Omnipose, un logiciel d’apprentissage en profondeur, aide à résoudre le défi de l’identification de bactéries variées et minuscules dans les images de microscopie. Il est allé au-delà de cet objectif initial pour identifier plusieurs autres types d’objets minuscules dans les micrographies.
Le laboratoire de microbiologie UW Medicine de Joseph Mougous et le laboratoire de physique et de bioingénierie de l’Université de Washington de Paul A. Wiggins ont testé l’outil. Il a été développé par Kevin J. Cutler, étudiant diplômé en physique de l’Université de Washington, et son équipe.
Mougous a déclaré que Cutler, en tant qu’étudiant en physique, « a démontré un intérêt inhabituel à s’immerger dans un environnement biologique afin qu’il puisse apprendre de première main les problèmes à résoudre dans ce domaine. Il est venu dans mon laboratoire et en a rapidement trouvé un. qu’il a résolu de façon spectaculaire. »
Leurs résultats sont publiés dans l’édition du 17 octobre de Méthodes naturelles.
Les scientifiques ont découvert qu’Omnipose, formé sur une grande base de données d’images bactériennes, fonctionnait bien dans la caractérisation et la quantification de la myriade de bactéries dans des cultures microbiennes mixtes et éliminait certaines des erreurs pouvant survenir dans son prédécesseur, Cellpose.
De plus, le logiciel n’était pas facilement dupe des changements extrêmes de la forme d’une cellule dus à un traitement antibiotique ou à l’antagonisme par des produits chimiques produits lors d’une agression interbactérienne. En fait, le programme a montré qu’il pouvait même détecter une intoxication cellulaire dans un essai utilisant E. coli.
De plus, Omnipose a bien réussi à surmonter les problèmes de reconnaissance dus aux différences de caractéristiques optiques entre diverses bactéries.
La plupart des bactéries sont des sphères ou des bâtonnets, mais certaines ont d’autres formes de base, telles que des spirales torsadées. En plus de cela, Omnipose pourrait identifier des bactéries plus élaborées avec des formes allongées ou avec des branches, des filaments et des appendices, tous des traits physiques qui peuvent rendre difficile pour les outils d’apprentissage en profondeur de déterminer quelles bactéries sont présentes dans une image.
Le programme fait toujours face à certaines limitations dans la gestion du chevauchement d’objets dans une interprétation 2D d’un échantillon 3D d’une communauté microbienne encombrée. Le chevauchement d’objets est ce qui produit, par exemple, l’effet d’une horloge sur un mur donnant l’illusion de sortir de la tête d’une personne sur une photographie.
En analysant les cellules d’un ensemble de données primordiales racinaires de la mauvaise herbe à croissance rapide A. thalianaOmnipose a néanmoins montré certains avantages par rapport aux approches précédentes dans cet échantillon 3D.
D’autres examens par l’équipe du laboratoire Mougous des capacités d’Omnipose ont montré que les bactéries en dessous d’un certain seuil de taille peuvent être difficiles à détecter pour l’outil.
Malgré ces inconvénients, les chercheurs pensent qu’Omnipose pourrait être une solution, ont-ils noté, pour « aider à répondre à diverses questions en biologie cellulaire bactérienne ».
Pour voir s’il pourrait également devenir un outil multifonctionnel dans d’autres domaines biologiques ou même non vivants dépendant de la microscopie, les scientifiques ont testé le programme sur des micrographies de l’ultra-minuscule ver rond C. elegans, un organisme important dans la recherche sur la génétique, les neurosciences, le développement et le comportement microbien. Comme certaines bactéries, cette créature a une forme allongée. Comme beaucoup d’autres vers, il peut aussi se contorsionner. Omnipose pourrait choisir C. elegans quels que soient ses divers étirements, contractions et autres mouvements. Cette capacité pourrait être utile, par exemple, dans les études neurales de C. elegans locomotion pendant le suivi en accéléré.
En concevant des outils comme Omnipose, les chercheurs étudient une échelle de précision au pixel près pour définir les limites d’une cellule. En effet, la plupart des images de corps cellulaires bactériens ne sont composées que d’un petit nombre de pixels. Les chercheurs ont expliqué que la définition des limites au sein d’une image s’appelle la segmentation. Ils ont développé Ominpose grâce à un algorithme de segmentation de haute précision à réseau neuronal profond. Leurs expériences ont montré qu’Omnipose a une précision de segmentation sans précédent.
Les scientifiques ont conçu Omnipose pour une utilisation par des laboratoires de recherche typiques et ont rendu son code source, ses données de formation et ses modèles accessibles au public, ainsi que la documentation sur la façon d’utiliser le programme.
« Nous prévoyons que les hautes performances d’Omnipose sur diverses morphologies et modalités cellulaires », ont écrit les chercheurs dans leur rapport, « pourraient déverrouiller des informations à partir d’images de microscopie qui étaient auparavant inaccessibles ».
Reflétant l’importance du problème, il s’agit d’un domaine encombré. Pourtant, la solution de Kevin sort du lot. Nous pensons que cela changera la donne pour l’analyse d’images biologiques »
Joseph Mougous, UW médecine
En plus de Cutler, Wiggins et Mougous, les autres chercheurs du projet de test Omnipose étaient Carsen Stringer, Teresa W. Lo, Luca Rappez, Nicholas Stroustrup. S. Brooke Peterson et Paul Wiggins. Mougous est chercheur à l’Institut médical Howard Hughes.
