что они совпадают.

Эукариотическая клетка — это клетка, которая имеет связанное с мембраной ядро ​​и другие мембраносвязанные компартменты или мешочки, называемые органеллами , которые имеют специализированные функции.Слово эукариотическое означает «истинное ядро» или «истинное ядро», имея в виду присутствие в этих клетках связанного с мембраной ядра. Слово «органелла» означает «маленький орган», и, как уже упоминалось, органеллы обладают специализированными клеточными функциями, так же как органы вашего тела имеют специализированные функции.

При диаметре 0,1–5,0 мкм прокариотические клетки значительно меньше эукариотических клеток, диаметр которых варьируется от 10 до 100 мкм (рис. 3.7). Небольшой размер прокариот позволяет ионам и органическим молекулам, которые входят в них, быстро распространяться в другие части клетки.Точно так же любые отходы, образующиеся в прокариотической клетке, могут быстро уйти. Однако более крупные эукариотические клетки развили различные структурные адаптации для улучшения клеточного транспорта. Действительно, большой размер этих клеток был бы невозможен без этих приспособлений. В общем, размер ячейки ограничен , потому что объем увеличивается намного быстрее, чем площадь поверхности ячейки. По мере того, как ячейка становится больше, ячейке становится все труднее и труднее получать достаточное количество материалов для поддержки процессов внутри ячейки, потому что относительный размер площади поверхности, через которую должны транспортироваться материалы, уменьшается.

Прокариоты — это преимущественно одноклеточные организмы из доменов Бактерии и Археи. Все прокариоты имеют плазматические мембраны, цитоплазму, рибосомы, клеточную стенку, ДНК и не имеют мембраносвязанных органелл. У многих также есть полисахаридные капсулы. Прокариотические клетки имеют диаметр от 0,1 до 5,0 мкм.

Подобно прокариотической клетке, эукариотическая клетка имеет плазматическую мембрану, цитоплазму и рибосомы, но эукариотическая клетка обычно больше прокариотической клетки, имеет истинное ядро ​​(то есть ее ДНК окружена мембраной) и имеет другую мембрану. -связанные органеллы, которые позволяют разделить функции.Эукариотические клетки обычно в 10-100 раз больше прокариотических клеток.

эукариотическая клетка: клетка, имеющая мембраносвязанное ядро ​​и несколько других мембраносвязанных компартментов или мешочков

органелла: мембраносвязанный отсек или мешок внутри клетки

прокариотическая клетка: одноклеточный организм, не имеющий ядра или любой другой мембраносвязанной органеллы

1.1 Темы и концепции биологии — концепции биологии — 1-е канадское издание

К концу этого раздела вы сможете:

• Определить и описать свойства жизни
• Опишите уровни организации среди живых существ
• Перечислите примеры различных дисциплин биологии

Посмотрите видео об эволюции путем естественного отбора.

Биология — это наука, изучающая жизнь. Что такое жизнь? Это может показаться глупым вопросом с очевидным ответом, но дать определение жизни непросто. Например, раздел биологии под названием вирусология изучает вирусы, которые обладают некоторыми характеристиками живых существ, но не имеют других. Оказывается, хотя вирусы могут атаковать живые организмы, вызывать заболевания и даже воспроизводиться, они не соответствуют критериям, которые биологи используют для определения жизни.

С самого начала биология боролась с четырьмя вопросами: Какие общие свойства делают что-то «живым»? Как функционируют эти различные живые существа? Столкнувшись с удивительным разнообразием жизни, как нам организовать различные виды организмов, чтобы лучше понять их? И, наконец, что в конечном итоге пытаются понять биологи, как возникло это разнообразие и как оно продолжается? Поскольку новые организмы открываются каждый день, биологи продолжают искать ответы на эти и другие вопросы.

Все группы живых организмов обладают множеством ключевых характеристик или функций: порядок, чувствительность или реакция на стимулы, размножение, адаптация, рост и развитие, регуляция, гомеостаз и обработка энергии. Вместе эти восемь характеристик определяют жизнь.

Заказать

Организмы — это высокоорганизованные структуры, состоящие из одной или нескольких клеток. Даже очень простые одноклеточные организмы чрезвычайно сложны. Внутри каждой ячейки атомы составляют молекулы.Они, в свою очередь, составляют клеточные компоненты или органеллы. Многоклеточные организмы, которые могут состоять из миллионов отдельных клеток, имеют преимущество перед одноклеточными в том, что их клетки могут быть специализированы для выполнения определенных функций и даже принесены в жертву в определенных ситуациях на благо всего организма в целом. Как эти специализированные клетки объединяются, чтобы сформировать такие органы, как сердце, легкие или кожа у таких организмов, как жаба, показанная на рисунке 1.2, будет обсуждаться позже.

Чувствительность или реакция на стимулы

Организмы реагируют на разнообразные раздражители. Например, растения могут наклоняться к источнику света или реагировать на прикосновения. Даже крошечные бактерии могут двигаться к химическим веществам или от них (процесс, называемый хемотаксисом) или свету (фототаксис). Движение к стимулу считается положительной реакцией, а движение от стимула — отрицательной.

Концепция в действии

Посмотрите это видео, чтобы увидеть, как чувствительное растение реагирует на прикосновение.

Репродукция

Одноклеточные организмы воспроизводятся, сначала дублируя свою ДНК, которая является генетическим материалом, а затем деля его поровну, когда клетка готовится к делению с образованием двух новых клеток.Многие многоклеточные организмы (состоящие из более чем одной клетки) производят специализированные репродуктивные клетки, из которых формируются новые особи. Когда происходит размножение, ДНК, содержащая гены, передается потомству организма. Эти гены являются причиной того, что потомство будет принадлежать к одному виду и иметь характеристики, аналогичные родительским, такие как цвет меха и группа крови.

Адаптация

Все живые организмы «приспособлены» к окружающей среде. Биологи называют это приспособление адаптацией, и это следствие эволюции путем естественного отбора, который действует во всех родословных воспроизводящих организмов.Примеры приспособлений разнообразны и уникальны: от термостойких архей, обитающих в кипящих горячих источниках, до длины языка нектарной моли, которая соответствует размеру цветка, которым она питается. Все адаптации усиливают репродуктивный потенциал человека, который их демонстрирует, включая их способность выживать и воспроизводить потомство. Адаптации непостоянны. По мере изменения окружающей среды естественный отбор заставляет характеристики особей в популяции отслеживать эти изменения.

Рост и развитие

Организмы растут и развиваются в соответствии с конкретными инструкциями, закодированными их генами. Эти гены предоставляют инструкции, которые будут управлять клеточным ростом и развитием, гарантируя, что детеныши вида вырастут и будут проявлять многие из тех же характеристик, что и его родители.

Постановление

Даже самые маленькие организмы сложны и требуют множества регуляторных механизмов для координации внутренних функций, таких как транспорт питательных веществ, реакция на раздражители и преодоление стрессов окружающей среды.Например, системы органов, такие как пищеварительная или кровеносная системы, выполняют определенные функции, такие как перенос кислорода по всему телу, удаление отходов, доставка питательных веществ в каждую клетку и охлаждение тела.

Гомеостаз

Для правильного функционирования клеткам необходимы соответствующие условия, такие как правильная температура, pH и концентрация различных химических веществ. Однако эти условия могут меняться от одного момента к другому. Организмы способны поддерживать внутренние условия в узком диапазоне почти постоянно, несмотря на изменения окружающей среды, посредством процесса, называемого гомеостазом или «устойчивым состоянием» — способности организма поддерживать постоянные внутренние условия.Например, многие организмы регулируют температуру своего тела с помощью процесса, известного как терморегуляция. Организмы, обитающие в холодном климате, такие как белый медведь, имеют структуру тела, которая помогает им выдерживать низкие температуры и сохранять тепло тела. В жарком климате у организмов есть методы (например, потоотделение у людей или одышка у собак), которые помогают им отводить избыточное тепло тела.

Обработка энергии

Все организмы (например, калифорнийский кондор, показанный на рис. 1.6) используют источник энергии для своей метаболической активности. Некоторые организмы улавливают энергию солнца и превращают ее в химическую энергию в пище; другие используют химическую энергию от молекул, которые они принимают.

Живые существа высокоорганизованы и структурированы, следуя иерархии от мала до велика. Атом — самая маленькая и самая фундаментальная единица материи. Он состоит из ядра, окруженного электронами. Атомы образуют молекулы. Молекула представляет собой химическую структуру, состоящую по крайней мере из двух атомов, скрепленных химической связью. Многие молекулы, которые имеют биологическое значение, — это макромолекулы , большие молекулы, которые обычно образуются путем объединения более мелких единиц, называемых мономерами.Примером макромолекулы является дезоксирибонуклеиновая кислота (ДНК), которая содержит инструкции для функционирования организма, который ее содержит.

Концепция в действии

Чтобы увидеть анимацию этой молекулы ДНК, щелкните здесь.

Некоторые клетки содержат агрегаты макромолекул, окруженные мембранами; их называют органеллами. Органеллы — это небольшие структуры, которые существуют внутри клеток и выполняют специальные функции.Все живые существа состоят из клеток; Сама клетка — это наименьшая фундаментальная единица структуры и функции в живых организмах. (Это требование является причиной того, почему вирусы не считаются живыми: они не состоят из клеток. Чтобы создать новые вирусы, они должны вторгнуться и захватить живую клетку; только тогда они могут получить материалы, необходимые для воспроизводства.) Некоторые организмы состоят из одна клетка, а другие — многоклеточные. Клетки подразделяются на прокариотические и эукариотические. Прокариоты — это одноклеточные организмы, в которых отсутствуют органеллы, окруженные мембраной, и ядра, окруженные ядерными мембранами; напротив, клетки эукариот действительно имеют мембраносвязанные органеллы и ядра.

В большинстве многоклеточных организмов клетки объединяются в ткани, которые представляют собой группы похожих клеток, выполняющих одну и ту же функцию. Органы — это совокупность тканей, сгруппированных по общей функции. Органы есть не только у животных, но и у растений. Система органов — это более высокий уровень организации, состоящий из функционально связанных органов. Например, у позвоночных животных есть много систем органов, таких как система кровообращения, которая транспортирует кровь по всему телу, в легкие и из них; он включает такие органы, как сердце и кровеносные сосуды.Организмы — это индивидуальные живые существа. Например, каждое дерево в лесу — это организм. Одноклеточные прокариоты и одноклеточные эукариоты также считаются организмами и обычно называются микроорганизмами.

Какое из следующих утверждений неверно?

1. Ткани существуют внутри органов, которые существуют в системах органов.
2. Сообщества существуют в популяциях, существующих в экосистемах.
3. Органеллы существуют внутри клеток, которые существуют в тканях.
4. Сообщества существуют в экосистемах, существующих в биосфере.

Все особи вида, живущие на определенной территории, вместе называются популяцией. Например, в лесу может быть много белых сосен. Все эти сосны представляют собой популяцию белых сосен в этом лесу. На одной и той же территории могут проживать разные группы населения. Например, сосновый лес включает популяции цветковых растений, а также популяции насекомых и микробов.Сообщество — это совокупность популяций, населяющих определенную территорию. Например, все деревья, цветы, насекомые и другие популяции в лесу образуют лесное сообщество. Сам лес — это экосистема. Экосистема состоит из всех живых существ в определенной области вместе с абиотическими или неживыми частями этой среды, такими как азот в почве или дождевая вода. На самом высоком уровне организации биосфера представляет собой совокупность всех экосистем и представляет собой зоны жизни на Земле.Он включает землю, воду и части атмосферы.

