O Omnipose, um software de deep learning, está ajudando a resolver o desafio de identificar bactérias variadas e minúsculas em imagens de microscopia. Foi além desse objetivo inicial identificar vários outros tipos de objetos minúsculos em micrografias.
O laboratório de microbiologia da UW Medicine de Joseph Mougous e o laboratório de física e bioengenharia da Universidade de Washington de Paul A. Wiggins testaram a ferramenta. Foi desenvolvido pelo estudante de pós-graduação em física da Universidade de Washington Kevin J. Cutler e sua equipe.
Mougous disse que Cutler, como estudante de física, “demonstrou um interesse incomum em mergulhar em um ambiente de biologia para que pudesse aprender em primeira mão sobre problemas que precisavam de solução neste campo. Ele veio ao meu laboratório e rapidamente encontrou um que ele resolveu de forma espetacular.”
Seus resultados são relatados na edição de 17 de outubro da Nature Methods.
Os cientistas descobriram que o Omnipose, treinado em um grande banco de dados de imagens bacterianas, teve um bom desempenho na caracterização e quantificação da miríade de bactérias em culturas microbianas mistas e eliminou alguns dos erros que podem ocorrer em seu antecessor, o Cellpose.
Além disso, o software não foi facilmente enganado por mudanças extremas na forma de uma célula devido ao tratamento com antibióticos ou antagonismo por produtos químicos produzidos durante a agressão interbacteriana. Na verdade, o programa mostrou que poderia até detectar intoxicação celular em um teste usando E. coli.
Além disso, o Omnipose se saiu bem em superar problemas de reconhecimento devido a diferenças nas características ópticas entre diversas bactérias.
A maioria das bactérias são esferas ou bastonetes, mas algumas têm outras formas básicas, como espirais retorcidas. Além disso, o Omnipose pode identificar bactérias mais elaboradas com formas alongadas ou com ramificações, filamentos e apêndices, todas as características físicas que podem dificultar as ferramentas de deep learning para descobrir quais bactérias estão presentes em uma imagem.
O programa ainda enfrenta algumas limitações ao lidar com a sobreposição de objetos em uma versão 2D de uma amostra 3D de uma comunidade microbiana lotada. A sobreposição de objetos é o que produz, por exemplo, o efeito de um relógio na parede dando a ilusão de sair da cabeça de uma pessoa em uma fotografia.
Ao analisar células em um conjunto de dados primordiais de raízes da erva daninha de crescimento rápido A. thaliana, o Omnipose, no entanto, mostrou algumas vantagens sobre as abordagens anteriores nesta amostra 3D.
Outras análises da equipe do laboratório Mougous sobre os recursos do Omnipose mostraram que bactérias abaixo de um certo limite de tamanho podem ser difíceis para a ferramenta identificar.
Apesar dessas desvantagens, os pesquisadores acreditam que o Omnipose pode ser uma solução, eles observaram, para “ajudar a responder a diversas questões na biologia celular bacteriana”.
Para ver se ele também poderia se tornar uma ferramenta multifuncional em outros campos das ciências biológicas ou mesmo não da vida dependentes da microscopia, os cientistas testaram o programa em micrografias do verme ultra-minúsculo C. elegans, um organismo importante em genética, neurociência, pesquisa de desenvolvimento e comportamento microbiano. Como algumas bactérias, essa criatura tem uma forma alongada. Como muitos outros vermes, também pode se contorcer. O Omnipose conseguia identificar C. elegans independentemente de seus vários alongamentos, contrações e outros movimentos. Essa capacidade pode ser útil, por exemplo, em estudos neurais da locomoção de C. elegans durante o rastreamento de lapso de tempo.
Ao projetar ferramentas como o Omnipose, os pesquisadores estão analisando uma escala de precisão de pixel único para definir os limites de uma célula. Isso ocorre porque a maioria das imagens do corpo celular bacteriano é composta por apenas um pequeno número de pixels. Os pesquisadores explicaram que definir limites dentro de uma imagem é chamado de segmentação. Eles desenvolveram o Ominpose por meio de uma rede neural profunda, algoritmo de segmentação de alta precisão. Seus experimentos mostraram que o Omnipose tem uma precisão de segmentação sem precedentes.
Os cientistas projetaram o Omnipose para uso em laboratórios de pesquisa típicos e disponibilizaram publicamente seu código-fonte, dados de treinamento e modelos, juntamente com documentação sobre como usar o programa.
“Prevemos que o alto desempenho do Omnipose em diversas morfologias e modalidades celulares”, escreveram os pesquisadores em seu relatório, “pode desbloquear informações de imagens de microscopia que anteriormente eram inacessíveis”.
“Refletindo a importância do problema, este é um campo lotado”, disse Mougous. “Ainda assim, a solução de Kevin se destaca do pacote. Acreditamos que será um divisor de águas para a análise de imagens biológicas”.
Publicado em 18/10/2022 07h08
Artigo original:
Estudo original: