Instituto Especializado de Estudios Superiores Loyola

Departamento de Investigación, (IEESL)

San Cristobal, República Dominicana

SISTEMA DE
IMAGENOLGÍA- BIO-INFORMÁTICA
PARA AGRONOMÍA Y BIOLOGÍA

Willy (Marcelo) Maurer

Biotechnology | BioInformatics | BigData | FreeBSD | Illumos
wmaurer@ipl.edu.do
IMAGENOLGÍA- BIO-INFORMÁTICA
PARA AGRONOMÍA Y BIOLOGÍA

Resumen:

La digitalización de la imágenes al microscopio óptico es una herramientas mas avanzados y económicas en el

campo de morfometria. En los trabajos de proyectos de investigación en el IEESL el trabajo se sistematiza el uso
analítico de visualización de varios objectos de biología, “live science”, como una forma de aumentar la exactitud y
la reproducibilidad de las mediciones. Ademas se usar varios técnicas como la fluorescencia, phase-contrast, dark-
field, bright-field, y otros para su visualization. Se generan valores, basados en la identificación de las formas
geométricos, los colores y la segmentación, para la observación y determinación taxonómica en los estudios de
biología. Con la digitalización se genera una cadena de valores numéricos, de los imágenes obtenidas al
microscopio. Con las mediciones en grandes cantidades, usando un sistema de imagenologia, se creó un
sistema de datos estructurados, de modo tal que resulte en un mayor exactitud en los valores y en los estadística
de clasificación en los pruebas realizados. La ímagenologia de la Bio-informática del IEESL es un proyecto piloto
para el sector de agrónomia, microbiologia, biología y salud en República Dominicana. Este proyecto se
comprende como un entorno para los investigadores como los estudiantes (con acceso limitado) de dicho área. Los
datos capturados están disponibles para la investigación y son vía un sistema de inteligencia artificial, sin
programación, sistemáticamente valorable. Creamos en conjunto con los biólogos, agrónomos, informáticos y
especialistas de otros disciplinas un sistema que es más que un historial, sino pronosticar y presentar los
problemas vía los sistemas informáticos.
Introducción
Ejemplo: https://identify.plantnet-project.org/

Captura con camera

digital
Rio Isabela, Santo Domingo,
República Dominicana

Foto de Proyecto “Biógas y fertilizante con

Lila, Eichhornia crassipes.”
IEESL-FONDOCYT, Yessica Castro

¿Que especie es?

Introducción
Ejemplo: https://identify.plantnet-project.org/

3.) Resultado
1.) Download
el archivo

2.) Confirmar
para identificar
Introducción
Ejemplo: https://identify.plantnet-project.org/

No encontramos una referencia (se realizo la búsqueda en África),

Sugestión del sistema: “Cambia a plantas de Asia.”
“Posiblemente es Eichhornia crassipes”
Es un sistema con cierta “inteligencia”.
Depende de alimentación del conocimiento!
Muchos datos biológicos se adquieren como
imágenes
Muchos datos biológicos primarios se adquieren como imágenes.

En los últimos años, con la adopción de tecnologías de microscopía automatizadas, el

volumen y la complejidad de los datos de imagen han aumentado hasta el punto de
que ya no es posible extraer información sin emplear computadoras.

De este modo, los agrónomos, biólogos dependen cada vez más de los científicos
informáticos para encontrar nuevas soluciones y del software para aplicar esas
soluciones.

Alan Turing sobre la morfogénesis, a través del desarrollo de algoritmos eficientes

para la búsqueda de secuencias y el ensamblaje computacional del genoma
completo, los científicos informáticos han tenido un profundo impacto en la investigación
de agrónimia y biológica.
El análisis de imágenes computarizado supera las
limitaciones del observador humano

En su forma más simple, el análisis de imágenes computarizado supera las

limitaciones del observador humano.

