Translate this page:
Please select your language to translate the article


You can just close the window to don't translate
Library
Your profile

Back to contents

Cybernetics and programming
Reference:

Building of an automated system for the images of polymerase chain reaction analysis

Ipatov Yurii Arkad'evich

PhD in Technical Science

Associate Professor of the Department of Informatics at the Volga State University of Technology

424000, Russia, Mari El, Yoshkar-Ola, pl. Lenina, d. 3

philsilver@mail.ru
Other publications by this author
 

 
Novikov Petr Sergeevich

Assistant of the Department of Forest Breeding, Biotechnology and Non-timber Resources at the Volga State University of Technology

424000, Russia, Mari El, Yoshkar-Ola, pl. Lenina, d. 3

philsilver@mail.ru
Shurgin Aleksei Ivanovich

Associate Professor of the Department of Forest Breeding, Biotechnology and Non-timber Resources at the Volga State University of Technology

424000, Russia, Mari El, Yoshkar-Ola, pl. Lenina, d. 3

philsilver@mail.ru

DOI:

10.7256/2306-4196.2013.6.10323

Received:

17-11-2013


Published:

1-12-2013


Abstract: The article discusses the question of automated processing and analysis of the gels images gathered as a result of electrophoresis of samples containing products of polymerase chain reaction (PCR). The proposed approach allows to significantly increase the speed of the DNA-analysis. The authors state that one of the  resource and time-consuming stages of the forming of initial data is the analysis of digital images of the results of chemical reaction. The article reviews the development of necessary theoretical methods and practical implementations of automated image analysis. It is noted that one of the  resource and time-consuming stages of the forming of initial data is the analysis of digital images of the results of chemical reaction. The presented development of an automated system based on the methods of pattern recognition and analysis of digital images of gels allows to minimize the time-consuming operation performed manually and to increase the quality of the result. The article brings the algorithm for automated recognition and assigning of unique lines that define the field of primers and products of PCR. Comparative analysis of the manual methods and created approach shows that the automated system is one and a half order of values faster. The massive usage and accuracy of this method also increases the economic benefits from the use of this product.


Keywords:

computer-aided system, image analysis, polymerase chain reaction, DNA analysis, primer, image gels, electrophoresis, signal, filtering, software developers


Введение

Современные подходы и методы ДНК-анализа позволяют получать точные и достоверные результаты генетической изменчивости и разнообразия видов. Использование ДНК-маркеров дает возможность провести такие исследования и сделать вывод о генетическом разнообразии. Однако некоторые методы является дорогими и не эффективными, в то время как метод ДНК-маркеров показывает хорошие результаты, и доказывают свою эффективность для решения такого рода задач.

Использование полимеразной цепной реакции (ПЦР) позволяет увеличивать малые концентрации определённых фрагментов нуклеиновой кислоты (ДНК) в биологическом материале. При этом, один из ресурсоемких и трудоемких этапов формирования первичных данных, является анализ цифровых изображений результатов химической реакции[1].

Разработке необходимых теоретических методов и практических реализаций автоматизированного анализа данных будет посвящена настоящая работа.

Анализ изображения гелей, получаемых в результате электрофореза образцов содержащих продукты ПЦР с использованием праймеров, представляет собой трудно формализуемую задачу. На рис.1. представлено изображение продуктов ЦПР. Это связанно не только с большим числом полос выявляемых при электрофорезе, но и с рядом проблем возникающих в результате не возможности стандартизации всех условий проведения электрофореза. Сочетанное использование таких коммерческих программ как RAD-BioMed, FastPCR, Sigma позволяет решить ряд задач, возникающие при анализе изображений гелей, но не все [2]. При этом, этап формирования первичных данных, является одним из ресурсоемких и трудоемких, а возможность её автоматизации, на сегодняшний не решается в полной мере.

1_01

Рис. 1. Изображение электрофореграммы ПЦР-продуктов
ДНК сосны с праймером (CA)6AGG.

Стандартные реализации разработчиков программного обеспечения, как отечественных, так и зарубежных фирм, не всегда учитывают специфику решаемых задач. Предлагаемая разработка автоматизированной системы на базе методов распознавания и анализа цифровых изображений гелей, позволит минимизировать трудоемкие операции выполняемых человеком и повысит качество проводимых работ.

