Deep-Learning-Software hilft dabei, winzige Bakterien in Mikroskopbildern zu identifizieren

Omnipose, eine Deep-Learning-Software, hilft bei der Lösung der Herausforderung, vielfältige und winzige Bakterien in Mikroskopbildern zu identifizieren. Über dieses ursprüngliche Ziel hinaus wurde die Identifizierung mehrerer anderer Arten winziger Objekte in mikroskopischen Aufnahmen erreicht.

Das mikrobiologische Labor der UW Medicine von Joseph Mougous und das Physik- und Bioingenieurlabor der University of Washington von Paul A. Wiggins testeten das Tool. Es wurde vom Physikstudenten Kevin J. Cutler und seinem Team an der University of Washington entwickelt.

Mougous sagte, dass Cutler als Physikstudent „ein ungewöhnliches Interesse daran zeigte, in die Biologie einzutauchen, um aus erster Hand etwas über Probleme zu erfahren, die auf diesem Gebiet einer Lösung bedürfen. Er kam in mein Labor und fand schnell eines.“ das hat er auf spektakuläre Weise gelöst.“

Über ihre Ergebnisse wird in der Ausgabe von Nature Methods vom 17. Oktober berichtet.

Die Wissenschaftler fanden heraus, dass Omnipose, das auf einer großen Datenbank mit Bakterienbildern trainiert wurde, bei der Charakterisierung und Quantifizierung der unzähligen Bakterien in gemischten mikrobiellen Kulturen gute Leistungen erbrachte und einige der Fehler beseitigte, die beim Vorgänger Cellpose auftreten können.

Darüber hinaus ließ sich die Software nicht so leicht von extremen Veränderungen der Zellform aufgrund einer Antibiotikabehandlung oder der Antagonisierung durch Chemikalien, die bei der interbakteriellen Aggression entstehen, täuschen. Tatsächlich zeigte das Programm, dass es in einem Versuch mit E. coli sogar eine Zellvergiftung erkennen konnte.

Darüber hinaus konnte Omnipose Erkennungsprobleme aufgrund unterschiedlicher optischer Eigenschaften verschiedener Bakterien gut überwinden.

Die meisten Bakterien haben die Form von Kugeln oder Stäbchen, einige haben jedoch auch andere Grundformen, wie z. B. gewundene Spiralen. Darüber hinaus könnte Omnipose komplexere Bakterien mit länglichen Formen oder mit Zweigen, Filamenten und Anhängseln identifizieren – alles physikalische Merkmale, die es für Deep-Learning-Tools schwierig machen können, herauszufinden, welche Bakterien in einem Bild vorhanden sind.

Das Programm weist immer noch einige Einschränkungen bei der Handhabung von Objektüberlappungen in einer 2D-Wiedergabe einer 3D-Probe einer überfüllten mikrobiellen Gemeinschaft auf. Durch die Überlappung von Objekten entsteht beispielsweise der Effekt einer Uhr an einer Wand, die auf einem Foto den Eindruck erweckt, als würde sie aus dem Kopf einer Person herausspringen.

Bei der Analyse von Zellen in einem Wurzel-Urdatensatz des schnell wachsenden Unkrauts A. thaliana zeigte Omnipose in dieser 3D-Probe dennoch einige Vorteile gegenüber früheren Ansätzen.

Andere Untersuchungen des Mougous-Laborteams zu den Fähigkeiten von Omnipose zeigten, dass Bakterien unterhalb eines bestimmten Größenschwellenwerts für das Tool schwer zu erkennen sein können.

Trotz dieser Nachteile glauben die Forscher, dass Omnipose eine Lösung sein könnte, um „bei der Beantwortung vielfältiger Fragen in der bakteriellen Zellbiologie zu helfen“.

Um zu sehen, ob es auch zu einem multifunktionalen Werkzeug in anderen biologischen oder sogar nicht-lebenswissenschaftlichen Bereichen werden könnte, die von der Mikroskopie abhängig sind, testeten die Wissenschaftler das Programm an mikroskopischen Aufnahmen des ultrakleinen Spulwurms C. elegans, einem wichtigen Organismus in der Genetik, Neurowissenschaft, Entwicklungs- und mikrobielle Verhaltensforschung. Wie einige Bakterien hat dieses Lebewesen eine längliche Form. Wie viele andere Würmer kann er sich auch verdrehen. Omnipose konnte C. elegans unabhängig von seinen verschiedenen Dehnungen, Kontraktionen und anderen Bewegungen erkennen. Diese Fähigkeit könnte beispielsweise bei neuronalen Studien der Fortbewegung von C. elegans während der Zeitrafferverfolgung nützlich sein.

Bei der Entwicklung von Tools wie Omnipose streben Forscher eine Skala mit Einzelpixel-Präzision an, um die Grenzen einer Zelle zu definieren. Das liegt daran, dass die meisten Bilder von Bakterienzellkörpern nur aus wenigen Pixeln bestehen. Die Forscher erklärten, dass das Definieren von Grenzen innerhalb eines Bildes als Segmentierung bezeichnet wird. Sie entwickelten Ominpose mithilfe eines hochpräzisen Segmentierungsalgorithmus mit tiefem neuronalem Netzwerk. Ihre Experimente zeigten, dass Omnipose eine beispiellose Segmentierungsgenauigkeit aufweist.

Die Wissenschaftler haben Omnipose für den Einsatz in typischen Forschungslabors konzipiert und den Quellcode, die Trainingsdaten und Modelle sowie eine Dokumentation zur Verwendung des Programms öffentlich zugänglich gemacht.

„Wir gehen davon aus, dass die hohe Leistung von Omnipose über verschiedene zelluläre Morphologien und Modalitäten hinweg Informationen aus Mikroskopiebildern freigeben kann, die zuvor nicht zugänglich waren“, schreiben die Forscher in ihrem Bericht.

Angesichts der Bedeutung des Problems ist dies ein überfülltes Feld. Doch Kevins Lösung sticht aus der Masse heraus. Wir glauben, dass es die biologische Bildanalyse grundlegend verändern wird.“

Joseph Mougous, UW Medizin

Neben Cutler, Wiggins und Mougous waren Carsen Stringer, Teresa W. Lo, Luca Rappez und Nicholas Stroustrup weitere Forscher am Omnipose-Testprojekt. S. Brooke Peterson und Paul Wiggins. Mougous ist Forscher am Howard Hughes Medical Institute.

Quelle:

Medizinische Fakultät der University of Washington/UW Medicine

Referenz:

Cutler, KJ, et al. (2022) Omnipose: eine hochpräzise morphologieunabhängige Lösung für die Segmentierung von Bakterienzellen. Naturmethoden. doi.org/10.1038/s41592-022-01639-4.

.