Το λογισμικό βαθιάς εκμάθησης βοηθά στην αναγνώριση μικροσκοπικών βακτηρίων σε εικόνες μικροσκοπίου

Το λογισμικό βαθιάς εκμάθησης βοηθά στην αναγνώριση μικροσκοπικών βακτηρίων σε εικόνες μικροσκοπίου

Το Omnipose, ένα λογισμικό βαθιάς εκμάθησης, βοηθά στην επίλυση της πρόκλησης του εντοπισμού διαφορετικών και μικροσκοπικών βακτηρίων σε εικόνες μικροσκοπίου. Πέρα από αυτόν τον αρχικό στόχο, έχει επιτευχθεί η αναγνώριση αρκετών άλλων τύπων μικροσκοπικών αντικειμένων σε μικροσκοπικές εικόνες.

Το Εργαστήριο Μικροβιολογίας UW Medicine του Joseph Mougous και το Εργαστήριο Φυσικής και Βιομηχανικής του Πανεπιστημίου της Ουάσιγκτον του Paul A. Wiggins δοκίμασαν το εργαλείο. Αναπτύχθηκε από τον φοιτητή φυσικής Kevin J. Cutler και την ομάδα του στο Πανεπιστήμιο της Ουάσιγκτον.

Ο Mougous είπε ότι ως φοιτητής φυσικής, ο Cutler "έδειξε ένα ασυνήθιστο ενδιαφέρον να εμβαθύνει στη βιολογία για να μάθει από πρώτο χέρι για προβλήματα που έπρεπε να λυθούν στο πεδίο. Ήρθε στο εργαστήριό μου και γρήγορα βρήκε ένα." Το έλυσε με θεαματικό τρόπο».

Τα ευρήματά τους αναφέρονται στο τεύχος της 17ης Οκτωβρίου του Nature Methods.

Οι επιστήμονες διαπίστωσαν ότι το Omnipose, εκπαιδευμένο σε μια μεγάλη βάση δεδομένων βακτηριακών εικόνων, είχε καλή απόδοση στον χαρακτηρισμό και τον ποσοτικό προσδιορισμό των μυριάδων βακτηρίων σε μικτές μικροβιακές καλλιέργειες και εξάλειψε ορισμένα από τα σφάλματα που μπορεί να συμβούν με τον προκάτοχό του, το Cellpose.

Επιπλέον, το λογισμικό δεν ξεγελάστηκε εύκολα από ακραίες αλλαγές στο σχήμα των κυττάρων λόγω της θεραπείας με αντιβιοτικά ή του ανταγωνισμού από χημικές ουσίες που προέρχονται από διαβακτηριακή επιθετικότητα. Μάλιστα, το πρόγραμμα έδειξε ότι μπορούσε ακόμη και να ανιχνεύσει κυτταρική δηλητηρίαση σε ένα πείραμα με E. coli.

Επιπλέον, το Omnipose μπόρεσε να ξεπεράσει καλά προβλήματα ανίχνευσης λόγω των διαφορετικών οπτικών ιδιοτήτων διαφορετικών βακτηρίων.

Τα περισσότερα βακτήρια έχουν σχήμα σφαίρες ή ράβδοι, αλλά μερικά έχουν άλλα βασικά σχήματα, όπως: Β. στριφτές σπείρες. Επιπλέον, το Omnipose θα μπορούσε να αναγνωρίσει πιο πολύπλοκα βακτήρια με επιμήκη σχήματα ή με κλαδιά, νήματα και εξαρτήματα - όλα τα φυσικά χαρακτηριστικά που μπορούν να δυσκολέψουν τα εργαλεία βαθιάς μάθησης να καταλάβουν ποια βακτήρια υπάρχουν σε μια εικόνα.

Το πρόγραμμα εξακολουθεί να έχει ορισμένους περιορισμούς στον χειρισμό της επικάλυψης αντικειμένων σε μια δισδιάστατη απόδοση ενός τρισδιάστατου δείγματος μιας πολυπληθούς μικροβιακής κοινότητας. Για παράδειγμα, η επικάλυψη αντικειμένων δημιουργεί το εφέ ενός ρολογιού σε έναν τοίχο, το οποίο σε μια φωτογραφία φαίνεται σαν να ξεπροβάλλει από το κεφάλι ενός ατόμου.

Κατά την ανάλυση κυττάρων σε ένα αρχέγονο σύνολο δεδομένων ρίζας του ταχέως αναπτυσσόμενου ζιζανίου A. thaliana, το Omnipose εξακολουθούσε να έδειξε ορισμένα πλεονεκτήματα σε σχέση με προηγούμενες προσεγγίσεις σε αυτό το τρισδιάστατο δείγμα.