Синтез алгоритма

Для биологического анализа необходимо обработать изображение (рис.1.) и определить положения объектов, являющихся продуктами ПЦР. Данный тип электрофореграммы был получен с помощью оборудования и программного комплекса RAD-BioMed. Анализ изображений показывает, что праймеры и продукты ПЦР, расположены в вертикальных пространственных областях, которые не пересекаются. Такое расположение дает возможность, с помощью стандартного программного обеспечения автоматически распознать и назначить уникальные линии, определяющие эти области.

Алгоритм будут состоять из следующих шагов:

1. Выполняем операцию накопления яркостных отсчетов вдоль вертикали кадра, а затем усредняем полученный сигнал. Получившееся изображение сигнала представлено на рис.1.

2_01

Рис. 2. Изображение сигнала накопленной и усредненной яркости изображения вдоль вертикали кадра (рис.1.), а также функция интерполяции

Форма полученного сигнала свидетельствует о том, что исходное изображение содержит мультипликативную помеху. Для её устранения необходимо, получить оценку данного типа помехи. Экспериментальный анализ показывает, что для этих задач можно использовать полином второй степени [3], чтобы получить интерполирующий сигнал.

2. Получаем разностный сигнал (рис.3) для которого определяем локальные максимумы по определенному пороговому значению.

3

Рис. 3. Разностный сигнал для функций по рис.2.

Результирующий массив данных, характеризует пространственные координаты вертикальных линий на изображении вдоль горизонтали кадра. Недостающие вертикальные координаты для линий будет определяться двумя точками, задаваемыми вручную. Таким образом, удается определить пространственные координаты начала и конца всех линий на изображении.

3. Далее используя принцип согласованной фильтрации [4] и имея априорно известную импульсную характеристику двухмерного фильтра [5] находим пространственные координаты для продуктов ПЦР.

4

Рис.4. Участок изображения (рис.1) с найденными продуктами ПЦР

Результат обнаружения можно посмотреть на рис.4.

Выводы

Предлагаемая разработка автоматизированной системы на базе методов распознавания и анализа цифровых изображений гелей ПЦР, позволит минимизировать трудоемкие операции выполняемых человеком и повысит качество проводимых работ. Сравнительный анализ ручных методов и созданного подхода выигрывает по времени на полтора порядка. При этом учитывая показатели массовости и точности, повышают экономический эффект от использования данной разработки. Синтезированный алгоритм имеют свидетельство об официальной регистрации программы для ЭВМ Федеральная службы по интеллектуальной собственности, патентам и товарным знакам РФ №2012619172 «BioImageGeles PCR Analysis» от 11.10.2012 года.

Работа выполнена при финансовой поддержке РФФИ, проект 13-01-00427а.

References
1. SaikiR.K., GelfandD.H., StoffelS., HiguchiR. // Science. 1988. V.239. N.2. R.487.
2. P.S. Novikov, O.V. Sheikina, T.N. Milyutina Izmenchivost' plyusovykh derev'ev sosny obyknovennoi na arkhive klonov po ISSR-markeram // Vestnik MarGTU. Radiotekhnicheskie i infokommunikatsionnye sistemy. – Ioshkar-Ola: MarGTU– №.3, 2011. – S.82-87.
3. Samarskii, A. A.Chislennye metody / A. A. Samarskii, A. V. Gulin – M.:Nauka, 1989. –432 s.
4. Tikhonov, V. I. Optimal'nyi priem signalov/ V.I. Tikhonov – M.: Radio i svyaz', 1983. – 320 s.
5. Prett U. Tsifrovaya obrabotka izobrazhenii: v 2 kn. M.: Mir, 1982.– 790 s.
6. Ipatov Yu.A., Krevetskii A.V., Shmakin V.O. Proektirovanie raspredelennoi nazemnoi sistemy monitoringa za lesnymi pozharami // NB: Kibernetika i programmirovanie. - 2013. - 2. - C. 20 - 28. URL: http://www.e-notabene.ru/kp/article_8309.html
7. Yu.A. Ipatov, A.V. Krevetskii Obnaruzhenie teksturnykh perekhodov na izobrazheniyakh preparatov kletochnoi struktury drevesiny // Programmnye sistemy i vychislitel'nye metody. - 2013. - 1. - C. 106 - 115. DOI: 10.7256/2305-6061.2013.01.9.
8. A.G. Korobeinikov, S.S. Kuvshinov, S.Yu. Blinov, A.V. Leiman Analiz printsipov sozdaniya i raboty steganograficheskikh algoritmov // Programmnye sistemy i vychislitel'nye metody. - 2012. - 1. - C. 28 - 36.