diff --git a/piximi-documentation/translations/pt_BR/translocation_tutorial.md b/piximi-documentation/translations/pt_BR/translocation_tutorial.md new file mode 100644 index 0000000..0a08937 --- /dev/null +++ b/piximi-documentation/translations/pt_BR/translocation_tutorial.md @@ -0,0 +1,230 @@ +# Tutorial para iniciantes do Piximi (Portugues) + +## Segmentação e classificação sem instalação no navegador + +Beth Cimini, Le Liu, Esteban Miglietta, Paula Llanos, Nodar Gogoberidze + +Instituto Broad do MIT e Harvard, Cambridge, MA. + +### **Informações básicas:** + +#### **O que é Piximi?** + +Piximi é uma ferramenta moderna de análise de imagens sem programação que utiliza aprendizado profundo. Implementado como um aplicativo web em [https://piximi.app/](https://piximi.app/), o Piximi não requer instalação e pode ser acessado por qualquer navegador moderno. Sua arquitetura exclusiva para clientes preserva a segurança dos dados do pesquisador, executando toda a computação localmente. + +O Piximi é interoperável com ferramentas e fluxos de trabalho existentes, suportando importação e exportação de dados e formatos de modelos comuns. A interface intuitiva e o fácil acesso ao Piximi permitem que pesquisadores obtenham insights sobre imagens em apenas alguns minutos. O Piximi visa levar a análise de imagens com aprendizado profundo a uma comunidade mais ampla, eliminando barreiras. + + +\* exceto as segmentações usando Cellpose, que são enviadas para um servidor remoto (com a permissão do usuário). + +Funcionalidades principais: **Anotador, Segmentador, Classificador, Medições.** + +#### **Objetivo do exercício** + +Neste exercício, você se familiarizará com as principais funcionalidades do Piximi: anotação, segmentação, classificação, mensuração e visualização, e o utilizará para analisar um conjunto de imagens de um experimento de translocação. O objetivo deste experimento é determinar a **menor dose efetiva** de Wortmannin necessária para induzir a localização nuclear de FOXO1A marcada com GFP (Figura 21). Você segmentará as imagens usando um dos modelos de aprendizado profundo disponíveis no Piximi, verificará e selecionará a segmentação e, em seguida, treinará um classificador de imagens para classificar as células individuais como tendo "GFP nuclear", "GFP citoplasmática" ou "sem GFP". Por fim, você fará medições e as plotará para responder à pergunta biológica. + + +#### **Contexto do experimento** + +Neste experimento, pesquisadores obtiveram imagens de células U2OS de osteossarcoma (câncer ósseo) fixadas expressando uma proteína de fusão FOXO1A-GFP e coraram DAPI para marcar os núcleos. FOXO1 é um fator de transcrição que desempenha um papel fundamental na regulação da gliconeogênese e glicogenólise por meio da sinalização da insulina. FOXO1A transita dinamicamente entre o citoplasma e o núcleo em resposta a vários estímulos. A wortmanina, um inibidor da PI3K, pode bloquear a exportação nuclear, resultando no acúmulo de FOXO1A no núcleo. + + + +```{figure} ./img/tutorial_images/Figure1.png +:largura: 300 +:alinhar: centro + +Representação esquemática do mecanismo FOXO1A +``` + +#### **Materiais necessários para este exercício** + +Os materiais necessários para este exercício podem ser baixados de: [PiximiTutorial](./downloads/Piximi_Translocation_Tutorial_RGB.zip). O arquivo “Piximi Translocation Tutorial RGB.zip” contém um projeto Piximi, incluindo todas as imagens, já rotuladas com o tratamento correspondente (concentração de Wortmannin ou Controle). Baixe este arquivo, mas **NÃO o descompacte**! + +#### **Instruções do exercício** + +Leia os passos abaixo e siga as instruções onde indicado. Os