Más importante aún, las computadoras han sido esenciales para procesar las
imágenes generadas durante la microscopía de alto rendimiento de grandes
cantidades y variedades de muestras biológicas en una variedad de condiciones.
Además, ahora es posible obtener imágenes de organismos pequeños intactos únicos
con alta resolución y en grande cantidades, lo que resulta en conjuntos de datos
masivos que están muy por encima de la escala accesible por observación subjetiva.
El análisis de datos de imagen requiere técnicas como la inteligencia artificial para
reconstruir volúmenes de imágenes de numerosas partes superpuestas (registro); para
buscar características biológicamente relevantes (segmentación); para seguir objetos
relevantes en el espacio y el tiempo (seguimiento); y para comparar especímenes a
través del mapeo a atlas digitales de morfología, anatómicos o celulares.
Ejemplo: Analiza una colonia de levadura

Se requiere un análisis visual para realizar muchos experimentos biológicos, desde

contar colonias hasta medir el tamaño o la intensidad de fluorescencia de células u
organismos individuales.

Aquí usamos CellProfiler, una herramienta gratuita de análisis de imágenes, para

extraer información cuantitativa de imágenes biológicas. Con una análisis automatizado
determinamos la cantidad, el color y el tamaño de las colonias de levadura que
crecen en placas de agar. Este ejemplo se puede adaptar para identificar y medir
muchos otros tipos de objetos en las imágenes.

La flexibilidad del software permite a los experimentadores crear conductos de módulos

ajustables para adaptarse a diferentes experimentos biológicos y generar mediciones
precisas de docenas o incluso cientos de miles de imágenes.
Ejemplo: Analiza una colonia de levadura

El imagen básico

Imagen:
Bray & CellProfiler project (2015),
Cambridge, Massachusetts
El
Software

Se realizar:
De color a gris

Correcciones

de iluminación
Crear la

mascara
Identificar los

objetos
Medir los

objetos
Exportar los

datos a hoja
electrónica
Guardar los

archivos
Proceso

Se realizar:
De color a gris

Correcciones

de iluminación
Crear la

mascara
Identificar los

objetos
Medir los

objetos
Exportar los

datos a hoja
electrónica
Proceso

Se realizar:
De color a gris

Correcciones

de iluminación
Crear la

mascara
Identificar los

objetos
Medir los

objetos
Exportar los

datos a hoja
electrónica
Proceso

Se realizar:
De color a gris

Correcciones

de iluminación
Crear la

mascara
Identificar los

objetos
Medir los

objetos
Exportar los

datos a hoja
electrónica
Proceso

Se realizar:
De color a gris

Correcciones

de iluminación
Crear la

mascara
Identificar los

objetos (A)
Medir los

objetos
Exportar los

datos a hoja
electrónica
Proceso

Se realizar:
De color a gris # of accepted objects 2433
Correcciones
10th pctile diameter 2.8 pixels
de iluminación
Crear la Median diameter 4.5 pixels
mascara 90th pctile diameter 6.7 pixels
Identificar los

objetos (B) Area covered by objects 4.5 %

Medir los Thresholding filter size 1
objetos
Exportar los
Declumping smoothing filter size 0
datos a hoja Maxima suppression size 2
electrónica
Proceso

Se realizar:
De color a gris

Correcciones

de iluminación
Crear la

mascara
Identificar los

objetos
Medir los

objetos
Exportar los

datos a hoja
electrónica
Proceso

Se realizar:
De color a gris

Correcciones

de iluminación
Crear la

mascara
Identificar los

objetos
Medir los

objetos
Exportar los

datos a hoja
electrónica
Ejemplo: ImageJ con ObjectJ

Usando el trazador de filamento

para medir las hojas de eucalipto

Anillos de crecimiento anual en arboles

Detección automática y manual de los anillos.
 Ejemplo: ImageJ con ObjectJ

Detección de diferente tipos de objectos

Se marca de la longitud de la célula, el

diámetro de la célula y la posición de los
filamentos bacterianos. Estos parámetros
también se pueden obtener
automáticamente.
Trabajar en grupo con OMERO

