Lo strumento di apprendimento profondo identifica i batteri nelle micrografie
Omnipose è addestrato a riconoscere i batteri di tutte le forme e dimensioni in colture batteriche miste
Omnipose, un software di deep learning, sta aiutando a risolvere la sfida dell’identificazione di batteri vari e minuscoli nelle immagini di microscopia. È andato oltre questo obiettivo iniziale per identificare diversi altri tipi di piccoli oggetti nelle micrografie.
Il laboratorio di microbiologia della UW Medicine di Joseph Mougous e il laboratorio di fisica e bioingegneria dell’Università di Washington di Paul A. Wiggins hanno testato lo strumento. È stato sviluppato dallo studente laureato in fisica dell’Università di Washington Kevin J. Cutler e dal suo team.
Mougous ha detto che Cutler, come studente di fisica, “ha dimostrato un insolito interesse nell’immergersi in un ambiente di biologia in modo da poter apprendere in prima persona i problemi che necessitano di una soluzione in questo campo. È venuto nel mio laboratorio e ne ha trovato subito uno che ha risolto in modo spettacolare”.
I loro risultati sono riportati nell’edizione del 17 ottobre di Nature Methods.
Gli scienziati hanno scoperto che Omnipose, addestrato su un ampio database di immagini batteriche, si è comportato bene nel caratterizzare e quantificare la miriade di batteri in colture microbiche miste ed ha eliminato alcuni degli errori che possono verificarsi nel suo predecessore, Cellpose.
Inoltre, il software non è stato facilmente ingannato dai cambiamenti estremi nella forma di una cellula dovuti al trattamento antibiotico o dall’antagonismo delle sostanze chimiche prodotte durante l’aggressione interbatterica. In effetti, il programma ha dimostrato che potrebbe persino rilevare l’intossicazione cellulare in uno studio con E. coli.
Inoltre, Omnipose si è comportato bene nel superare i problemi di riconoscimento dovuti alle differenze nelle caratteristiche ottiche tra i diversi batteri.
La maggior parte dei batteri sono sfere o bastoncini, ma alcuni hanno altre forme di base, come spirali attorcigliate. Oltre a questi, Omnipose potrebbe identificare batteri più elaborati con forme allungate o con rami, filamenti e appendici, tutti tratti fisici che possono rendere difficile per gli strumenti di deep learning scoprire quali batteri sono presenti in un’immagine.
Il programma deve ancora affrontare alcune limitazioni nella gestione della sovrapposizione di oggetti in una rappresentazione 2D di un campione 3D di un’affollata comunità microbica. La sovrapposizione di oggetti è ciò che produce, ad esempio, l’effetto di un orologio su un muro che dà l’illusione di uscire dalla testa di una persona in una fotografia.
Analizzando le cellule in un set di dati primordiale della radice dell’erba in rapida crescita A. thaliana , Omnipose ha comunque mostrato alcuni vantaggi rispetto agli approcci precedenti in questo campione 3D.
Altre recensioni del team di laboratorio Mougous sulle capacità di Omnipose hanno mostrato che i batteri al di sotto di una certa soglia di dimensioni possono essere difficili da individuare per lo strumento.
Nonostante questi inconvenienti, i ricercatori ritengono che Omnipose potrebbe essere una soluzione, hanno osservato, per “aiutare a rispondere a diverse domande sulla biologia cellulare batterica”.
Per vedere se potrebbe diventare uno strumento multifunzionale anche in altri campi delle scienze biologiche o addirittura non biologiche dipendenti dalla microscopia, gli scienziati hanno provato il programma su micrografie del minuscolo nematode C. elegans , un organismo importante in genetica, neuroscienza, ricerca sullo sviluppo e sul comportamento microbico. Come alcuni batteri, questa creatura ha una forma allungata. Come molti altri vermi, può anche contorcersi. Omnipose potrebbe individuare C. elegans indipendentemente dai suoi vari allungamenti, contrazioni e altri movimenti. Questa capacità potrebbe essere utile, ad esempio, negli studi neurali della locomozione di C. elegans durante il monitoraggio del time-lapse.
Nella progettazione di strumenti come Omnipose, i ricercatori stanno esaminando una scala di precisione a pixel singolo per definire i confini di una cella. Questo perché la maggior parte delle immagini del corpo cellulare batterico sono composte solo da un piccolo numero di pixel. I ricercatori hanno spiegato che la definizione dei confini all’interno di un’immagine è chiamata segmentazione. Hanno sviluppato Ominpose attraverso una rete neurale profonda e un algoritmo di segmentazione ad alta precisione. I loro esperimenti hanno mostrato che Omnipose ha un’accuratezza di segmentazione senza precedenti.
Gli scienziati hanno progettato Omnipose per l’uso da parte dei tipici laboratori di ricerca e hanno reso pubblicamente disponibili il codice sorgente, i dati di addestramento e i modelli, insieme alla documentazione su come utilizzare il programma.
“Prevediamo che le elevate prestazioni di Omnipose attraverso varie morfologie e modalità cellulari”, hanno scritto i ricercatori nel loro rapporto, “potrebbero sbloccare informazioni da immagini di microscopia che prima erano inaccessibili”.
“Riflettendo l’importanza del problema, questo è un campo affollato”, ha detto Mougous. “Eppure la soluzione di Kevin si distingue dal gruppo. Crediamo che cambierà il gioco per l’analisi delle immagini biologiche”
Oltre a Cutler, Wiggins e Mougous, altri ricercatori del progetto di test Omnipose erano Carsen Stringer, Teresa W. Lo, Luca Rappez, Nicholas Stroustrup. S. Brooke Peterson e Paul Wiggins. Mougous è un investigatore dell’Howard Hughes Medical Institute.
Omnipose: una soluzione indipendente dalla morfologia ad alta precisione per la segmentazione delle cellule batteriche
