Software-ul de învățare profundă ajută la identificarea bacteriilor mici în imaginile microscopului

Software-ul de învățare profundă ajută la identificarea bacteriilor mici în imaginile microscopului

Omnipose, un software de învățare profundă, ajută la rezolvarea provocării de a identifica bacterii diverse și mici în imaginile microscopului. Dincolo de acest obiectiv inițial, a fost realizată identificarea altor câteva tipuri de obiecte minuscule în imagini microscopice.

Laboratorul de Microbiologie de Medicină al lui Joseph Mougous și Laboratorul de Fizică și Bioinginerie de la Universitatea Paul A. Wiggins din Washington au testat instrumentul. A fost dezvoltat de studentul la fizică Kevin J. Cutler și echipa sa de la Universitatea din Washington.

Mougous a spus că, în calitate de student la fizică, Cutler „a arătat un interes neobișnuit în aprofundarea în biologie pentru a afla direct despre problemele care trebuiau rezolvate în domeniu. A venit la laboratorul meu și a găsit rapid unul”. A rezolvat asta într-un mod spectaculos.”

Descoperirile lor sunt raportate în ediția din 17 octombrie a revistei Nature Methods.

Oamenii de știință au descoperit că Omnipose, instruit pe o bază de date mare de imagini bacteriene, a avut rezultate bune în caracterizarea și cuantificarea nenumăratelor bacterii din culturile microbiene mixte și a eliminat unele dintre erorile care pot apărea cu predecesorul său, Cellpose.

În plus, software-ul nu a fost păcălit ușor de modificările extreme ale formei celulelor din cauza tratamentului cu antibiotice sau a antagonismului de substanțe chimice rezultate din agresiunea interbacteriană. De fapt, programul a arătat că ar putea chiar detecta otrăvirea celulară într-un experiment cu E. coli.

În plus, Omnipose a reușit să depășească bine problemele de detectare din cauza proprietăților optice diferite ale diferitelor bacterii.

Majoritatea bacteriilor au formă de sfere sau tije, dar unele au alte forme de bază, cum ar fi: B. spirale răsucite. În plus, Omnipose ar putea identifica bacterii mai complexe cu forme alungite sau cu ramuri, filamente și anexe - toate caracteristicile fizice care pot face dificilă pentru instrumentele de învățare profundă să descopere care bacterii sunt prezente într-o imagine.

Programul are încă unele limitări în gestionarea suprapunerii obiectelor într-o redare 2D a unei probe 3D a unei comunități microbiene aglomerate. De exemplu, suprapunerea obiectelor creează efectul unui ceas pe un perete, care într-o fotografie pare ca și cum iese din capul unei persoane.

Când a analizat celulele dintr-un set de date primordiale ale buruienilor cu creștere rapidă A. thaliana, Omnipose a arătat în continuare unele avantaje față de abordările anterioare în această probă 3D.

Alte cercetări ale echipei de laborator Mougous asupra capacităților Omnipose au arătat că bacteriile sub un anumit prag de dimensiune pot fi dificil de detectat de către instrument.

În ciuda acestor dezavantaje, cercetătorii cred că Omnipose ar putea fi o soluție pentru „a ajuta să răspundă la diverse întrebări în biologia celulelor bacteriene”.

Pentru a vedea dacă ar putea deveni, de asemenea, un instrument multifuncțional în alte domenii ale științelor biologice sau chiar non-life care depind de microscopie, oamenii de știință au testat programul pe micrografii ale viermilor rotunzi ultramici C. elegans, un organism important în genetică, neuroștiință, cercetarea dezvoltării și comportamentului microbian. La fel ca unele bacterii, această creatură are o formă alungită. Ca mulți alți viermi, se poate răsuci. Omnipose a fost capabil să detecteze C. elegans independent de diferitele sale întinderi, contracții și alte mișcări. Această capacitate ar putea fi utilă, de exemplu, în studiile neuronale ale locomoției C. elegans în timpul urmăririi time-lapse.

Când dezvoltă instrumente precum Omnipose, cercetătorii urmăresc o scară cu precizie de un singur pixel pentru a defini limitele unei celule. Acest lucru se datorează faptului că cele mai multe imagini ale corpurilor celulare bacteriene constau doar din câțiva pixeli. Cercetătorii au explicat că definirea limitelor într-o imagine se numește segmentare. Ei au dezvoltat Ominpose folosind un algoritm de segmentare a rețelei neuronale profunde de înaltă precizie. Experimentele lor au arătat că Omnipose are o precizie de segmentare fără precedent.

Oamenii de știință au proiectat Omnipose pentru a fi utilizat în laboratoarele de cercetare tipice și au pus la dispoziția publicului codul sursă, datele de instruire și modelele, precum și documentația despre cum să folosești programul.

„Presumăm ipoteza că performanța ridicată a Omnipose în diverse morfologii și modalități celulare poate debloca informații din imaginile de microscopie care erau anterior inaccesibile”, scriu cercetătorii în raportul lor.

Având în vedere importanța problemei, acesta este un câmp aglomerat. Dar soluția lui Kevin iese în evidență din mulțime. Credem că va schimba fundamental analiza imaginilor biologice.”

Joseph Mougous, UW Medicine

Pe lângă Cutler, Wiggins și Mougous, alți cercetători ai proiectului de testare Omnipose au fost Carsen Stringer, Teresa W. Lo, Luca Rappez și Nicholas Stroustrup. S. Brooke Peterson şi Paul Wiggins. Mougous este cercetător la Institutul Medical Howard Hughes.

Sursă:

Facultatea de Medicină de la Universitatea din Washington/UW Medicine

Referinţă:

Cutler, K.J., şi colab. (2022) Omnipose: o soluție independentă de morfologie de înaltă precizie pentru segmentarea celulelor bacteriene. Metode naturale. doi.org/10.1038/s41592-022-01639-4.

.