OMERO es un software cliente-

servidor para la visualización, gestión
y análisis de imágenes de microscopio
biológico. Desde el microscopio
(captura) hasta la publicación, OMERO
maneja todas sus imágenes en un
repositorio central seguro. Puede ver,
organizar, analizar y compartir sus
datos desde cualquier lugar con acceso
a Internet. Trabaje con sus imágenes
desde una aplicación de escritorio,
desde la web o desde un software de
terceros.
Trabajar en grupo con OMERO

Organizar, Ver y Compartir

Vea y organice sus datos desde cualquier lugar con acceso a Internet. Utilice
OMERO.insight y OMERO.web para trabajar con datos de imágenes a través de Internet
desde cualquier lugar. Explore miniaturas, vistas previas de imágenes y visualice en el
visor completo, incluida la vista de 'canal dividido' y la proyección en Z. Compartir datos
con colaboradores. Los grupos OMERO permiten compartir datos, anotaciones y
figuras dentro de grupos de científicos.
Trabajar en grupo con OMERO

Analizar
Utilice ImageJ, Octave / MATLAB, R / R-studio, Phyton / Orange, KNIME, scripts y
otras herramientas para ejecutar el análisis de datos en OMERO y guardar los resultados
en el servidor.
Los ajustes de representación, incluidos los colores y los rangos de intensidad, se
pueden ajustar y guardar para cualquier imagen. En los grupos apropiados, otros
miembros del grupo pueden guardar sus propios ajustes para las imágenes compartidas.
El complemento OMERO ImageJ permite que las imágenes en OMERO se abran
directamente en ImageJ / Fiji. Guarde ROI y superposiciones, resultados, nuevas
imágenes o imágenes modificadas de ImageJ en OMERO.

El microscopio virtual es una instalación que utiliza un sistema basado en OMERO

para permitirle ver y trabajar con imágenes de microscopía utilizando un navegador web.
Trabajar en grupo con OMERO

Datos de importación
Cargue sus datos a través
de la aplicación de
escritorio o la línea de
comandos. Se importe más
de 140 formatos de
imágenes desde
microscopio, gráficos y otros
formatos de imagen,
utilizando la aplicación
OMERO.insight.
Centro de Imagenología /Bio-informática

La Imagenología de la Bio-informática del IEESL es un proyecto

piloto para el sector de agronomía, microbiología, biología y
salud en República Dominicana. Este proyecto se comprende
como un entorno para los investigadores como los estudiantes
(con acceso limitado) de dicho área. Los datos capturados están
disponibles para la investigación y son vía un sistema de
inteligencia artificial, sin programación, sistemáticamente
valorable. Creamos en conjunto con los biólogos, agrónomos,
informáticos y especialistas de otros disciplinas un sistema que es
más que un historial, sino pronosticar y presentar los problemas
vía los sistemas informáticos.
Centro de Imagenología/Bio-informática

Para analiza automáticamente (inteligencia) se necesita

mucho mas datos para su validación, ademas terceros (como
ustedes) pueden participar con sus instituciones. Con
participación de ustedes se puede crear bancos de
información, hace investigación y dar herramientas que todo en
sus trabajos científicos como educativos avanzan significativo.

Como resultado, se cuenta con un sistema computacional de

Imagenología a muy bajo costo, en favor de la investigación
científica en agronomía, biología y ciencias de la salud.
IMAGENOLGÍA- BIO-INFORMÁTICA
PARA AGRONOMÍA Y BIOLOGÍA

Muchas Gracias

a ustedes para escuchar,

a los investigadores y todo personal del Instituto Politécnico de Loyola (IPL) y Instituto
Especializado de Estudios Superiores Loyola (IEESL), especial nuestro Rector Jose
Nuñez Marmol.