passos em que você precisa encontrar uma solução estão marcados com 🔴 PARA FAZER. + +##### 1. **Carregue o projeto Piximi** + +🔴 PARA FAZER + +* Inicie o Piximi acessando: [https://piximi.app/](https://piximi.app/) + +* Carregue o projeto de exemplo: Clique em “Abrir” \- “Projeto” \- “Projeto do Zip”, como mostrado na figura 22, para carregar um arquivo de projeto para este tutorial do Zip. Você também pode alterar o nome do projeto no painel superior esquerdo, como “Exercício Piximi”. Conforme ele é carregado, você pode ver a progressão no logotipo no canto superior esquerdo. + +```{figure} ./img/tutorial_images/Figure2.png +:width: 600 +:align: center + +Carregando um arquivo de projeto. +``` + +##### 2. **Verifique as imagens carregadas e explore a interface do Piximi** + +Estas 17 imagens representam tratamentos com Wortmannin em oito concentrações diferentes (expressas em nM), bem como tratamentos controles (0 nM). Observe que o canal DAPI (Núcleos) é mostrado em magenta e que o canal GFP (FOXOA1) é mostrado em verde. + +Ao passar o mouse sobre a imagem, rótulos coloridos são exibidos no canto esquerdo das imagens. Essas anotações são dos metadados do arquivo compactado que acabamos de enviar. Neste tutorial, os diferentes rótulos coloridos indicam a concentração de Wortmannin, enquanto os números representam o número de imagens em cada categoria. + +Opcionalmente, você pode anotar as imagens manualmente clicando em "+ Categoria", inserindo seu rótulo e, em seguida, selecionando a imagem clicando nas imagens e anotando as imagens selecionadas clicando em **"Categorizar"**. Neste tutorial, pularemos esta etapa, pois os rótulos já foram carregados no início. + +```{figure} ./img/tutorial_images/Figure3.png +:largura: 600 +:alinhar: centro + +Explorando as imagens e rótulos. +``` + +##### 3. **Segmentar Células - descubra as células a partir do fundo** + +🔴 PARA FAZER + +* Para iniciar a previsão em todas as imagens, clique em “Selecionar Todas as Imagens” no painel superior, conforme mostrado na Figura 23. +* Altere a Tarefa de Aprendizagem para “SEGMENTAÇÃO” (Figura 24, Seta 1). + +* Clique em “+ CARREGAR MODELO” (Seta 2) e a janela será exibida, permitindo que você escolha um modelo pré-treinado (Seta 3). Para o exercício de hoje, selecione “Cellpose” (Seta 4). Mais informações sobre o modelo suportado podem ser encontradas [aqui](https://documentation.piximi.app/segmentation.html). +* Clique em “Abrir Modelo de Segmentação” (Seta 5) para carregar seu modelo e selecioná-lo. Por fim, clique em “Prever Modelo” (Seta 5). Você verá o progresso da previsão exibido no canto superior esquerdo, abaixo do logotipo da Piximi . +* A segmentação levará alguns minutos para ser concluída. + +```{figure} ./img/tutorial_images/Figure4.png +:width: 600 +:align: center + +Carregando um modelo de segmentação. +``` + +Observe que as etapas anteriores foram executadas em sua máquina local, o que significa que suas imagens estão armazenadas localmente. No entanto, a inferência do Cellpose é executada na nuvem, o que significa que suas imagens serão enviadas para processamento. Se suas imagens forem altamente sensíveis, tenha cuidado ao usar serviços baseados em nuvem. + +##### 4. **Visualize o resultado da segmentação e corrija os erros de segmentação** + +🔴 PARA FAZER + +* Clique na aba **CELLPOSE_CELLS** para verificar as células individuais que foram segmentadas. Clique na aba “IMAGEM” e depois em “Anotar” para verificar a segmentação de toda a imagem. + +```{figure} ./img/tutorial_images/Figure5.png +:largura: 600 +:alinhar: centro + +Ferramenta de anotação do Piximi. +``` + +* Opcionalmente, aqui você pode