Наука биология очень широка, потому что на Земле существует огромное разнообразие форм жизни. Источником этого разнообразия является эволюция, процесс постепенного изменения, в ходе которого новые виды возникают из более старых видов. Эволюционные биологи изучают эволюцию живых существ во всем, от микроскопического мира до экосистем.

В 18 веке ученый Карл Линней впервые предложил организовать известные виды организмов в иерархическую таксономию.В этой системе виды, которые наиболее похожи друг на друга, объединяются в группу, известную как род. Более того, похожие роды (множественное число родов) объединяются в одну семью. Такое группирование продолжается до тех пор, пока все организмы не будут собраны в группы на самом высоком уровне. Текущая таксономическая система теперь имеет восемь уровней в своей иерархии, от низшего к высшему, а именно: вид, род, семейство, порядок, класс, тип, царство и домен. Таким образом, виды группируются внутри родов, роды — внутри семейств, семейства — внутри отрядов и т. Д.

Самый высокий уровень, домен, является относительно новым дополнением к системе с 1990-х годов. Теперь ученые признают три области жизни: эукарию, архей и бактерии. Домен Eukarya содержит организмы, у которых есть клетки с ядрами. Он включает в себя царства грибов, растений, животных и несколько царств протистов. Археи — это одноклеточные организмы без ядер, среди которых много экстремофилов, обитающих в суровых условиях, например, в горячих источниках.Бактерии — еще одна совершенно другая группа одноклеточных организмов без ядер. И археи, и бактерии — прокариоты, неофициальное название клеток без ядер. Осознание в 1990-х годах того, что некоторые «бактерии», ныне известные как археи, генетически и биохимически отличаются от других бактериальных клеток, как и от эукариот, послужило основанием для рекомендации разделить жизнь на три области. Это резкое изменение в наших знаниях о дереве жизни демонстрирует, что классификации не являются постоянными и изменятся, когда станет доступна новая информация.

В дополнение к иерархической таксономической системе Линней был первым, кто назвал организмы двумя уникальными именами, которые теперь называются биномиальной системой именования. До Линнея использование общих имен для обозначения организмов вызывало путаницу, поскольку в этих общих именах существовали региональные различия. Биномиальные названия состоят из названия рода (которое пишется с большой буквы) и названия вида (все в нижнем регистре). При печати оба имени выделяются курсивом. Каждому виду дается уникальный бином, признанный во всем мире, так что ученый в любом месте может знать, о каком организме идет речь.Например, североамериканская голубая сойка известна под уникальным именем Cyanocitta cristata . Наш собственный вид — Homo sapiens .

Эволюция в действии

Карл Вёзе и филогенетическое древо

Эволюционные отношения различных форм жизни на Земле можно обобщить на филогенетическом дереве.Филогенетическое дерево — это диаграмма, показывающая эволюционные отношения между биологическими видами, основанные на сходстве и различии генетических или физических признаков или того и другого. Филогенетическое дерево состоит из точек ветвления или узлов и ветвей. Внутренние узлы представляют предков и являются точками эволюции, когда на основании научных данных считается, что предок разделился, образовав два новых вида. Длину каждой ветви можно рассматривать как оценку относительного времени.

В прошлом биологи сгруппировали живые организмы в пять царств: животные, растения, грибы, простейшие и бактерии.Новаторская работа американского микробиолога Карла Вёза в начале 1970-х годов показала, однако, что жизнь на Земле развивалась по трем линиям, которые теперь называются областями — бактерии, археи и эукарии. Вёзе предложил домен как новый таксономический уровень, а архей как новый домен, чтобы отразить новое филогенетическое дерево. Многие организмы, принадлежащие к домену архей, живут в экстремальных условиях и называются экстремофилами. Чтобы построить свое дерево, Вёзе использовал генетические отношения, а не сходства, основанные на морфологии (форме).В филогенетических исследованиях использовались различные гены. Дерево Вёзе было построено на основе сравнительного секвенирования универсально распределенных генов, обнаруженных в некоторых слегка измененных формах в каждом организме, сохраненных (это означает, что эти гены оставались лишь незначительно измененными на протяжении всей эволюции) и соответствующей длины.