Contacto: Willy (Marcelo) Maurer, wmaurer@ipl.edu.do

Se realizar estos trabajo con fondos de Instituto Politécnico de Loyola (IPL), Instituto Especializado
de Estudios Superiores Loyola (IEESL) y de FONDOCYT-MESCYT (2015).
Bibliografía

1. Turing AM. The chemical basis of morphogenesis. 1953. Bull Math Biol. 1990;52:153–197. discussion 119–152. [PubMed]
2. Altschul SF, Gish W, Miller W, Myers EW, Lipman DJ. Basic local alignment search tool. J Mol Biol. 1990;215:403–410. [PubMed]
3. Myers EW, et al. A whole-genome assembly of Drosophila. Science. 2000;287:2196–2204. [PubMed]
4. Neumann B, et al. Phenotypic profiling of the human genome by time-lapse microscopy reveals cell division genes. Nature. 2010;464:721–727.
[PMC free article] [PubMed]
5. Collinet C, et al. Systems survey of endocytosis by multiparametric image analysis. Nature. 2010;464:243–249. [PubMed]
6. Shariff A, Kangas J, Coelho LP, Quinn S, Murphy RF. Automated image analysis for high-content screening and analysis. J Biomol Screen.
2010;15:726–734. [PubMed]
7. Megason SG, Fraser SE. Imaging in systems biology. Cell. 2007;130:784–795. [PubMed]
8. Keller PJ, Schmidt AD, Wittbrodt J, Stelzer EH. Reconstruction of zebrafish early embryonic development by scanned light sheet microscopy.
Science. 2008;322:1065–1069. [PubMed]
9. Saalfeld S, Cardona A, Hartenstein V, Tomancak P. As-rigid-as-possible mosaicking and serial section registration of large ssTEM datasets.
Bioinformatics. 2010;26:i57–63. [PMC free article] [PubMed]
10. Murray JI, et al. Automated analysis of embryonic gene expression with cellular resolution in C. elegans. Nat Methods. 2008;5:703–709. [PMC
free article] [PubMed]
11. Fernandez R, et al. Imaging plant growth in 4D: robust tissue reconstruction and lineaging at cell resolution. Nat Methods. 2010;7:547–553.
[PubMed]
12. Bao Z, et al. Automated cell lineage tracing in Caenorhabditis elegans. Proc Natl Acad Sci USA. 2006;103:2707–2712. [PMC free article]
[PubMed]
13. Long F, Peng H, Liu X, Kim SK, Myers E. A 3D digital atlas of C. elegans and its application to single-cell analyses. Nat Methods. 2009;6:667–
672. [PMC free article] [PubMed]
14. Swedlow JR, Eliceiri KW. Open source bioimage informatics for cell biology. Trends Cell Biol. 2009;19:656–660. [PMC free article] [PubMed]
Bibliografía

15. Peng H. Bioimage informatics: a new area of engineering biology. Bioinformatics. 2008;24:1827–1836. [PMC free article] [PubMed]
16. Rasband WS. ImageJ. U. S. National Institutes of Health; Bethesda, Maryland, USA: 1997–2008. http://rsb.info.nih.gov/ij/
17. Carpenter AE, et al. CellProfiler: image analysis software for identifying and quantifying cell phenotypes. Genome Biol. 2006;7:R100. [PMC free
article] [PubMed]
18. Peng H, Ruan Z, Long F, Simpson JH, Myers EW. V3D enables real-time 3D visualization and quantitative analysis of large-scale biological
image data sets. Nat Biotechnol. 2010;28:348–353. [PMC free article] [PubMed]
19. de Chaumont F, Dallongeville S, Olivo-Marin J-C. ICY: A new open-source community image processing software. IEEE Int Symp on
Biomedical Imaging. 2011:234–237.
20. Berthold MR, et al. Studies in Classification, Data Analysis, and Knowledge Organization. Springer; 2007. KNIME: The Konstanz Information
Miner. (GfKL 2007)
21. Schmid B, Schindelin J, Cardona A, Longair M, Heisenberg M. A high-level 3D visualization API for Java and ImageJ. BMC Bioinformatics.
2010;11:274. [PMC free article] [PubMed]
22. Preibisch S, Saalfeld S, Schindelin J, Tomancak P. Software for bead-based registration of selective plane illumination microscopy data. Nat
Methods. 2010;7:418–419. [PubMed]
23. Preibisch S, Tomancak P, Saalfeld S. Proceedings of ImageJ User and Developer Conference. 2010;1:72–76.
24. Matas J, Chum O, Urban M, Pajdla T. Robust Wide Baseline Stereo from Maximally Stable Extremal Regions. Image and Vision Computing.
2004;22(10):761–767.
25. Ibanez L, Schroeder W, Ng L, Cates J. The ITK Software Guide. Kitware Inc; 2005.
26. Köthe U. Reusable Software in Computer Vision. In: Jähne B, Haussecker H, Geissler P, editors. Handbook of Computer Vision and
Applications. Vol. 3. San Diego: Academic Press; 1999. pp. 103–132.
27. Preibisch S, Saalfeld S, Tomancak P. Globally Optimal Stitching of Tiled 3D Microscopic Image Acquisitions. Bioinformatics. 2009;25:1463–
1465. [PMC free article] [PubMed]
28. Kaynig V, Fischer B, Müller E, Buhmann JM. Fully automatic stitching and distortion correction of transmission electron microscope images.
Journal of Structural Biology. 2010;171:163–173. [PubMed]
Bibliografía

