Mini jel elektroforez görüntülerinin iyileştirilmesine yönelik görüntü işleme arayüz yazılımı ile iyileştirme algoritması uygulaması

Yıl 2022, , 1003 - 1018, 28.02.2022

Ahmet Reşit Kavsaoğlu , Kerim Özkara

https://doi.org/10.17341/gazimmfd.937650

Öz

Amaç: Python programlama dili tabanlı, mini jel elektrofrez sistemi görüntü işleme arayüzü yardımıyla jel elektroforez bant görüntülerinin iyileştirilmesini sağlayan algoritma fonksiyonu oluşturarak deneysel bir çalışmanın yapılması amaçlanmıştır. Gömülü sistem tabanlı mini jel elektroforez sistemi ile bütünleşik olarak kullanılabilen program arayüzü ile, kullanıcıya filtreleme seçenekleri sunulmakta, BP (Base pair-Baz çifti) sayıları, bantların özellikleri, piksel konumları, RF (Relative font) değerleri görüntü üzerine yazdırılabilmektedir. Böylece, klasik yöntem olarak kullanıcının kendisi tarafından cetvel ile yapılan mesafe ölçümlerinde oluşan hatalar, teknolojik sistemler üzerinden oluşturulan algoritmalar ile gerçeğe en yakın değerde ölçülen değerlerin bulunmasıyla en aza indirilebilmektedir.

Yöntemler: Bu sistem ile jel görüntülerinin UV (ultraviyole) altında analizi, tasarlanan arayüz yazılımı ile yapılmıştır. Görüntüler kamera aracılığıyla arayüz yazılımına aktarılır, şerit ve BP sayılarının en doğru sonuçla uygulayan görüntü işleme fonksiyonu uygulanmıştır. Yazılım, Raspberry pi 3 B + 'da OpenCV kütüphaneli Python programlama dili kullanılarak mini jel elektroforez sistemine entegre edilerek kullanılabilmektedir.

Bulgular: Bu çalışmada, gömülü sistem tarafından kontrol edilen mini jel elektroforez sisteminden elde edilen jel görüntüleri, görüntülerdeki bantların BP sayılarını tahmin etmek için kullanılmıştır. Jel görüntülerini sistemdeki kamera üzerinden veya dosyadan içe aktararak, arayüz yazılım algoritması, el ile yapılan ölçümlerdeki BP sayılarının tahminini ve ortalama hata oranlarını % 30'dan % 0,55 -% 0,8655 aralığına düşürülmesini sağlamıştır.

Sonuç: Jel görüntülerinde şeritlerin ve BP sayılarının en düşük hata oranı ile hesaplanabilmesini sağlayan arayüz yazılımı, üstel fonksiyonların kuvvet fonksiyonu olarak da tanımlanabilmesi ilkesinden yola çıkarak iki terimli üstel fonksiyonun iki terimli kuvvet fonksiyonu olarak görüntü işleme algoritmasına uygulanmıştır. Uygulama sonucunda ortalama hata oranının en düşük değerde ve R2=0,9999533 değerinde bulunması ile uygulanan yeni fonksiyonun amacına uygun çalıştığı ortaya konmuştur.

