Софтуерът за дълбоко обучение помага за идентифицирането на малки бактерии в микроскопски изображения

Софтуерът за дълбоко обучение помага за идентифицирането на малки бактерии в микроскопски изображения

Omnipose, софтуер за дълбоко обучение, помага за решаването на предизвикателството за идентифициране на разнообразни и малки бактерии в микроскопски изображения. Отвъд тази първоначална цел е постигната идентификацията на няколко други вида малки обекти в микроскопични изображения.

Медицинската микробиологична лаборатория на Джоузеф Мугус и Лабораторията по физика и биоинженерство на Университета на Пол А. Уигинс във Вашингтон тестваха инструмента. Той е разработен от студента по физика Кевин Дж. Кътлър и неговия екип от Вашингтонския университет.

Mougous каза, че като студент по физика Кътлър "проявява необичаен интерес да се рови в биологията, за да научи от първа ръка за проблеми, които трябва да бъдат решени в тази област. Той дойде в моята лаборатория и бързо намери такъв." Той реши това по грандиозен начин.

Техните открития са докладвани в броя на Nature Methods от 17 октомври.

Учените установиха, че Omnipose, обучен върху голяма база данни от бактериални изображения, се представи добре при характеризирането и количественото определяне на безбройните бактерии в смесени микробни култури и елиминира някои от грешките, които могат да възникнат с неговия предшественик, Cellpose.

В допълнение, софтуерът не беше лесно измамен от екстремни промени във формата на клетката, дължащи се на лечение с антибиотици или антагонизъм от химикали в резултат на междубактериална агресия. Всъщност програмата показа, че може дори да открие клетъчно отравяне в експеримент с E. coli.

Освен това Omnipose успя да преодолее добре проблемите с откриването, дължащи се на различни оптични свойства на различните бактерии.

Повечето бактерии имат формата на сфери или пръчици, но някои имат други основни форми, като например: Б. усукани спирали. Освен това Omnipose може да идентифицира по-сложни бактерии с продълговати форми или с клони, нишки и придатъци - всички физически характеристики, които могат да затруднят инструментите за дълбоко обучение да разберат кои бактерии присъстват в изображението.

Програмата все още има някои ограничения при обработката на припокриване на обекти в 2D изобразяване на 3D проба на пренаселена микробна общност. Например припокриването на обекти създава ефекта на часовник на стена, който на снимка изглежда сякаш изскача от главата на човек.

При анализиране на клетки в корен първичен набор от данни на бързо растящия плевел A. thaliana, Omnipose все пак показа някои предимства пред предишните подходи в тази 3D проба.

Други изследвания на лабораторния екип на Mougous върху възможностите на Omnipose показаха, че бактериите под определен праг на размер могат да бъдат трудни за откриване от инструмента.

Въпреки тези недостатъци, изследователите смятат, че Omnipose може да бъде решение, което да „помогне да се отговори на различни въпроси в биологията на бактериалните клетки“.

За да видят дали може да се превърне в многофункционален инструмент и в други биологични или дори различни области на науката за живота, които зависят от микроскопията, учените тестваха програмата върху микрографии на ултрамалкия кръгъл червей C. elegans, важен организъм в генетиката, невронауките, развитието и изследването на микробното поведение. Подобно на някои бактерии, това същество има удължена форма. Подобно на много други червеи, той може да се усуква. Omnipose успя да открие C. elegans независимо от различните му разтягания, свивания и други движения. Тази способност може да бъде полезна, например, при невронни изследвания на придвижването на C. elegans по време на проследяване на изтичане на времето.

Когато разработват инструменти като Omnipose, изследователите се стремят към скала с точност до един пиксел, за да дефинират границите на клетката. Това е така, защото повечето изображения на тела на бактериални клетки се състоят само от няколко пиксела. Изследователите обясниха, че определянето на граници в едно изображение се нарича сегментиране. Те разработиха Ominpose, използвайки високопрецизен алгоритъм за сегментиране на дълбока невронна мрежа. Техните експерименти показаха, че Omnipose има безпрецедентна точност на сегментиране.

Учените проектираха Omnipose за използване в типични изследователски лаборатории и направиха изходния код, данните за обучение и моделите, както и документацията за това как да използвате програмата, публично достъпни.

„Предполагаме, че високата производителност на Omnipose в различни клетъчни морфологии и модалности може да отключи информация от микроскопски изображения, която преди е била недостъпна“, пишат изследователите в своя доклад.

Като се има предвид важността на проблема, това е претъпкано поле. Но решението на Кевин се откроява от тълпата. Вярваме, че това ще промени фундаментално анализа на биологичните изображения.

Джоузеф Мугус, UW Medicine

В допълнение към Cutler, Wiggins и Mougous, други изследователи на тестовия проект Omnipose бяха Carsen Stringer, Teresa W. Lo, Luca Rappez и Nicholas Stroustrup. С. Брук Питърсън и Пол Уигинс. Mougous е изследовател в Медицинския институт Хауърд Хюз.

източник:

Медицински факултет на Университета на Вашингтон/UW Medicine

Справка:

Cutler, K.J., et al. (2022) Omnipose: високопрецизно независимо от морфологията решение за сегментиране на бактериални клетки. Естествени методи. doi.org/10.1038/s41592-022-01639-4.

.