Programvare for dyp læring hjelper til med å identifisere bittesmå bakterier i mikroskopbilder

Programvare for dyp læring hjelper til med å identifisere bittesmå bakterier i mikroskopbilder

Omnipose, en dyp læringsprogramvare, hjelper til med å løse utfordringen med å identifisere forskjellige og små bakterier i mikroskopbilder. Utover dette opprinnelige målet, har identifiseringen av flere andre typer små gjenstander i mikroskopiske bilder blitt oppnådd.

Joseph Mougous's UW Medicine Microbiology Laboratory og Paul A. Wiggins' University of Washington Physics and Bioengineering Laboratory testet verktøyet. Den ble utviklet av fysikkstudent Kevin J. Cutler og teamet hans ved University of Washington.

Mougous sa at Cutler som fysikkstudent "viste en uvanlig interesse for å fordype seg i biologi for å lære førstehånds om problemer som trengte å løses i feltet. Han kom til laboratoriet mitt og fant raskt et." Han løste det på en spektakulær måte.»

Funnene deres er rapportert i 17. oktober-utgaven av Nature Methods.

Forskerne fant at Omnipose, trent på en stor database med bakteriebilder, presterte godt i å karakterisere og kvantifisere de utallige bakteriene i blandede mikrobielle kulturer og eliminerte noen av feilene som kan oppstå med sin forgjenger, Cellpose.

I tillegg ble programvaren ikke lett lurt av ekstreme endringer i celleform på grunn av antibiotikabehandling eller antagonisme av kjemikalier som følge av interbakteriell aggresjon. Faktisk viste programmet at det til og med kunne oppdage celleforgiftning i et eksperiment med E. coli.

I tillegg var Omnipose i stand til godt å overvinne deteksjonsproblemer på grunn av forskjellige optiske egenskaper til forskjellige bakterier.

De fleste bakterier er formet som kuler eller staver, men noen har andre grunnleggende former, som: B. vridde spiraler. I tillegg kunne Omnipose identifisere mer komplekse bakterier med langstrakte former eller med grener, filamenter og vedheng - alle fysiske egenskaper som kan gjøre det vanskelig for dyplæringsverktøy å finne ut hvilke bakterier som er tilstede i et bilde.

Programmet har fortsatt noen begrensninger i håndtering av objektoverlapping i en 2D-gjengivelse av en 3D-prøve av et overfylt mikrobielt samfunn. For eksempel skaper overlappende objekter effekten av en klokke på en vegg, som på et bilde ser ut som om den spretter ut av hodet til en person.

Når man analyserte celler i et rot-primordialt datasett av det raskt voksende ugresset A. thaliana, viste Omnipose fortsatt noen fordeler i forhold til tidligere tilnærminger i denne 3D-prøven.

Annen forskning utført av Mougous-labteamet på Omniposes evner viste at bakterier under en viss størrelsesterskel kan være vanskelig for verktøyet å oppdage.

Til tross for disse ulempene, mener forskerne Omnipose kan være en løsning for å "hjelpe med å svare på forskjellige spørsmål innen bakteriell cellebiologi."

For å se om det også kan bli et multifunksjonelt verktøy innen andre biologiske eller til og med ikke-livsvitenskapelige felt som er avhengig av mikroskopi, testet forskerne programmet på mikrofotografier av den ultralille rundormen C. elegans, en viktig organisme innen genetikk, nevrovitenskap, utviklings- og mikrobiell atferdsforskning. Som noen bakterier har denne skapningen en langstrakt form. Som mange andre ormer kan den vri seg. Omnipose var i stand til å oppdage C. elegans uavhengig av dens ulike strekk, sammentrekninger og andre bevegelser. Denne evnen kan for eksempel være nyttig i nevrale studier av C. elegans bevegelse under time-lapse-sporing.

Når forskerne utvikler verktøy som Omnipose, sikter forskerne etter en skala med enkeltpikselpresisjon for å definere grensene til en celle. Dette er fordi de fleste bilder av bakteriecellekropper består av bare noen få piksler. Forskerne forklarte at det å definere grenser i et bilde kalles segmentering. De utviklet Ominpose ved å bruke en høypresisjons-algoritme for segmentering av nevrale nettverk. Eksperimentene deres viste at Omnipose har en enestående segmenteringsnøyaktighet.

Forskerne utformet Omnipose for bruk i typiske forskningslaboratorier og gjorde kildekoden, opplæringsdata og modeller, samt dokumentasjon om hvordan man bruker programmet offentlig tilgjengelig.

"Vi antar at den høye ytelsen til Omnipose på tvers av ulike cellulære morfologier og modaliteter kan låse opp informasjon fra mikroskopibilder som tidligere var utilgjengelige," skriver forskerne i sin rapport.

Gitt hvor viktig problemet er, er dette et overfylt felt. Men Kevins løsning skiller seg ut fra mengden. Vi tror det vil fundamentalt endre biologisk bildeanalyse."

Joseph Mougous, UW Medicine

I tillegg til Cutler, Wiggins og Mougous, var andre forskere på testprosjektet Omnipose Carsen Stringer, Teresa W. Lo, Luca Rappez og Nicholas Stroustrup. S. Brooke Peterson og Paul Wiggins. Mougous er forsker ved Howard Hughes Medical Institute.

Kilde:

University of Washington School of Medicine/UW Medicine

Referanse:

Cutler, K.J., et al. (2022) Omnipose: en høypresisjon morfologi-uavhengig løsning for bakteriell cellesegmentering. Naturlige metoder. doi.org/10.1038/s41592-022-01639-4.

.