Oprogramowanie do głębokiego uczenia się pomaga identyfikować maleńkie bakterie na obrazach mikroskopowych

Oprogramowanie do głębokiego uczenia się pomaga identyfikować maleńkie bakterie na obrazach mikroskopowych

Omnipose, oprogramowanie do głębokiego uczenia się, pomaga sprostać wyzwaniu identyfikacji różnorodnych i drobnych bakterii na obrazach mikroskopowych. Oprócz tego początkowego celu udało się zidentyfikować kilka innych typów drobnych obiektów na obrazach mikroskopowych.

Narzędzie przetestowało Laboratorium Mikrobiologiczne Uniwersytetu Medycznego Josepha Mougousa oraz Laboratorium Fizyki i Bioinżynierii Uniwersytetu Waszyngtońskiego Paula A. Wigginsa. Został opracowany przez studenta fizyki Kevina J. Cutlera i jego zespół na Uniwersytecie Waszyngtońskim.

Mougous powiedział, że jako student fizyki Cutler „wykazywał niezwykłe zainteresowanie zgłębianiem biologii, aby dowiedzieć się z pierwszej ręki o problemach wymagających rozwiązania w terenie. Przyszedł do mojego laboratorium i szybko go znalazł”. Rozwiązał to w spektakularny sposób.”

Wyniki ich badań opublikowano w wydaniu Nature Methods z 17 października.

Naukowcy odkryli, że program Omnipose, przeszkolony w oparciu o dużą bazę danych obrazów bakterii, dobrze radził sobie z charakteryzowaniem i oznaczaniem ilościowym niezliczonych bakterii w mieszanych kulturach drobnoustrojów oraz wyeliminował niektóre błędy, które mogły wystąpić w przypadku jego poprzednika, Cellpose.

Ponadto oprogramowania nie dało się łatwo zwieść ekstremalnymi zmianami kształtu komórek spowodowanymi leczeniem antybiotykami lub antagonizmem środków chemicznych wynikającym z agresji międzybakteryjnej. W rzeczywistości program wykazał, że może nawet wykryć zatrucie komórek w eksperymencie z E. coli.

Ponadto projekt Omnipose skutecznie przezwyciężył problemy z wykrywaniem wynikające z różnych właściwości optycznych różnych bakterii.

Większość bakterii ma kształt kul lub pręcików, ale niektóre mają inne podstawowe kształty, takie jak: B. skręcone spirale. Ponadto Omnipose może identyfikować bardziej złożone bakterie o wydłużonych kształtach lub z gałęziami, włóknami i wyrostkami – wszystkie te cechy fizyczne mogą utrudniać narzędziom głębokiego uczenia się ustalenie, które bakterie są obecne na obrazie.

Program nadal ma pewne ograniczenia w obsłudze nakładania się obiektów w renderowaniu 2D próbki 3D zatłoczonej społeczności drobnoustrojów. Na przykład nakładanie się obiektów tworzy efekt zegara na ścianie, który na zdjęciu wygląda tak, jakby wyskakiwał z głowy danej osoby.

Analizując komórki w pierwotnym zbiorze danych korzenia szybko rosnącego chwastu A. thaliana, Omnipose nadal wykazało pewne zalety w porównaniu z poprzednimi podejściami w tej próbce 3D.

Inne badania przeprowadzone przez zespół laboratoryjny Mougous nad możliwościami Omnipose wykazały, że bakterie poniżej określonego progu wielkości mogą być trudne do wykrycia przez narzędzie.

Pomimo tych wad naukowcy uważają, że Omnipose może być rozwiązaniem, które „pomoże w odpowiedzi na różnorodne pytania z zakresu biologii komórki bakteryjnej”.

Aby sprawdzić, czy mógłby stać się wielofunkcyjnym narzędziem w innych dziedzinach nauk biologicznych, a nawet niezwiązanych z naukami przyrodniczymi, które zależą od mikroskopii, naukowcy przetestowali program na mikrofotografiach ultramałej glisty C. elegans, organizmu ważnego w genetyce, neurologii oraz badaniach rozwojowych i behawioralnych drobnoustrojów. Podobnie jak niektóre bakterie, to stworzenie ma wydłużony kształt. Podobnie jak wiele innych robaków, może się skręcać. Omnipose był w stanie wykryć C. elegans niezależnie od różnych rozciągnięć, skurczów i innych ruchów. Zdolność ta może być przydatna na przykład w badaniach neuronowych lokomocji C. elegans podczas śledzenia poklatkowego.

Opracowując narzędzia takie jak Omnipose, badacze dążą do skali z precyzją pojedynczego piksela, aby określić granice komórki. Dzieje się tak dlatego, że większość obrazów ciał komórek bakteryjnych składa się tylko z kilku pikseli. Naukowcy wyjaśnili, że określenie granic w obrazie nazywa się segmentacją. Opracowali Ominpose przy użyciu bardzo precyzyjnego algorytmu segmentacji głębokiej sieci neuronowej. Ich eksperymenty wykazały, że Omnipose ma niespotykaną dotąd dokładność segmentacji.

Naukowcy zaprojektowali Omnipose do użytku w typowych laboratoriach badawczych i udostępnili publicznie kod źródłowy, dane i modele szkoleniowe, a także dokumentację dotyczącą korzystania z programu.

„Stawiamy hipotezę, że wysoka wydajność Omnipose w różnych morfologiach i modalnościach komórkowych może odblokować informacje z obrazów mikroskopowych, które wcześniej były niedostępne” – piszą naukowcy w swoim raporcie.

Biorąc pod uwagę wagę problemu, jest to dziedzina oblegana. Ale rozwiązanie Kevina wyróżnia się z tłumu. Wierzymy, że zasadniczo zmieni to biologiczną analizę obrazu”.

Joseph Mougous, Medycyna UW

Oprócz Cutlera, Wigginsa i Mougousa innymi badaczami projektu testowego Omnipose byli Carsen Stringer, Teresa W. Lo, Luca Rappez i Nicholas Stroustrup. S. Brooke Peterson i Paul Wiggins. Mougous jest badaczem w Instytucie Medycznym Howarda Hughesa.

Źródło:

Szkoła Medyczna Uniwersytetu Waszyngtońskiego/UW Medicine

Odniesienie:

Cutler, K.J. i in. (2022) Omnipose: wysoce precyzyjne, niezależne od morfologii rozwiązanie do segmentacji komórek bakteryjnych. Metody naturalne. doi.org/10.1038/s41592-022-01639-4.

.