توسعه‌ی فیلتری جدید برای استخراج لکّه‌های پروتیینی در تصاویر الکتروفورز ژل دو بعدی

نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی پزشکی، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران

2 دانشیار دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران

3 استادیار دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران

4 آزمایشگاه پروتیین/شیمی‌مرکز تحقیقات بیوتکنولوژی، انستیتو پاستور ایران

10.22041/ijbme.2014.13049

چکیده

الکتروفورز ژل دو بعدی یکی­از روش‌های پایه و پرکاربرد در علم پروتئومیک است. درین روش، پروتیین‌های موجود در نمونه­ی اوّلیه براساس دو ویژگی وزن مولکولی و بار الکتریکی در دو بعد ازهم جدا شده و تصویری از لکّه­های پروتیینی می­دهد. به دلیل تعداد زیاد لکّه‌های پروتیینی موجود دریک ژل نمونه که نزدیک به هم قرار دارند، پردازش تصاویر فرآیندی پیچیده است. وجود منابع نویز و آرتیفکت هم­چون شکستگی‌ها، آرتیفکت‌های ناشی­از رنگ‌آمیزی، رگه‌ها و موارد دیگر، جداسازی نواحی تصاویر با چالش‌های گوناگونی مواجه است. درین پژوهش، برپایه­ی ویژگی‌های مکان/مقیاس، مشتقّات مرتبه­ی دوم و مقادیر ویژه­ی هیشین تصویر، برای بهبود لکّه­های پروتیینی و جداسازی نواحی لکّه از پس­زمینه، فیلتری جدید ارائه شد. تصاویر الکتروفورز ژل دو بعدی ناحیه­بندی شده و مکان و تعداد لکّه­های موجود در تصاویر، با این فیلتر بهتر تشخیص داده­شد. الگوریتم پیشنهادی توانایی جداسازی نواحی لکّه­ی پروتیینی را با نرخ TPR برابر 6/78 درصد و با نرخ FPR برابر 9/14 درصد از نواحی پس­زمینه دارد. درحالی که آستانه گذاری اوتسو و حوضچه­ی آبریز به ترتیب: با نرخ­های 4/71 درصد و 7/25 درصد، و با نرخ­های 9/53 درصد و 1/8 درصد جداسازی می‌نمایند. بررسی تعداد لکّه­های صحیح استخراج شده در روش پیشنهادی، می­تواند با دقّت 6/83 درصد و با نرخ TPR برابر 1/81 درصد محل قرار‌گیری لکّه­ها را تشخیص دهد. در صورتی که روش­های اوتسو، حوضچه­ی آبریز و مایلون به ترتیب:  با دقّت 4/65 درصد و با نرخ برابر 3/78 درصد، دقّت 7/27 درصد و با نرخ 2/68 در‌صد، دقّت 0/74 درصد و با نرخ 7/72 در‌صد، مکان لکّه­ها را تشخیص می‌دهد. نتایج روش پیشنهادی، دقّت و توانایی بالاتری را در ناحیه‌بندی تصویر، نسبت به روش­های دیگر نشان داد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Development of a new filter for Protein Spot Segmentation in Two Dimensional Gel Electrophoresis Images

نویسندگان [English]

  • Sina Shamekhi 1
  • Mohammad Hossein Miranbaygi 2
  • Ali Gooya 3
  • Bahare Azarian 4
1 Faculty of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran
2 Faculty of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran
3 Faculty of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran
4 Protein-chemistry Lab., Biotechnology Research Center, Pasteur Institute of Iran, Tehran, Iran
چکیده [English]

Two-dimensional gel electrophoresis (2DGE) is a basic and widely used method in proteomics. In this method, mixtures of proteins are separated due to the differences in their molecular weight and isoelectric points and a final image obtained from the separated protein spots is created. Due to the large number of the protein spots in a 2DGE image and the importance of separation of overlapping proteins, the image processing of these images is a complex process. 2DGE images pose various noises and artifacts such as cracks, staining artifacts, and streaks that affect the reliability of the analysis. In this work, we have proposed a novel spots filter based on the scale-space second order structural Hessian and its eigenvalues for enhancing and separating the spots from the background. Furthermore, in this work, 2DGE images have been segmented and the locations of the spots have been detected. To evaluate and compare the proposed method, we have implemented three methods: Otsu thresholding, Watershed transform, and the method proposed by Mylona et al. Based on the regional spot volume evaluation, the TPR and FPR of the proposed method are 78.6 and 14.9, the TPR and FPR of the Otsu method are equal to 71.4 and 25.7 percent, and the TPR and FPR of the Watershed algorithm are 53.9 and 8.1 percent, respectively. Also, in the spot counts evaluation, the Precision and TPR of the proposed method are equal to 83.6 and 81.1 percent, and the Precision and TPR of Otsu method are 65.4 and 78.3, respectively. The Watershed transform has detected the spots with Precision and TPR equal to 27.7 and 68.2 percent, and the Precision and TPR of the method proposed by Mylona et al. are 74.0 and 72.7 percent, respectively. The results reveal the accuracy and superiority of the proposed method.
 

