Dziļās apmācības programmatūra palīdz mikroskopa attēlos identificēt sīkas baktērijas

Dziļās apmācības programmatūra palīdz mikroskopa attēlos identificēt sīkas baktērijas

Omnipose, dziļas apmācības programmatūra, palīdz atrisināt uzdevumu mikroskopa attēlos identificēt dažādas un sīkas baktērijas. Papildus šim sākotnējam mērķim ir sasniegts vairāku citu veidu sīku objektu identificēšana mikroskopiskajos attēlos.

Džozefa Moguusa UW Medicīnas mikrobioloģijas laboratorija un Paula A. Viginsa Vašingtonas Universitātes Fizikas un bioinženierijas laboratorija pārbaudīja šo rīku. To izstrādāja fizikas students Kevins Dž. Katlers un viņa komanda Vašingtonas Universitātē.

Mougous teica, ka būdams fizikas students, Katlers "izrādīja neparastu interesi iedziļināties bioloģijā, lai no pirmavotiem uzzinātu par problēmām, kas šajā jomā jāatrisina. Viņš ieradās manā laboratorijā un ātri atrada vienu." Viņš to atrisināja iespaidīgā veidā.

Par viņu atklājumiem ziņots Nature Methods 17. oktobra numurā.

Zinātnieki atklāja, ka Omnipose, kas tika apmācīta, izmantojot lielu baktēriju attēlu datu bāzi, labi veica neskaitāmo baktēriju raksturojumu un kvantitatīvu noteikšanu jauktajās mikrobu kultūrās un novērsa dažas kļūdas, kas var rasties ar tā priekšgājēju Cellpose.

Turklāt programmatūru nebija viegli apmānīt ar ārkārtējām šūnu formas izmaiņām, ko izraisīja ārstēšana ar antibiotikām, vai antagonisms ar ķīmiskām vielām, kas radušās interbakteriālas agresijas rezultātā. Faktiski programma parādīja, ka tā var pat atklāt šūnu saindēšanos eksperimentā ar E. coli.

Turklāt Omnipose spēja labi pārvarēt noteikšanas problēmas dažādu baktēriju atšķirīgo optisko īpašību dēļ.

Lielākajai daļai baktēriju ir sfēru vai stieņu forma, bet dažām ir arī citas pamatformas, piemēram: B. savītas spirāles. Turklāt Omnipose varētu identificēt sarežģītākas baktērijas ar iegarenām formām vai ar zariem, pavedieniem un piedēkļiem — visas fiziskās īpašības, kas var apgrūtināt dziļās mācīšanās rīkus, lai noskaidrotu, kuras baktērijas atrodas attēlā.

Programmai joprojām ir daži ierobežojumi attiecībā uz objektu pārklāšanos pārpildītas mikrobu kopienas 3D parauga 2D renderēšanā. Piemēram, objekti, kas pārklājas, rada pulksteņa efektu uz sienas, kas fotoattēlā izskatās tā, it kā tas izlec no cilvēka galvas.

Analizējot šūnas strauji augošās nezāles A. thaliana sakņu pirmatnējā datu kopā, Omnipose joprojām uzrādīja dažas priekšrocības salīdzinājumā ar iepriekšējām pieejām šajā 3D paraugā.

Citi Mougous laboratorijas komandas pētījumi par Omnipose iespējām parādīja, ka rīkam var būt grūti noteikt baktērijas, kas ir zemākas par noteiktu lieluma slieksni.

Neskatoties uz šiem trūkumiem, pētnieki uzskata, ka Omnipose varētu būt risinājums, lai "palīdzētu atbildēt uz dažādiem jautājumiem baktēriju šūnu bioloģijā".

Lai noskaidrotu, vai tas varētu kļūt par daudzfunkcionālu rīku citās bioloģiskās vai pat nedzīvības zinātnes jomās, kas ir atkarīgas no mikroskopijas, zinātnieki pārbaudīja programmu, izmantojot ultramazā apaļtārpu C. elegans mikrogrāfiju, kas ir svarīgs organisms ģenētikā, neirozinātnē, attīstības un mikrobu uzvedības pētījumos. Tāpat kā dažām baktērijām, šai būtnei ir iegarena forma. Tāpat kā daudzi citi tārpi, tas var sagriezties. Omnipose spēja noteikt C. elegans neatkarīgi no tā dažādajām stiepšanās, kontrakcijas un citām kustībām. Šī spēja varētu būt noderīga, piemēram, neirālos pētījumos par C. elegans kustību laika intervāla izsekošanas laikā.

Izstrādājot tādus rīkus kā Omnipose, pētnieki cenšas izveidot skalu ar viena pikseļa precizitāti, lai noteiktu šūnas robežas. Tas ir tāpēc, ka lielākā daļa baktēriju šūnu ķermeņu attēlu sastāv tikai no dažiem pikseļiem. Pētnieki paskaidroja, ka robežu noteikšanu attēlā sauc par segmentāciju. Viņi izstrādāja Ominpose, izmantojot augstas precizitātes dziļo neironu tīklu segmentācijas algoritmu. Viņu eksperimenti parādīja, ka Omnipose ir bezprecedenta segmentācijas precizitāte.

Zinātnieki izstrādāja Omnipose lietošanai tipiskās pētniecības laboratorijās un padarīja publiski pieejamu pirmkodu, apmācības datus un modeļus, kā arī dokumentāciju par programmas lietošanu.

"Mēs izvirzām hipotēzi, ka Omnipose augstā veiktspēja dažādās šūnu morfoloģijās un modalitātēs var atbloķēt informāciju no mikroskopiskiem attēliem, kas iepriekš nebija pieejami," savā ziņojumā raksta pētnieki.

Ņemot vērā problēmas nozīmīgumu, šis ir pārpildīts lauks. Bet Kevina risinājums izceļas no pūļa. Mēs uzskatām, ka tas būtiski mainīs bioloģisko attēlu analīzi.

Džozefs Mougous, UW Medicine

Papildus Katleram, Viginsam un Mougusam citi Omnipose testa projekta pētnieki bija Karsens Stringers, Terēza V. Lo, Luka Rapesa un Nikolass Stroustrups. S. Brūka Pētersone un Pols Viginss. Mougous ir Hovarda Hjūza Medicīnas institūta pētnieks.

Avots:

Vašingtonas Universitātes Medicīnas skola / UW Medicīna

Atsauce:

Katlers, K.J. u.c. (2022) Omnipose: augstas precizitātes morfoloģijas neatkarīgs risinājums baktēriju šūnu segmentēšanai. Dabiskas metodes. doi.org/10.1038/s41592-022-01639-4.

.