Déconvolution et segmentation par apprentissage profond des membranes fluorescentes pour un profilage de la taille des bactéries à haute précision

Pourquoi les cellules minimes comptent

La plupart d’entre nous imaginent les bactéries comme de petites taches identiques, mais leurs cellules présentent en réalité une étonnante variété de formes et de tailles. Ces différences influent sur la façon dont les bactéries absorbent les nutriments, croissent et répondent aux antibiotiques. Pourtant, il a été difficile pour les scientifiques de mesurer précisément les dimensions bactériennes sur de nombreuses souches, car les outils de microscopie existants floutent les bords des cellules et fusionnent les cellules voisines. Cette étude présente un nouveau pipeline d’analyse d’images, appelé MEDUSSA, qui utilise des colorants fluorescents et l’apprentissage profond pour tracer précisément les contours bactériens et comparer les tailles cellulaires sur des milliers de cellules et plusieurs souches.

Voir les bords cellulaires plus clairement

L’imagerie bactérienne traditionnelle repose souvent sur la microscopie en contraste de phase, qui met en évidence les cellules sans coloration. Bien que pratique, cette méthode rend difficile la détection exacte de la limite cellulaire et impossibilise la distinction de l’extrémité d’une cellule et du début de la suivante dans les chaînes longues. Les chercheurs ont plutôt coloré les membranes cellulaires avec des colorants fluorescents, qui produisent un anneau lumineux net autour de chaque cellule et des bandes nettes aux points de contact. Cela leur a fourni un guide visuel sans ambiguïté pour le contour de chaque cellule, qu’elles soient isolées, agglomérées ou disposées en chaînes.

Apprendre aux ordinateurs à tracer les bactéries

Pour transformer ces images fluorescentes en mesures, l’équipe a ajusté plusieurs outils modernes d’apprentissage profond pour la segmentation d’images, le processus d’affectation de chaque pixel à une cellule précise. Ils ont entraîné ces modèles sur des milliers de cellules bactériennes tracées manuellement avec soin et les ont testés sur plusieurs espèces aux formes et tailles variées. Un modèle basé sur le cadre Omnipose a donné les meilleurs résultats une fois réentraîné sur des images préalablement affinées par un processus appelé déconvolution, qui réduit le flou causé par la lumière hors foyer. Le modèle optimisé, nommé FMSeg, a pu séparer de manière fiable les cellules individuelles même dans des amas denses, des chaînes longues et des formes très allongées, et il a fonctionné sur diverses espèces et colorants de membrane.

Des images plates à la taille réelle des cellules

Les masques de segmentation ne fournissent pas directement la taille, aussi les chercheurs ont-ils construit MEDUSSA, un pipeline de mesure qui part de chaque masque et infère des propriétés en deux et trois dimensions. Pour chaque cellule, un squelette central est tracé le long de l’axe long et des rayons locaux sont relevés le long de cette ligne, permettant au logiciel de calculer la largeur, la longueur, la surface et le volume sous des hypothèses géométriques simples. L’équipe a identifié deux sources d’erreur importantes et les a corrigées. D’abord, les cellules dans le même champ sont souvent à des hauteurs légèrement différentes, ils ont donc acquis des piles d’images à travers l’échantillon et les ont combinées en une seule projection qui capture chaque cellule nette. Ensuite, leur modèle avait tendance à tracer les cellules un peu trop larges, mais cette surestimation étant cohérente, ils ont pu apprendre une courbe de correction à partir de tracés manuels de haute qualité et l’appliquer à toutes les mesures automatiques.

Mettre MEDUSSA à l’épreuve

Pour vérifier la précision, les auteurs ont comparé leurs mesures basées sur la fluorescence avec des largeurs cellulaires obtenues par cryo-microscopie électronique haute résolution de Bacillus subtilis, où les cellules sont vitrifiées et imagées en détail. La différence relative de largeur entre les cellules normales et un mutant plus fin était pratiquement identique avec les deux méthodes, ce qui suggère que MEDUSSA capture des variations biologiquement significatives même si les valeurs absolues diffèrent légèrement de l’ordre de dix pour cent. Ils ont ensuite utilisé MEDUSSA pour profiler six souches de la grande bactérie Priestia megaterium. Bien que étroitement liées, ces souches montraient des différences de plus de deux fois dans le volume médian des cellules, principalement dues à des différences de largeur plutôt qu’à la longueur. Certaines souches ont également produit des cellules filamenteuses anormalement longues pendant la croissance active, mettant en lumière une diversité de forme jusqu’alors négligée.

Lier une souche fine à une seule mutation

Une souche, WH320, était remarquablement plus fine que sa proche parente DSM 319, bien que WH320 provienne à l’origine de DSM 319. Le séquençage du génome a révélé des dizaines de petites modifications de l’ADN, y compris une dans un gène appelé ponA, qui code pour une enzyme de construction de la paroi cellulaire connue sous le nom de PBP1. Lorsque les chercheurs ont introduit les versions de ponA des deux souches de Priestia dans un mutant de Bacillus subtilis dépourvu de son propre PBP1, la version DSM 319 a restauré des cellules épaisses, tandis que la version WH320 ne l’a fait que partiellement. Ce comportement indique que l’enzyme WH320 est affaiblie et contribue probablement à la forme étroite de cette souche.

Ce que nous apprend ce travail

En combinant la coloration des membranes par fluorescence, la restauration et la segmentation d’images basées sur l’apprentissage profond, et des mesures géométriques soignées, MEDUSSA transforme des images brutes de microscope en statistiques robustes de taille cellulaire sur des milliers de bactéries. L’étude montre que des souches bactériennes très proches peuvent varier largement en largeur et en volume, et que des modifications spécifiques des protéines de la paroi cellulaire peuvent aider à expliquer ces différences. Pour les non-spécialistes, le message clé est que les cellules bactériennes n’ont pas toutes la même taille, et qu’avec des outils computationnels modernes, les scientifiques peuvent désormais cartographier cette diversité cachée et commencer à la relier aux gènes, aux conditions de croissance et à l’évolution.

Citation: 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

Mots-clés: taille des cellules bactériennes, microscopie en fluorescence, segmentation d’images, apprentissage profond, morphologie cellulaire