Посмотрите видео о науке и медицине

Область биологии широка и поэтому включает множество разделов и дисциплин. Биологи могут изучать одну из этих субдисциплин и работать в более узкой области. Например, молекулярная биология изучает биологические процессы на молекулярном уровне, включая взаимодействия между молекулами, такими как ДНК, РНК и белки, а также то, как они регулируются.Микробиология — это изучение структуры и функций микроорганизмов. Сама по себе это довольно обширная ветвь, и в зависимости от предмета исследования, в нее входят, в частности, физиологи-микробиологи, экологи и генетики.

Другая область биологических исследований, нейробиология, изучает биологию нервной системы, и хотя она считается разделом биологии, она также признана междисциплинарной областью исследований, известной как нейробиология. Из-за своей междисциплинарной природы эта дисциплина изучает различные функции нервной системы с использованием молекулярных, клеточных, связанных с развитием, медицинских и вычислительных подходов.

Палеонтология, еще один раздел биологии, использует окаменелости для изучения истории жизни. Зоология и ботаника изучают животных и растения соответственно. Биологи также могут специализироваться как биотехнологи, экологи или физиологи, и это лишь некоторые области. Биотехнологи применяют знания биологии для создания полезных продуктов. Экологи изучают взаимодействие организмов в окружающей их среде.Физиологи изучают работу клеток, тканей и органов. Это лишь небольшая часть множества областей, которыми могут заниматься биологи. От нашего собственного тела до мира, в котором мы живем, открытия в биологии могут влиять на нас самым прямым и важным образом. Мы зависим от этих открытий для нашего здоровья, наших источников пищи и преимуществ, предоставляемых нашей экосистемой. Из-за этого знание биологии может помочь нам в принятии решений в нашей повседневной жизни.

Развитие технологий в двадцатом веке, которое продолжается и сегодня, особенно технология описания и манипулирования генетическим материалом, ДНК, изменила биологию.Эта трансформация позволит биологам продолжить более детальное понимание истории жизни, того, как устроено человеческое тело, нашего человеческого происхождения и того, как люди могут выжить как вид на этой планете, несмотря на стрессы, вызванные нашей растущей численностью. Биологи продолжают разгадывать огромные загадки жизни, предполагая, что мы только начали понимать жизнь на планете, ее историю и наши отношения с ней. По этой и другим причинам знание биологии, полученное с помощью этого учебника и других печатных и электронных средств массовой информации, должно быть полезным в любой области, в которой вы работаете.

Судмедэксперт

Судебная медицина — это применение науки для ответа на вопросы, связанные с законом. Судебными экспертами могут быть биологи, химики и биохимики. Судебно-медицинские эксперты предоставляют научные доказательства для использования в судах, и их работа включает изучение следов, связанных с преступлениями. За последние несколько лет интерес к судебной медицине возрос, возможно, из-за популярных телешоу, в которых судмедэксперты участвуют в работе.Кроме того, развитие молекулярных методов и создание баз данных ДНК обновили виды работы, которую могут выполнять судебно-медицинские эксперты. Их служебная деятельность в первую очередь связана с преступлениями против людей, такими как убийства, изнасилования и нападения. Их работа включает анализ таких образцов, как волосы, кровь и другие биологические жидкости, а также обработку ДНК, обнаруженной во многих различных средах и материалах. Судмедэксперты также анализируют другие биологические доказательства, оставленные на местах преступления, такие как части насекомых или пыльцевые зерна.Студентам, желающим продолжить карьеру в области судебной медицины, скорее всего, потребуется пройти курсы химии и биологии, а также некоторые интенсивные курсы математики.