refinar manualmente a segmentação usando as ferramentas do anotador. O anotador Piximi oferece diversas opções para **adicionar**, **subtrair** ou **interseccionar** anotações. Além disso, a **ferramenta de seleção** permite **redimensionar** ou **excluir** anotações específicas. Para começar a editar, selecione imagens específicas ou todas clicando na caixa de seleção na parte superior. +* Opcionalmente, você pode ajustar os canais: embora existam dois canais neste experimento, o sinal dos núcleos é duplicado nos canais vermelho e verde. Este projeto foi projetado para ser **compatível com daltonismo** e produzir uma **cor magenta** para os núcleos. O **canal verde** também inclui sinais citoplasmáticos. + +Outro motivo para duplicar os canais é que alguns modelos — como o **modelo Cellpose** que usamos hoje — exigem uma entrada de **três canais**. + +* Você pode optar por segmentar manualmente as células para gerar máscaras para dados de verdade básica. + +##### **Classificar células** + +Motivo para isso: Queremos classificar as 'CELLPOSE\_CELLS' com base na distribuição de GFP (em núcleos, citoplasma ou sem GFP) sem rotular todas elas manualmente. Para isso, podemos usar a função de classificação do Piximi, que nos permite treinar um classificador usando um pequeno subconjunto de dados rotulados e, em seguida, classificar automaticamente as células restantes. + +🔴 PARA FAZER + +* Acesse a aba **CELLPOSE_CELLS** que exibe os objetos segmentados (seta 1, figura 26) +* Clique na aba **Classificação** no painel esquerdo (seta 2, figura 26). +* Crie novas categorias clicando em **“+ Categoria”**. Adicione as três categorias “Cytoplasmatic_GFP”, “Nuclear_GFP” e “No_GFP” (Seta 3, Figura 26). +* Clique nas imagens que correspondem aos seus critérios. Você pode selecionar várias células pressionando **Command (⌘)** no Mac ou **Shift** no Linux. Tente atribuir **\~20–40 células por categoria**. Após selecionar, clique em **“Categorizar”** para atribuir os rótulos às células selecionadas. + +```{figure} ./img/tutorial_images/Figure6.png +:width: 600 +:align: center + +Classificando células individuais com base na presença e localização de GFP. +``` + +##### 6. **Treine o modelo do Classificador** + +🔴 PARA FAZER + +* Clique no ícone "Fit model icon - Ajustar Modelo" para abrir as configurações de hiperparâmetros do modelo. Para o exercício de hoje, ajustaremos alguns parâmetros: +* Clique em “Configurações de arquitetura” e defina a arquitetura do modelo como **SimpleCNN**. +* Atualize as dimensões de entrada para: + - Linhas de entrada: 48 + - Colunas de entrada: 48 + - Canais: 3 (já que nossas imagens estão no formato RGB) + + (Você pode mudar para outros números, como 64, 128) + +```{figure} ./img/tutorial_images/Figure7.png +:largura: 600 +:alinhar: centro + +Configuração do modelo classificador. +``` + +* Clique na aba “Configuração do Conjunto de Dados” e defina a Porcentagem de Treinamento como 0,75, o que reserva 25% dos dados rotulados para validação. +* Ao clicar em **"Ajustar Classificador"** no Piximi, dois gráficos de treinamento aparecerão: "**Precisão vs. Épocas'' e **"Perda vs. Épocas''. Cada gráfico mostra curvas para os dados de **treinamento** e **validação**. +* No **gráfico de precisão**, você verá o quão bem o modelo está aprendendo. Idealmente, a precisão tanto do treinamento quanto da validação deve aumentar e permanecer próxima. +* No **gráfico de perdas**, valores menores significam melhor desempenho. Se a perda de validação começar a aumentar enquanto a perda de treinamento continua caindo, o modelo pode estar com sobreajuste. + +Esses gráficos ajudam a entender como o modelo