Deconvolución y segmentación por aprendizaje profundo de membranas fluorescentes para un perfilado de tamaño celular bacteriano de alta precisión

Por qué importan las células diminutas

La mayoría de nosotros imagina las bacterias como puntitos idénticos, pero sus células presentan en realidad una sorprendente variedad de formas y tamaños. Estas diferencias de tamaño pueden influir en cómo las bacterias absorben nutrientes, crecen y responden a los antibióticos. Sin embargo, los científicos han tenido dificultades para medir con precisión las dimensiones bacterianas en muchas cepas porque las herramientas de microscopía existentes difuminan los bordes de las células y funden células vecinas. Este estudio presenta una nueva canalización de análisis de imágenes, llamada MEDUSSA, que utiliza colorantes fluorescentes y aprendizaje profundo para trazar con precisión los contornos bacterianos y comparar tamaños celulares en miles de células y múltiples cepas.

Ver los bordes celulares con más claridad

La imagen bacteriana tradicional a menudo se basa en la microscopía de contraste de fases, que resalta las células sin necesidad de tinción. Aunque es conveniente, este método dificulta ver el límite exacto de la célula e imposibilita distinguir dónde termina una célula y comienza la siguiente en cadenas largas. Los investigadores, en cambio, tiñeron las membranas celulares con colorantes fluorescentes, que producen un anillo brillante y nítido alrededor de cada célula y franjas claras donde las células se encuentran. Esto les proporcionó una guía visual inequívoca del contorno de cada célula, ya fuera que las células estuvieran aisladas, agrupadas o dispuestas en cadenas.

Enseñar a las computadoras a trazar bacterias

Para convertir estas imágenes fluorescentes en medidas, el equipo ajustó finamente varias herramientas modernas de aprendizaje profundo para segmentación de imágenes, el proceso de asignar cada píxel a una célula específica. Entrenaron estos modelos con miles de células bacterianas trazadas cuidadosamente y los probaron en varias especies con diferentes formas y tamaños. Un modelo basado en el marco Omnipose rindió mejor tras reentrenarse con imágenes que habían sido previamente afinadas mediante un proceso llamado deconvolución, que reduce el desenfoque producido por luz fuera de foco. El modelo optimizado, llamado FMSeg, pudo separar de forma fiable células individuales incluso en cúmulos densos, cadenas largas y formas muy alargadas, y funcionó en especies diversas y con distintos colorantes de membrana.

De imágenes planas al tamaño real de la célula

Las máscaras de segmentación por sí solas no dan el tamaño, por lo que los investigadores construyeron MEDUSSA, una canalización de medición que parte de cada máscara e infiere propiedades tanto bidimensionales como tridimensionales. Para cada célula se dibuja un esqueleto central a lo largo del eje mayor y se leen radios locales a lo largo de esa línea, lo que permite al software calcular anchura, longitud, área de superficie y volumen bajo supuestos geométricos simples. El equipo identificó dos fuentes importantes de error y las corrigió. Primero, las células en el mismo campo a menudo se sitúan a alturas ligeramente distintas, por lo que adquirieron pilas de imágenes a través de la muestra y las combinaron en una única proyección que captura cada célula enfocada. Segundo, su modelo tendía a dibujar las células un poco más anchas, pero esta sobreestimación fue consistente, lo que les permitió aprender una curva de corrección a partir de trazados manuales de alta calidad y aplicarla a todas las mediciones automáticas.

Poner a prueba MEDUSSA

Para comprobar la precisión, los autores compararon sus medidas basadas en fluorescencia con anchos celulares obtenidos por crio-microscopía electrónica de alta resolución de Bacillus subtilis, donde las células se congelan instantáneamente y se imagean con gran detalle. La diferencia relativa en anchura entre células normales y un mutante más delgado fue casi idéntica con ambos métodos, lo que sugiere que MEDUSSA captura variaciones biológicamente significativas incluso si los valores absolutos difieren ligeramente en torno al diez por ciento. A continuación usaron MEDUSSA para perfilar seis cepas de la gran bacteria Priestia megaterium. A pesar de estar estrechamente relacionadas, estas cepas mostraron diferencias de más del doble en el volumen medio celular, impulsadas principalmente por variaciones en la anchura más que en la longitud. Algunas cepas también produjeron células filamentosas inusualmente largas durante el crecimiento activo, destacando una diversidad en la forma celular previamente desapercibida.

Relacionar una cepa delgada con una sola mutación

Una cepa, WH320, era notablemente más delgada que su pariente cercano DSM 319, aunque WH320 se derivó originalmente de DSM 319. La secuenciación del genoma reveló docenas de cambios pequeños en el ADN, incluido uno en un gen llamado ponA, que codifica una enzima constructora de la pared celular conocida como PBP1. Cuando los investigadores introdujeron las versiones de ponA de las dos cepas de Priestia en un mutante de Bacillus subtilis que carecía de su propia PBP1, la versión de DSM 319 restauró células gruesas, mientras que la versión de WH320 lo hizo solo parcialmente. Este comportamiento indica que la enzima de WH320 está debilitada y probablemente contribuye a la estrechez de esa cepa.

Qué nos enseña este trabajo

Al combinar el teñido fluorescente de membranas, la restauración y segmentación de imágenes basada en aprendizaje profundo y mediciones geométricas cuidadosas, MEDUSSA convierte imágenes de microscopio sin procesar en estadísticas robustas de tamaño celular a través de miles de bacterias. El estudio muestra que incluso cepas bacterianas estrechamente relacionadas pueden diferir ampliamente en anchura y volumen, y que cambios concretos en proteínas de la pared celular pueden ayudar a explicar estas diferencias. Para los no especialistas, el mensaje clave es que las células bacterianas no tienen todas el mismo tamaño, y con las herramientas computacionales modernas los científicos pueden ahora cartografiar esta diversidad oculta y empezar a vincularla con genes, condiciones de crecimiento y evolución.

Cita: Reyes-Matte, O., Fortmann-Grote, C., Gericke, B. et al. Deep-learning deconvolution and segmentation of fluorescent membranes for high-precision bacterial cell-size profiling. Commun Biol 9, 693 (2026). https://doi.org/10.1038/s42003-026-10303-y

Palabras clave: tamaño celular bacteriano, microscopía de fluorescencia, segmentación de imágenes, aprendizaje profundo, morfología celular