Deconvoluzione e segmentazione tramite deep learning delle membrane fluorescenti per profilature di dimensione cellulare batterica ad alta precisione

Perché le cellule minuscole sono importanti

La maggior parte di noi immagina i batteri come puntini identici, ma le loro cellule presentano in realtà una sorprendente varietà di forme e dimensioni. Queste differenze possono influenzare come i batteri assorbono nutrienti, crescono e rispondono agli antibiotici. Tuttavia, gli scienziati hanno faticato a misurare con precisione le dimensioni batteriche su molti ceppi perché gli strumenti di microscopia esistenti sfocano i bordi delle cellule e fondono quelle vicine. Questo studio introduce una nuova pipeline di analisi delle immagini, chiamata MEDUSSA, che usa coloranti fluorescenti e il deep learning per tracciare con precisione i contorni batterici e confrontare le dimensioni cellulari su migliaia di cellule e diversi ceppi.

Vedere i bordi delle cellule più chiaramente

La microscopia tradizionale dei batteri spesso si basa sulla contrasto di fase, che mette in evidenza le cellule senza colorazione. Sebbene comodo, questo metodo rende difficile individuare il confine esatto della cellula ed è impossibile stabilire dove finisce una cellula e ne inizia un’altra nelle lunghe catene. I ricercatori invece hanno colorato le membrane cellulari con coloranti fluorescenti, che producono un anello brillante e nitido attorno a ciascuna cellula e strisce chiare dove le cellule si toccano. Questo ha fornito una guida visiva inequivocabile per il contorno di ogni cellula, sia che le cellule fossero isolate, aggregate o disposte in catene.

Addestrare i computer a tracciare i batteri

Per trasformare queste immagini fluorescenti in misure, il team ha messo a punto diversi moderni strumenti di deep learning per la segmentazione delle immagini, il processo che assegna ogni pixel a una cellula specifica. Hanno addestrato questi modelli su migliaia di cellule batteriche accuratamente tracciate e li hanno testati su più specie con forme e dimensioni diverse. Un modello basato sul framework Omnipose ha dato le prestazioni migliori dopo essere stato riaddestrato su immagini precedentemente affinate da un processo chiamato deconvoluzione, che riduce la sfocatura dovuta alla luce fuori fuoco. Il modello ottimizzato, chiamato FMSeg, è stato in grado di separare in modo affidabile singole cellule anche in ammassi densi, lunghe catene e forme molto allungate, e ha funzionato su specie differenti e con vari coloranti di membrana.

Dalle immagini piatte alla vera dimensione della cellula

Le maschere di segmentazione da sole non forniscono le dimensioni, così i ricercatori hanno costruito MEDUSSA, una pipeline di misurazione che parte da ogni maschera e inferisce proprietà bidimensionali e tridimensionali. Per ciascuna cellula viene tracciato uno scheletro centrale lungo l’asse maggiore e lungo questa linea vengono letti i raggi locali, permettendo al software di calcolare larghezza, lunghezza, area superficiale e volume assumendo semplici geometrie. Il team ha identificato due fonti di errore importanti e le ha corrette. Primo, le cellule nello stesso campo spesso si trovano a leggermente diverse altezze, quindi hanno acquisito pile di immagini attraverso il campione e le hanno combinate in una singola proiezione che cattura ogni cellula a fuoco. Secondo, il loro modello tendeva a disegnare le cellule un po’ troppo larghe, ma questa sovrastima era coerente, consentendo di apprendere una curva di correzione da tracciamenti manuali di alta qualità e applicarla a tutte le misurazioni automatiche.

Mettere alla prova MEDUSSA

Per verificare l’accuratezza, gli autori hanno confrontato le loro misure basate sulla fluorescenza con le larghezze cellulari ottenute da microscopia crio-elettronica ad alta risoluzione di Bacillus subtilis, in cui le cellule vengono congelate rapidamente e immaginiate nei minimi dettagli. La differenza relativa di larghezza tra cellule normali e un mutante più sottile era quasi identica con entrambi i metodi, suggerendo che MEDUSSA cattura variazioni biologicamente rilevanti anche se i valori assoluti differiscono leggermente, di circa il dieci percento. Hanno poi usato MEDUSSA per profilare sei ceppi del grande batterio Priestia megaterium. Nonostante la stretta parentela, questi ceppi hanno mostrato differenze di oltre due volte nel volume mediano della cellula, principalmente guidate da differenze nella larghezza più che nella lunghezza. Alcuni ceppi hanno anche prodotto cellule filamentose insolitamente lunghe durante la crescita attiva, evidenziando una diversità della forma cellulare finora trascurata.

Collegare un ceppo sottile a una singola mutazione

Un ceppo, WH320, era sorprendentemente più sottile rispetto al suo vicino genotipico DSM 319, sebbene WH320 derivasse originariamente da DSM 319. Il sequenziamento del genoma ha rivelato dozzine di piccole variazioni nel DNA, tra cui una nel gene ponA, che codifica per un enzima responsabile della sintesi della parete cellulare noto come PBP1. Quando i ricercatori hanno introdotto le versioni di ponA dei due ceppi di Priestia in un mutante di Bacillus subtilis privo del proprio PBP1, la versione di DSM 319 ha ripristinato cellule spesse, mentre la versione di WH320 lo ha fatto solo parzialmente. Questo comportamento indica che l’enzima di WH320 è indebolito e probabilmente contribuisce alla forma stretta di quel ceppo.

Cosa ci dice questo lavoro

Combinando la colorazione fluorescente delle membrane, il restauro delle immagini e la segmentazione basati sul deep learning, e misure geometriche accurate, MEDUSSA trasforma immagini microscopiche grezze in statistiche robuste sulle dimensioni cellulari su migliaia di batteri. Lo studio mostra che anche ceppi batterici strettamente correlati possono variare ampiamente in larghezza e volume, e che cambiamenti specifici nelle proteine della parete cellulare possono aiutare a spiegare queste differenze. Per i non specialisti, il messaggio principale è che le cellule batteriche non sono tutte della stessa grandezza e che con gli strumenti computazionali moderni gli scienziati possono ora mappare questa diversità nascosta e cominciare a collegarla a geni, condizioni di crescita ed evoluzione.

Citazione: 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

Parole chiave: dimensione della cellula batterica, microscopia a fluorescenza, segmentazione di immagini, deep learning, morfologia cellulare