está aprendendo e se ajustes são necessários. + +##### 7. **Avaliar modelo:** + +🔴 A FAZER + +```{figure} ./img/tutorial_images/Figure8.png +:width: 400 +:align: center + +Treinamento e validação do classificador. +``` + +* Clique em **“Prever Modelo” (figura 28, seta 1)** para aplicar o modelo que acabamos de treinar. Esta etapa gerará previsões nas células que não anotamos. +* Você pode revisar as previsões na guia CELLPOSE_CELLS e excluir quaisquer categorias atribuídas incorretamente. +* Opcionalmente, você pode continuar usando os rótulos para refinar a verdade básica e aprimorar o classificador. Esse processo faz parte da **classificação humana no ciclo**, na qual você corrige e treina o modelo iterativamente com base na entrada humana. +* Clique em **“Avaliar Modelo” (figura 28, seta 2)** para avaliar o modelo que acabamos de treinar. As métricas de confusão e de avaliação podem ser comparadas com a verdade básica. +* Clique em "Aceitar previsão (Manter)" para atribuir os rótulos previstos a todos os objetos. + +##### 8. **Medição** + +Assim que estiver satisfeito com a classificação, prosseguiremos com a medição dos objetos. O objetivo do exercício de hoje é determinar a concentração mínima de Wortmannin necessária para bloquear a exportação de FOXO1A-GFP dos núcleos. Para isso, podemos medir a intensidade total de GFP na imagem ou no objeto. + +🔴 PARA FAZER + +* Clique em “Medição” no canto superior direito. +* Clique em Tabelas (Seta 1), selecione Imagem e clique em “Confirmar” (Seta 2). +* Selecione "MEDIÇÃO" no painel esquerdo. Observe que a etapa de medição pode levar algum tempo para ser processada. +* Clique em "Categoria" para incluir todas as categorias na medição. +* Em "Total", clique em "Canal 1" (Seta 3) para selecionar a medição para GFP. Você verá a medição na aba "GRADE DE DADOS". As medições são apresentadas como valores médios ou medianos, e o conjunto de dados completo está disponível ao exportar o arquivo .csv. + +```{figure} ./img/tutorial_images/Figure9.png +:largura: 600 +:alinhar: centro + +Adicione medidas. +``` + +##### 9. **Visualização** + +Após gerar as medições, você pode plotá-las. + +🔴 PARA FAZER + +* Clique em "PLOTS" (Figura 30, Seta 1) para visualizar as medições. +* Defina o tipo de gráfico como "Swarm" e escolha um tema de cores de acordo com sua preferência. +* Selecione "Y-axis" como "intensity-total-channel-1" e defina "SwarmGroup" como "category"; isso gerará uma curva mostrando como a intensidade da GFP varia entre as diferentes categorias (Figura 30, Seta 2). +* Selecionar "Show Statistics" exibirá a média, bem como os limites de confiança superior e inferior, no gráfico. +* Opcionalmente, você pode experimentar diferentes tipos de gráfico e eixos para ver se os dados revelam insights adicionais. + +```{figure} ./img/tutorial_images/Figure10.png +:width: 600 +:align: center + +Resultados do gráfico. +``` + +##### 10. **Exportar resultados e salvar o projeto** + +🔴 PARA FAZER + +* Clique em "SALVAR" no canto superior esquerdo para salvar o projeto inteiro. Você verá a animação do logotipo do Piximi conforme o salvamento avança . + +##### 11. **Informações de apoio** + +Confira o artigo do Piximi: [https://www.biorxiv.org/content/10.1101/2024.06.03.597232v2](https://www.biorxiv.org/content/10.1101/2024.06.03.597232v2) + +Confira a documentação do Piximi:[Documentação do Piximi](https://documentation.piximi.app/intro.html):[https://documentation.piximi.app/intro.html](https://documentation.piximi.app/intro.html) + +Relatar bugs/erros ou solicitar recursos [https://github.com/piximi/documentation/issues](https://github.com/piximi/documentation/issues)