29. Arganda-Carreras I, Sorzano COS, Marabini R, Carazo JM, Ortizde Solorzano C, Kybic J. Lecture Notes in Computer Science. Vol. 4241.
Springer; Berlin/Heidelberg: 2006. Consistent and Elastic Registration of Histological Sections using Vector-Spline Regularization in Lecture Notes
in Computer Science ser; pp. 85–95.
30. Lowe DG. Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision. 2004;60:91–110.
31. Sethian JA. Level Set Methods and Fast Marching Methods: Evolving Interfaces in Computational Geometry, Fluid Mechanics, Computer
Vision, and Materials Science. Cambridge University Press; 1999.
32. Kass M, Witkin A, Terzopoulos D. Snakes: Active contour models. International Journal of Computer Vision. 1988;1:321–331.
33. Hall M, et al. The WEKA Data Mining Software: An Update. SIGKDD Explorations. 2009;11
34. Kaynig V, Fuchs TJ, Buhmann JM. Geometrical consistent 3D tracing of neuronal processes in ssTEM data. Med Image Comput Comput
Assist Interv. 2010;13:209–216. [PubMed]

35. Carpenter, A.E., Jones, T.R., Lamprecht, M.R., Clarke, C., Kang, I.H., Friman, O., Guertin, D.A., Chang, J.H., Lindquist, R.A., Moffat, J.,
Golland, P., and Sabatini, D.M. 2006. CellProfiler: Image analysis software for identifying and quantifying cell phenotypes. Genome Biol.
7:R100
36. Dahle, J., Kakar, M., Steen, H.B., and Kaalhus, O. 2004. Automated counting of mammalian cell colonies by means of a flat bed scanner and
image processing. Cytometry A 60:182-188.
37. Jones, T.R., Kang, I.H., Wheeler, D.B., Lindquist, R.A., Papallo, A., Sabatini, D.M., Golland, P., and Carpenter, A.E. 2008. CellProfiler Analyst:
Data exploration and analysis software for complex image-based screens. BMC Bioinformatics 9:482.
38. Kamentsky, L., Jones, T.R., Fraser, A., Bray, M.-A., Logan, D.J., Madden, K.L., Ljosa, V., Rueden, C., Eliceiri, K.W., and Carpenter, A.E. 2011.
Improved structure, function, and compatibility for CellProfiler: Modular high-throughput image analysis software. Bioinformatics 27:1179-1180.
Bibliografía

38. Lamprecht, M.R., Sabatini, D.M., and Carpenter, A.E. 2007. CellProfiler: Free, versatile software for automated biological image analysis.
Biotechniques 42:71-75.
39. Memarian, N., Jessulat, M., Alirezaie, J., MirRashed, N., Xu, J., Zareie, M., Smith, M., and Golshani, A. 2007. Colony size measurement of the
yeast gene deletion strains for functional genomics. BMC Bioinformatics 8:117.

40. R Development Core Team. 2014. R: A Language and Environment for Statistical Computing. R
Foundation for Statistical Computing, Vienna, Austria. http://www.R-project.org/