کلیدواژه‌ها [English]

  • Two-dimensional gel electrophoresis
  • Spot detection
  • Protein
  • Filter

[1]     N. Anderson, N. Anderson, “Proteome and proteomics: new technologies, new concepts, and new words” Electrophoresis 19 (11): 1853–61, 1998.

[2]     W. Blackstock, M. Weir, “Proteomics: quantitative and physical mapping of cellular proteins” Trends Biotechnol 17 (3): 121–7, 1999.

[3]     U. Laemmli, “Cleavage of structural proteins during the assembly of the head of bacteriophage T4” Nature; 227: 680–5, 1970.

[4]     A. MacGillivray, D. Rickwood, “The heterogeneity of mouse-chromatin nonhistone proteins as evidenced by two-dimensional polyacrylamide-gel electrophoresis and ion-exchange chromatography” Eur. J. Biochem 41: 181–90, 1974.

[5]      P. O'Farrell, “High resolution two-dimensional electrophoresis of proteins” J. Biol. Chem 250: 4007–21, 1975.

[6]     M. Rye, E. M. Fargestad, “Preprocessing of electrophoretic images in 2-DE analysis” Chemometrics and Intelligent Laboratory Systems 117: 70–79, 2012.

[7]     S. Nhek, B. Tessema, U. Indahl, H. Martens, E. Mosleth, “2d electrophoresis image segmentation within a pixel-based framework” Chemometrics and Intelligent Laboratory Systems 14: 33–46, 2015.

[8]     E. A. Mylona, M. A. Savelonas, D. Maroulis, S. Kossida, “A Computer-Based Technique for Automated Spot Detection in Proteomics Images” IEEE Trans. Information Technology in Biomedicine Jul. 15 (4): 661-667, 2011.

[9]     Savelonas M. A., Mylona E. A., Maroulis D., Unsupervised 2D gel electrophoresis image segmentation based on active contours, Pattern Recognition, 2012; 45: 720-731.

[10] P. Lemkin, C. Merril, L. Lipkin, M. VAN Keuren, W. Oertel, B. Shapiro, M. Wade, M. Schultz, E. Smith, “Software Aids for the Analysis of 2D Gel Electrophoresis Images” Computers and Biomedical Research 12: 517-544, 1979.

[11] D. J. Potter, “Computer-Assisted Analysis of Two Dimensional Electrophoresis Images Using an Array Processor” Computers and Biomedical Research 18: 347-362, 1985.

[12] E. Bettens, P. Scheunders, J. Sijbers, D. Van Dyck, L. Moens, “Automatic segmentation and modelling of two-dimensional electrophoresis gels, In Image Processing” Proceedings International Conference on IEEE 1: 665-668, 1996.

[13] Y. Watanabe, K. Takahashi, M. Nakazawa, “Automated detection and matching of spots in autoradiogram images of two-dimensional electrophoresis for high-speed genome scanning, Image Processing, Proceedings” International Conference on IEEE Vol 3, 1997.

[14] Z. Smilansky, “Automatic registration for images of two‐dimensional protein gels” Electrophoresis 22 (9): 1616-1626, 2001.

[15] K. Rohr, P. Cathier, S. Wörz, “Elastic registration of electrophoresis images using intensity information and point landmarks” Pattern recognition 37 (5): 1035-1048, 2004.

[16] M. Daszykowski, M. S. Wróbel, A. Bierczynska-Krzysik, J. Silberring, G. Lubec, B. Walczak, “Automatic preprocessing of electrophoretic images” Chemometrics and Intelligent Laboratory Systems 97 (2): 132-140, 2009.

[17] E. Zacharia, E. Kostopoulou, D. Maroulis, S. Kossida, “A spot segmentation approach for 2D gel electrophoresis images based on 2D histograms, In Pattern Recognition (ICPR)” 20th International Conference on IEEE 2540-2543, 2010.