Биология — наука о жизни. Все живые организмы обладают несколькими ключевыми свойствами, такими как порядок, чувствительность или реакция на раздражители, размножение, адаптация, рост и развитие, регуляция, гомеостаз и обработка энергии.Живые существа высокоорганизованы по иерархии, которая включает в себя атомы, молекулы, органеллы, клетки, ткани, органы и системы органов. Организмы, в свою очередь, подразделяются на популяции, сообщества, экосистемы и биосферу. Эволюция является источником огромного биологического разнообразия на Земле сегодня. Диаграмма, называемая филогенетическим деревом, может использоваться для демонстрации эволюционных взаимоотношений между организмами. Биология очень широка и включает множество разделов и дисциплин. Примеры включают, среди прочего, молекулярную биологию, микробиологию, нейробиологию, зоологию и ботанику.

атом: основная единица вещества, которая не может быть разрушена с помощью обычных химических реакций

биология: изучение живых организмов и их взаимодействия друг с другом и с окружающей их средой

биосфера: совокупность всех экосистем на Земле

клетка: наименьшая фундаментальная единица структуры и функции живых существ

сообщество: совокупность популяций, населяющих определенную территорию

экосистема: все живые существа в определенной области вместе с абиотическими, неживыми частями этой среды

эукариот: организм с клетками, имеющими ядра и мембраносвязанные органеллы

эволюция: процесс постепенного изменения популяции, который также может привести к появлению новых видов, происходящих от более старых видов

гомеостаз: способность организма поддерживать постоянные внутренние условия

макромолекула: большая молекула, обычно образованная путем соединения более мелких молекул

молекула: химическая структура, состоящая как минимум из двух атомов, удерживаемых вместе химической связью

орган: структура, состоящая из тканей, работающих вместе для выполнения общей функции

Система органов: верхний уровень организации, состоящий из функционально связанных органов

органелла: мембраносвязанный отсек или мешок внутри клетки

организм: физическое лицо

филогенетическое дерево: диаграмма, показывающая эволюционные отношения между биологическими видами на основе сходства и различий в генетических или физических признаках или обоих

популяция: все особи одного вида, живущие на определенной территории

прокариот: одноклеточный организм, не имеющий ядра или любой другой мембраносвязанной органеллы

ткань: группа аналогичных клеток, выполняющих ту же функцию

Атрибуция в СМИ

Автоматизированная система распознавания образов для классификации непрямых иммунофлуоресцентных изображений клеток и образцов HEp-2

Siyamalan Manivannan получила B.Sc. степень в области компьютерных наук Университета Джафны, Шри-Ланка, в 2006 году, а затем степень магистра наук. получил степень по информатике в Университете Ниццы, Франция, в 2010 году. В настоящее время он является доктором философии. студентка Университета Данди, Великобритания. Его исследовательские интересы включают распознавание образов и машинное обучение.

Wenqi Li получил степень бакалавра наук. степень в области компьютерных наук Пекинского университета науки и технологий (2010 г.) и степень магистра наук. степень в области прикладных вычислений Университета Данди (2011 г.).Сейчас он работает над докторской степенью. степень в Школе вычислительной техники Университета Данди.

Шазия Акбар — научный сотрудник Медицинской школы Нью-Йоркского университета, Нью-Йорк, США. В 2015 году она получила докторскую степень в Университете Данди. Ее исследовательские интересы включают МРТ, анализ медицинских изображений, выделение признаков и распознавание образов.

Ruixuan Wang получил степень бакалавра английского языка. и M.Eng. степени в области автоматического управления и искусственного интеллекта от Си ׳анского университета Цзяотун, а также докторскую степень.Докторская степень в области компьютерного зрения Национального университета Сингапура (2007 г.). С 2007 по 2014 год он занимался постдокторантурой в Университете Данди, а затем в Университете Хериот-Ватт. В настоящее время он является научным сотрудником компании Toshiba Medical Visualization Systems Europe (TMVSE).

Цзянго Чжан — старший преподаватель вычислительной школы Университета Данди, Великобритания. Он получил степень доктора философии. степень Национальной лаборатории распознавания образов Института автоматизации Китайской академии наук, Пекин, Китай (2002 г.).Его исследовательские интересы включают распознавание образов, компьютерное зрение, анализ медицинских изображений и машинное обучение.

Стивен Дж.