Άλλη έρευνα από την ομάδα του εργαστηρίου Mougous σχετικά με τις δυνατότητες του Omnipose έδειξε ότι τα βακτήρια κάτω από ένα συγκεκριμένο όριο μεγέθους μπορεί να είναι δύσκολο να ανιχνευθούν από το εργαλείο.

Παρά αυτά τα μειονεκτήματα, οι ερευνητές πιστεύουν ότι το Omnipose θα μπορούσε να είναι μια λύση για να «βοηθήσει να απαντηθούν διάφορες ερωτήσεις στη βιολογία των βακτηριακών κυττάρων».

Για να δουν εάν θα μπορούσε επίσης να γίνει ένα πολυλειτουργικό εργαλείο σε άλλα πεδία βιολογικής ή και μη βιολογικής επιστήμης που εξαρτώνται από τη μικροσκοπία, οι επιστήμονες δοκίμασαν το πρόγραμμα σε μικρογραφίες του εξαιρετικά μικρού στρογγυλού σκουλήκι C. elegans, ενός σημαντικού οργανισμού στη γενετική, τη νευροεπιστήμη, την αναπτυξιακή και μικροβιακή συμπεριφορική έρευνα. Όπως ορισμένα βακτήρια, αυτό το πλάσμα έχει ένα επίμηκες σχήμα. Όπως πολλά άλλα σκουλήκια, μπορεί να στρίψει. Το Omnipose μπόρεσε να ανιχνεύσει το C. elegans ανεξάρτητα από τις διάφορες διατάσεις, συσπάσεις και άλλες κινήσεις του. Αυτή η ικανότητα θα μπορούσε να είναι χρήσιμη, για παράδειγμα, σε νευρωνικές μελέτες της κίνησης του C. elegans κατά τη διάρκεια της παρακολούθησης με καθυστέρηση.

Κατά την ανάπτυξη εργαλείων όπως το Omnipose, οι ερευνητές στοχεύουν σε μια κλίμακα με ακρίβεια ενός εικονοστοιχείου για τον καθορισμό των ορίων ενός κελιού. Αυτό συμβαίνει επειδή οι περισσότερες εικόνες βακτηριακών κυτταρικών σωμάτων αποτελούνται μόνο από λίγα εικονοστοιχεία. Οι ερευνητές εξήγησαν ότι ο καθορισμός ορίων μέσα σε μια εικόνα ονομάζεται κατάτμηση. Ανέπτυξαν το Ominpose χρησιμοποιώντας έναν αλγόριθμο τμηματοποίησης βαθιάς νευρωνικού δικτύου υψηλής ακρίβειας. Τα πειράματά τους έδειξαν ότι το Omnipose έχει άνευ προηγουμένου ακρίβεια τμηματοποίησης.

Οι επιστήμονες σχεδίασαν το Omnipose για χρήση σε τυπικά ερευνητικά εργαστήρια και έκαναν τον πηγαίο κώδικα, τα δεδομένα εκπαίδευσης και τα μοντέλα, καθώς και την τεκμηρίωση για τον τρόπο χρήσης του προγράμματος δημόσια διαθέσιμα.

«Υποθέτουμε ότι η υψηλή απόδοση του Omnipose σε διάφορες κυτταρικές μορφολογίες και τρόπους μπορεί να ξεκλειδώσει πληροφορίες από εικόνες μικροσκοπίου που ήταν προηγουμένως απρόσιτες», γράφουν οι ερευνητές στην έκθεσή τους.

Δεδομένης της σημασίας του προβλήματος, αυτό είναι ένα γεμάτο κόσμο. Αλλά η λύση του Kevin ξεχωρίζει από το πλήθος. Πιστεύουμε ότι θα αλλάξει θεμελιωδώς την ανάλυση βιολογικών εικόνων».

Joseph Mougous, UW Medicine

Εκτός από τους Cutler, Wiggins και Mougous, άλλοι ερευνητές στο δοκιμαστικό έργο Omnipose ήταν οι Carsen Stringer, Teresa W. Lo, Luca Rappez και Nicholas Stroustrup. S. Brooke Peterson και Paul Wiggins. Ο Mougous είναι ερευνητής στο Ιατρικό Ινστιτούτο Howard Hughes.

Πηγή:

University of Washington School of Medicine/UW Medicine

Αναφορά:

Cutler, K.J., et al. (2022) Omnipose: μια λύση υψηλής ακρίβειας ανεξάρτητη από τη μορφολογία για την κατάτμηση βακτηριακών κυττάρων. Φυσικές μέθοδοι. doi.org/10.1038/s41592-022-01639-4.

.