Programska oprema za globoko učenje pomaga prepoznati drobne bakterije na slikah mikroskopa

Programska oprema za globoko učenje pomaga prepoznati drobne bakterije na slikah mikroskopa

Omnipose, programska oprema za globoko učenje, pomaga rešiti izziv prepoznavanja raznolikih in drobnih bakterij na mikroskopskih slikah. Poleg tega začetnega cilja je bila dosežena identifikacija več drugih vrst drobnih predmetov na mikroskopskih slikah.

Laboratorij za medicinsko mikrobiologijo Josepha Mougousa UW in Laboratorij za fiziko in bioinženiring Univerze Paula A. Wigginsa v Washingtonu sta testirala orodje. Razvil ga je študent fizike Kevin J. Cutler in njegova ekipa na Univerzi v Washingtonu.

Mougous je dejal, da je Cutler kot študent fizike "pokazal nenavadno zanimanje za poglabljanje v biologijo, da bi iz prve roke izvedel o problemih, ki jih je bilo treba rešiti na terenu. Prišel je v moj laboratorij in hitro našel enega." To je rešil na spektakularen način.”

Njihove ugotovitve so objavljene v številki Nature Methods 17. oktobra.

Znanstveniki so ugotovili, da se je Omnipose, ki je bil usposobljen na veliki zbirki podatkov bakterijskih slik, dobro odrezal pri karakterizaciji in kvantificiranju neštetih bakterij v mešanih mikrobnih kulturah ter odpravil nekatere napake, ki se lahko pojavijo pri njegovem predhodniku Cellpose.

Poleg tega programske opreme ni bilo zlahka preslepiti z ekstremnimi spremembami v obliki celic zaradi zdravljenja z antibiotiki ali antagonizma s kemikalijami, ki je posledica interbakterijske agresije. Pravzaprav je program pokazal, da lahko celo zazna zastrupitev celic v poskusu z E. coli.

Poleg tega je Omnipose uspel dobro premagati težave pri zaznavanju zaradi različnih optičnih lastnosti različnih bakterij.

Večina bakterij ima obliko krogel ali palic, nekatere pa imajo druge osnovne oblike, kot so: B. zvite spirale. Poleg tega bi Omnipose lahko identificiral bolj zapletene bakterije s podolgovatimi oblikami ali z vejami, filamenti in dodatki – vse fizične značilnosti, zaradi katerih lahko orodja za globoko učenje otežijo ugotovitev, katere bakterije so prisotne na sliki.

Program ima še vedno nekaj omejitev pri ravnanju s prekrivanjem objektov v 2D upodabljanju 3D vzorca natrpane mikrobne skupnosti. Na primer, prekrivajoči se predmeti ustvarijo učinek ure na steni, ki se na fotografiji zdi, kot da človeku skoči iz glave.

Pri analizi celic v koreninskem primordialnem nizu podatkov hitro rastočega plevela A. thaliana je Omnipose v tem 3D vzorcu še vedno pokazal nekaj prednosti pred prejšnjimi pristopi.

Druge raziskave zmožnosti Omniposea, ki jih je izvedla ekipa laboratorija Mougous, so pokazale, da lahko orodje težko odkrije bakterije pod določenim pragom velikosti.

Kljub tem pomanjkljivostim raziskovalci verjamejo, da bi Omnipose lahko bila rešitev za "pomoč pri odgovorih na različna vprašanja v biologiji bakterijskih celic."

Da bi ugotovili, ali bi lahko postal večnamensko orodje tudi na drugih bioloških ali celo neživljenjskih področjih, ki so odvisna od mikroskopije, so znanstveniki preizkusili program na mikrofotografijah ultramajhnega okroglega črva C. elegans, pomembnega organizma v genetiki, nevroznanosti, razvojnih in mikrobnih vedenjskih raziskavah. Tako kot nekatere bakterije ima to bitje podolgovato obliko. Kot mnogi drugi črvi se lahko zvije. Omnipose je lahko zaznal C. elegans neodvisno od njegovih različnih raztezkov, krčev in drugih gibov. Ta sposobnost bi lahko bila uporabna na primer pri nevronskih študijah gibanja C. elegans med sledenjem časovnega zamika.

Pri razvoju orodij, kot je Omnipose, si raziskovalci prizadevajo za lestvico z natančnostjo ene slikovne pike za določitev meja celice. To je zato, ker je večina slik teles bakterijskih celic sestavljenih iz le nekaj slikovnih pik. Raziskovalci so pojasnili, da se določanje meja znotraj slike imenuje segmentacija. Ominpose so razvili z uporabo visoko natančnega algoritma segmentacije globokih nevronskih mrež. Njihovi poskusi so pokazali, da ima Omnipose izjemno natančnost segmentacije.

Znanstveniki so zasnovali Omnipose za uporabo v tipičnih raziskovalnih laboratorijih in javno objavili izvorno kodo, podatke o usposabljanju in modele ter dokumentacijo o tem, kako uporabljati program.

"Domnevamo, da lahko visoka zmogljivost Omnipose v različnih celičnih morfologijah in modalitetah odklene informacije iz mikroskopskih slik, ki so bile prej nedostopne," pišejo raziskovalci v svojem poročilu.

Glede na pomembnost problema je to natrpano področje. Toda Kevinova rešitev izstopa iz množice. Verjamemo, da bo temeljito spremenil analizo biološke slike.

Joseph Mougous, UW Medicine

Poleg Cutlerja, Wigginsa in Mougousa so bili drugi raziskovalci na testnem projektu Omnipose Carsen Stringer, Teresa W. Lo, Luca Rappez in Nicholas Stroustrup. S. Brooke Peterson in Paul Wiggins. Mougous je raziskovalec na medicinskem inštitutu Howard Hughes.

Vir:

Medicinska fakulteta Univerze v Washingtonu/UW Medicine

Referenca:

Cutler, K.J., et al. (2022) Omnipose: visoko natančna od morfologije neodvisna rešitev za segmentacijo bakterijskih celic. Naravne metode. doi.org/10.1038/s41592-022-01639-4.

.