El software de aprendizaje profundo ayuda a identificar pequeñas bacterias en imágenes de microscopio

El software de aprendizaje profundo ayuda a identificar pequeñas bacterias en imágenes de microscopio

Omnipose, un software de aprendizaje profundo, ayuda a resolver el desafío de identificar bacterias diminutas y diversas en imágenes microscópicas. Más allá de este objetivo inicial, se ha logrado la identificación de varios otros tipos de objetos diminutos en imágenes microscópicas.

El Laboratorio de Microbiología de Medicina de la Universidad de Washington Joseph Mougous y el Laboratorio de Física y Bioingeniería de la Universidad de Washington Paul A. Wiggins probaron la herramienta. Fue desarrollado por el estudiante de física Kevin J. Cutler y su equipo de la Universidad de Washington.

Mougous dijo que como estudiante de física, Cutler "mostró un interés inusual en profundizar en la biología para aprender de primera mano sobre los problemas que necesitaban solución en el campo. Vino a mi laboratorio y rápidamente encontró uno". Lo resolvió de una manera espectacular”.

Sus hallazgos aparecen en la edición del 17 de octubre de Nature Methods.

Los científicos descubrieron que Omnipose, entrenado en una gran base de datos de imágenes bacterianas, funcionó bien en la caracterización y cuantificación de innumerables bacterias en cultivos microbianos mixtos y eliminó algunos de los errores que pueden ocurrir con su predecesor, Cellpose.

Además, el software no se dejó engañar fácilmente por cambios extremos en la forma de las células debido al tratamiento con antibióticos o al antagonismo de sustancias químicas resultantes de la agresión interbacteriana. De hecho, el programa demostró que podía incluso detectar envenenamiento celular en un experimento con E. coli.

Además, Omnipose pudo superar con creces los problemas de detección debidos a las diferentes propiedades ópticas de las distintas bacterias.

La mayoría de las bacterias tienen forma de esferas o varillas, pero algunas tienen otras formas básicas, como espirales retorcidas. Además, Omnipose podría identificar bacterias más complejas con formas alargadas o con ramas, filamentos y apéndices, todas características físicas que pueden dificultar que las herramientas de aprendizaje profundo determinen qué bacterias están presentes en una imagen.

El programa todavía tiene algunas limitaciones en el manejo de la superposición de objetos en una representación 2D de una muestra 3D de una comunidad microbiana poblada. Por ejemplo, la superposición de objetos crea el efecto de un reloj en la pared, que en una fotografía parece como si saliera de la cabeza de una persona.

Al analizar células en un conjunto de datos primordiales de raíces de la maleza de rápido crecimiento A. thaliana, Omnipose aún mostró algunas ventajas sobre enfoques anteriores en esta muestra 3D.

Otra investigación realizada por el equipo del laboratorio de Mougous sobre las capacidades de Omnipose demostró que las bacterias por debajo de un cierto umbral de tamaño pueden ser difíciles de detectar para la herramienta.

A pesar de estos inconvenientes, los investigadores creen que Omnipose podría ser una solución para "ayudar a responder diversas preguntas en la biología de las células bacterianas".

Para ver si también podría convertirse en una herramienta multifuncional en otros campos biológicos o incluso de las ciencias no biológicas que dependen de la microscopía, los científicos probaron el programa en micrografías del gusano redondo ultrapequeño C. elegans, un organismo importante en genética, neurociencia, investigación del desarrollo y del comportamiento microbiano. Como algunas bacterias, esta criatura tiene una forma alargada. Como muchos otros gusanos, puede retorcerse. Omnipose pudo detectar C. elegans independientemente de sus diversos estiramientos, contracciones y otros movimientos. Esta capacidad podría resultar útil, por ejemplo, en estudios neuronales de la locomoción de C. elegans durante el seguimiento en intervalos de tiempo.

Al desarrollar herramientas como Omnipose, los investigadores buscan una escala con precisión de un solo píxel para definir los límites de una celda. Esto se debe a que la mayoría de las imágenes de cuerpos celulares bacterianos constan de sólo unos pocos píxeles. Los investigadores explicaron que definir límites dentro de una imagen se llama segmentación. Desarrollaron Ominpose utilizando un algoritmo de segmentación de redes neuronales profundas de alta precisión. Sus experimentos demostraron que Omnipose tiene una precisión de segmentación sin precedentes.

Los científicos diseñaron Omnipose para su uso en laboratorios de investigación típicos y pusieron a disposición del público el código fuente, los datos y modelos de entrenamiento, así como la documentación sobre cómo utilizar el programa.

"Presumimos que el alto rendimiento de Omnipose en diversas morfologías y modalidades celulares puede desbloquear información de imágenes de microscopía que antes era inaccesible", escriben los investigadores en su informe.

Dada la importancia del problema, éste es un campo saturado. Pero la solución de Kevin se destaca entre la multitud. Creemos que cambiará fundamentalmente el análisis de imágenes biológicas”.

Joseph Mougous, Medicina de la Universidad de Washington

Además de Cutler, Wiggins y Mougous, otros investigadores del proyecto de prueba Omnipose fueron Carsen Stringer, Teresa W. Lo, Luca Rappez y Nicholas Stroustrup. S. Brooke Peterson y Paul Wiggins. Mougous es investigador del Instituto Médico Howard Hughes.

Fuente:

Facultad de Medicina de la Universidad de Washington/Medicina de la Universidad de Washington

Referencia:

Cutler, KJ, et al. (2022) Omnipose: una solución independiente de la morfología de alta precisión para la segmentación de células bacterianas. Métodos naturales. doi.org/10.1038/s41592-022-01639-4.

.