[18] E. Kostopoulou, E. Zacharia, D. Maroulis, “An Effective Approach for Detection and Segmentation of Protein Spots on 2D-Gel Images” Biomedical and Health Informatics, Journal of IEEE 18 (1): 67-76, 2014.

[19] L. Pedersen, “Analysis of two-dimensional electrophoresis gel images” Ph.D. thesis, Informatics and Mathematical Modelling, Technical University of Denmark, 2002.

[20] S. Beucher, “Extrema of grey-tone functions and mathematical morphology” Rapport du CGMM, Ecole des Mines, Fontainebleau 1 (793): 1–12, 1983.

[21] S. Beucher, C. Lantuejoul, “Use of watersheds in contour detection” In: International Workshop on Image Processing: Real-time Edge and Motion Detection/Estimation, Rennes, France, pp 1–12, 1979.

[22] R. Beare, G. Lehmann, “The watershed transform in ITK-discussion and new developments” The Insight Journal online available:

http://www.insight-journal.org/browse/journal/4, 2006.

[23] M. M. Skolnick, “Application of morphological transformations to the analysis of two-dimensional electrophoretic gels of biological materials” Computer vision, graphics, and image processing 35 (3): 306–332, 1986.

[24] L. Vincent, “Morphological grayscale reconstruction in image anal ysis: applications and efficient algorithms, Image Processing” Transactions on IEEE 2 (2); 176–201, 1993.

[25] E. Bettens, P. Scheunders, D. Van Dyck, L. Moens, P. Van Osta, “Computer analysis of two-dimensional electrophoresis gels: A new segmentation and modeling algorithm” Electrophoresis 18: 792-798, 1997.

[26] M. Natale, A. Caiazzo, E. M. Bucci, E. A. Ficarra, “Novel Gaussian extrapolation approach for 2d gel electrophoresis saturated protein spots” Genomics, proteomics & bioinformatics 10 (6): 336–344, 2012.

[27] T. Lindeberg, “Scale-space theory in computer vision, Springer 1993.

[28] T. Lindeberg, “Feature detection with automatic scale selection, International journal of computer vision 30 (2): 79–116, 1998.

[29] J. Sporring, M. Nielsen, L. Florack, P. Johansen, “Gaussian scale-space theory” Kluwer Academic Publishers, 1997.

[30]   س. شامخی، م. ح. میران­بیگی، ع. گویا، "ارایه­ی فیلتر جدید بهبود لکه­های پروتیینی در تصاویر الکتروفورز ژل دو بعدی" مجموعه­ مقالات بیست و یکمین کنفرانس مهندسی برق ایران، اردیبهشت 1392.

[31] A. F. Frangi, W. J. Niessen, K. L. Vincken, M. A. Viergever, “Multiscale vessel enhancement filtering, Medical Image Computing and Computer-Assisted Intervention - MICCAI'98, Wells W.M., A. Colchester and S.L. Delp (Eds.), Lecture Notes in Computer Science” Springer Verlag, Berlin, Germany 1496: 130-137, 1998.

[32] R. Manniesing, W. Niessen, "Multiscale vessel enhancing diffusion in CT angiography noise filtering" In Information Processing in Medical Imaging, Springer Berlin Heidelberg 138-149, 2005.

[33] R. Manniesing, M. A. Viergever, W. J. Niessen, “Vessel enhancing diffusion: A scale space representation of vessel structures” Medical Image Analysis 10 (6): 815-825, 2006.

[34] C. T. Ekstrøm, S. Bak, C. Kristensen, M. Rudemo, “Spot shape modelling and data transformations for microarrays” Bioinformatics 20: 2270-2278, 2004.

[35] D. Matuzevicius, A. Serackis, D. Navakauskas, “Mathematical models of oversaturated protein spots, Electronics and Electrical Engineering” Kaunas: Technologija 1 (73): 63-68, 2007.

[36] J. I. Garrels, “The QUEST system for quantitative analysis of two-dimensional gels” Journal of Biological Chemistry 264: 5269-5282, 1989.

[37] R. Kumar and A. Indrayan, “Receiver operating characteristic (roc) curve for medical researchers” Indian pediatrics 48 (4): 277–287, 2011.

[38] E. F. Schisterman, N. J. Perkins, A. Liu, H. Bondell, “Optimal cut-point and its corresponding youden index to discriminate individuals using pooled blood samples” Epidemiology 16 (1): 73-81, 2005.

[39] O. Nobuyuki,A Threshold Selection Method from Gray-Level HistogramsIEEE Transactions on Systems, Man and Cybernetics 9 (1): 62-66, 1979.