Anahtar Kelimeler

Jel elektroforez, Görüntü İşleme, Gömülü Sistem, Python kullanıcı arayüzü

Kaynakça

• [1] L. Yalcintepe, “New Approaches In Electrophoresis,” journal of Engineering and Naturel Sciences, pp. 151–160, Mar. 2009.
• [2] G. Francisco da Silva Neto, M. Luíza de Andrade Rodrigues, and A. Fonseca, “A new quantitative gel electrophoresis method with image-based detection for the determination of food dyes and metallic ions,” Talanta, vol. 221, p. 121602, Jan. 2021, doi: 10.1016/j.talanta.2020.121602.
• [3] A. Intarapanich, S. Kaewkamnerd, P. Shaw, K. Ukosakit, S. Tragoonrung, and S. Tongsima, “Automatic DNA Diagnosis for 1D Gel Electrophoresis Images using Bio-image Processing Technique,” BMC Genomics, vol. 16, p. S15, Dec. 2015, doi: 10.1186/1471-2164-16-S12-S15.
• [4] M. R. Green and J. Sambrook, “Agarose Gel Electrophoresis,” Cold Spring Harbor Protocols, vol. 2019, no. 1, pp. 87–94, 2019, doi: 10.1101/pdb.prot100404.
• [5] M. Yılmaz, C. Öziç, and İ. Gök, “Principles of Nucleic Acid Separation by Agarose Gel Electrophoresis,” Gel Electrophoresis - Principles and Basics, 2012, doi: 10.5772/38654.
• [6] F. M. Ausubel, “Current protocols in molecular biology,” Molecular Reproduction and Development, vol. 1, no. 2, p. 146, Jan. 1989, doi: https://doi.org/10.1002/mrd.1080010210.
• [7] K. M. Bourzac, L. J. LaVine, and M. S. Rice, “Analysis of DAPI and SYBR Green I as Alternatives to Ethidium Bromide for Nucleic Acid Staining in Agarose Gel Electrophoresis,” Journal of Chemical Education, vol. 80, no. 11, pp. 1292–1296, Nov. 2003, doi: 10.1021/ed080p1292.
• [8] A. R. Kavsaoğlu and İ. Mersinkaya, “Python İle Mini Jel Elektroforez Kontrol Yazılımı Ve Sistem Tasarımı,” Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, vol. 7, no. 4, pp. 969–984, 2019, doi: 10.29109/gujsc.621700.
• [9] I. Lazar, “GelAnalyzer.” 2019, [Online]. Available: http://www.gelanalyzer.com.
• [10] J. Heras et al., “GelJ - a tool for analyzing DNA fingerprint gel images,” BMC Bioinformatics, vol. 16, no. 1, pp. 1–8, 2015, doi: 10.1186/s12859-015-0703-0.
• [11] A. B. Pavel and C. I. Vasile, “PyElph - a software tool for gel images analysis and phylogenetics,” BMC Bioinformatics, vol. 13, no. 1, 2012, doi: 10.1186/1471-2105-13-9.
• [12] S. Khakabimamaghani, A. Najafi, R. Ranjbar, and M. Raam, “GelClust: A software tool for gel electrophoresis images analysis and dendrogram generation,” Computer Methods and Programs in Biomedicine, vol. 111, no. 2, pp. 512–518, Aug. 2013, doi: 10.1016/j.cmpb.2013.04.013.
• [13] G. W. Horgan and C. A. Glasbey, “Uses of digital image analysis in electrophoresis,” Electrophoresis, vol. 16, no. 1, pp. 298–305, 1995, doi: 10.1002/elps.1150160149.
• [14] A. S. Kusim, N. E. Abdullah, and A. A. Ab Rahim, “An image processing enhancement approach to extract information in gel electrophoresis image,” Proceedings of 2013 International Conference on Technology, Informatics, Management, Engineering and Environment, TIME-E 2013, pp. 9–16, 2013, doi: 10.1109/TIME-E.2013.6611955.
• [15] A. K. Meşe, A. Erdamar, and Ö. D. İşeri, “Image analysis for single cell gel electrophoresis,” in 2017 25th Signal Processing and Communications Applications Conference (SIU), 2017, pp. 1–4, doi: 10.1109/SIU.2017.7960416.
• [16] R. C. Gonzalez, R. E. Woods, and B. R. Masters, “Digital Image Processing, Third Edition,” Journal of Biomedical Optics, vol. 14, no. 2, p. 029901, 2009, doi: 10.1117/1.3115362.
• [17] R. Chityala and S. Pudipeddi, Image Processing and Acquisition Using Python 2nd Edition. Chapman and Hall/CRC, 2020.
• [18] J. Goutsias, “CHAPTER 4 Morphological Methods for Biomedical Image Analysis,” in Handbook of Medical Imaging, 2009, pp. 175–263.
• [19] J. M. Walker, “Chapter 20 Computer Analysis of 2-D Electrophoresis Gels,” in New Protein Techniques, 1988.
• [20] G. Bradsky and A. Kaehler, Learning OpenCV—Computer Vision with the OpenCV Library, vol. 16, no. 3. 2009.
• [21] I. Fogel and D. Sagi, “Gabor filters as texture discriminator,” Biological Cybernetics, vol. 61, no. 2, pp. 103–113, 1989, doi: 10.1007/BF00204594.
• [22] C. C. Chen and D. C. Chen, “Multi-resolutional gabor filter in texture analysis,” Pattern Recognition Letters, vol. 17, no. 10, pp. 1069–1076, Sep. 1996, doi: 10.1016/0167-8655(96)00065-7.
• [23] J. Minichino and J. Howse, “Learning OpenCV 3 Computer Vision with Python Second Edition.” Birmingham, p. 152, 2015, [Online]. Available: https://books.google.ru/books? id=iNlOCwAAQBAJ&pg=PA69&lpg=PA69#v=onepage&q&f=false. [24] Wiley John, “Unsupervised Learning— Clustering Using K-Means,” in Python® Machine Learning, First Edition, 2019, pp. 221–242.
• [25] A. Tiselius, “A New Apparatus For Electrophoretic Analysis of Colloidal Mixtures,” Transactions of the Faraday Society, vol. 33, pp. 524–531, 1937, doi: https://doi.org/10.1039/TF9373300524.
• [26] R. Ghanei, G. R. Moradi, R. Taherpourkalantari, and E. Arjmandzadeh, “Variation of physical properties during transesterification of sunflower oil to biodiesel as an approach to predict reaction progress,” Fuel Processing Technology, vol. 92, no. 8, pp. 1593–1598, 2011, doi: 10.1016/j.fuproc.2011.04.003.
• [27] R. Graf, “Micam Software V3.02.” 2021, [Online]. Available: http://science4all.nl/?Microscopy_and_Photography.
• [28] K. Özkara and A. R. Kavsaoğlu, “Image Processing on Electrophoresis Image with Embedded System,” 2019, vol. 702, no. 1, pp. 309–310.
• [29] M. K. Turan, E. Sehirli, A. Elen, and I. R. Karas, “Identification of column edges of DNA fragments by using K-means clustering and mean algorithm on lane histograms of DNA agarose gel electrophoresis images ,” in Proc.SPIE, Jul. 2015, vol. 9631, doi: 10.1117/12.2197221.
• [30] R. L. Rill, A. Beheshti, and D. H. Van Winkle, “DNA electrophoresis in agarose gels: Effects of field and gel concentration on the exponential dependence of reciprocal mobility on DNA length,” Electrophoresis, vol. 23, no. 16, pp. 2710–2019, 2002, doi: 10.1002/1522-2683(200208)23:16<2710::AID-ELPS2710>3.0.CO;2-0.
• [31] M. L. Marshall, “Fitting The Two-Term Mixed Exponential and Two-Parameter Lognormal Distributions to Grouped and Censored Data,” Journal of Applied Statistics, vol. 23, no. 3, p. 313, 1974, doi: 10.2307/2347124.