2D Multimodalna kolekcja obrazów do przewidywania fluorescencji z mikroskopii światła przechodzącego

Obserwowanie komórek bez intensywnego przygotowania

Współczesna biologia często polega na barwnikach fluorescencyjnych, by ujawnić, co dzieje się w żywych komórkach, ale pociąga to za sobą koszty czasu, pieniędzy i zdrowia komórek. Ten artykuł przedstawia bazę Light My Cells, dużą publiczną kolekcję obrazów mikroskopowych zaprojektowaną, by pomóc komputerom nauczyć się odtwarzać te świecące widoki z łagodniejszych, niewymagających znakowania obrazów. Dla każdego zainteresowanego tym, jak sztuczna inteligencja może zmniejszyć potrzebę chemicznych barwień, a jednocześnie pokazać wewnętrzne życie komórek, ta praca tworzy podstawy.

Dlaczego świecące komórki są użyteczne, ale ryzykowne

Mikroskopia fluorescencyjna pozwala naukowcom oznaczyć konkretne części komórki tak, by świeciły, co ułatwia śledzenie struktur takich jak jądro czy mitochondria. Przygotowanie próbek z barwnikami fluorescencyjnymi jest jednak pracochłonne, może być kosztowne i naraża komórki na światło, które może blaknąć sygnał lub nawet je uszkodzić. Problemy te nasilają się w długich eksperymentach lub dużych projektach przesiewowych, gdzie trzeba wykonać tysiące obrazów. W przeciwieństwie do tego proste techniki światła przechodzącego, takie jak jasne pole czy kontrast fazowy, są delikatne i nie wymagają znakowania, ale nie ujawniają bezpośrednio, które struktury są które. Główną ideą Light My Cells jest zatem wypełnienie tej luki przez trenowanie komputerów do wnioskowania obrazów podobnych do fluorescencyjnych z tych prostych, niedestrukcyjnych widoków.

Krajowa kolekcja różnorodnych obrazów komórek

Aby to umożliwić, eksperci od obrazowania z całej Francji połączyli siły, by zbudować bogaty, wspólny zestaw danych. Baza Light My Cells gromadzi 56 984 dwuwymiarowe obrazy pogrupowane w 2 574 dopasowane zestawy, dostarczone przez osiem ośrodków obrazowania i 30 niezależnych badań. Każdy zestaw przedstawia to samo pole żywych komórek ssaków najpierw w obrazie światła przechodzącego, a następnie z jedną lub kilkoma etykietami fluorescencyjnymi uwydatniającymi jądro, mitochondria, tubulinę lub aktynę. Obrazy zebrano na szerokim zakresie mikroskopów i z wieloma typami próbek, rejestrując zróżnicowanie, z którym realne laboratoria spotykają się na co dzień. Ta różnorodność jest kluczowa do nauczania modeli uczenia głębokiego, które potrafią obsłużyć różne instrumenty, linie komórkowe i warunki akwizycji zamiast dopasowywać się nadmiernie do jednego, uporządkowanego układu.

Jak obrazy zostały ustandaryzowane dla komputerów

Ponieważ dane pochodziły z wielu miejsc, zespół zbudował staranny proces przygotowania przed udostępnieniem kolekcji. Wszystkie oryginalne pliki, wytworzone w wielu zastrzeżonych formatach mikroskopowych, zostały przekonwertowane na wspólny, otwarty format OME-TIFF, który przechowuje zarówno obraz, jak i szczegółowe informacje o sposobie jego wykonania. Współautorzy wypełnili bogate szablony metadanych opisujące próbkę, drogę światła, obiektywy i strategię znakowania, zgodnie z wytycznymi społeczności dla danych obrazowych nadających się do ponownego użycia. Dla każdego stosu obrazów robionych na różnych głębokościach algorytmy automatycznie wybrały najlepsze mocno ostre, używając jednej metody dostrojonej do obrazów światła przechodzącego i innej do sygnału fluorescencyjnego. Podczas gdy wszystkie sklice światła przechodzącego zostały zachowane, każdy kanał fluorescencyjny zredukowano do jednej ostrej płaszczyzny, odpowiadając typowemu zadaniu uczenia polegającemu na przewidywaniu jednego dobrze ostrego widoku fluorescencyjnego na podstawie wejścia bez znakowania.

Co zawiera baza i jak sprawdzano jakość

Końcowe zasoby obejmują ponad pięćdziesiąt tysięcy obrazów światła przechodzącego, głównie jasnego pola, ale także kontrastu fazowego i różnicowego kontrastu interferencyjnego, oraz ponad cztery tysiące sparowanych obrazów fluorescencyjnych. Jądro i mitochondria są dobrze reprezentowane, podczas gdy tubulina i aktyna występują rzadziej, co tworzy naturalne niezrównoważenie klas, które użytkownicy muszą uwzględnić przy trenowaniu modeli. Każde badanie w archiwum jest udokumentowane z uporządkowanymi opisami modelu biologicznego, sprzętu obrazującego i ustawień akwizycji, dzięki czemu użytkownicy mogą filtrować według kontekstu lub porównywać warunki. Autorzy przeprowadzili także kontrole techniczne, aby usunąć uszkodzone pliki, zweryfikować kompletność pól metadanych i potwierdzić, że wybrane płaszczyzny ostrości zgadzały się z oceną ekspertów. Skrypty testowe zapewniły, że powszechne narzędzia, takie jak ImageJ, Napari i standardowe biblioteki Pythona, mogą łatwo otwierać i przetwarzać obrazy.

Jak badacze mogą wykorzystać ten otwarty zasób

Ponad jego pierwotnym zastosowaniem w wyzwaniu uczenia głębokiego, baza Light My Cells ma służyć jako ogólne pole testowe dla metod tłumaczących lub analizujących obrazy bez znakowania. Para obrazów sprawia, że nadaje się do zadań takich jak przewidywanie fluorescencji z obrazu światła przechodzącego, segmentacja struktur komórkowych czy profilowanie stanów komórek bez dodatkowych barwników. Ponieważ stosy obrazów światła przechodzącego są zachowane, badacze mogą także eksplorować modele wykorzystujące informacje o głębokości lub estymację ostrości. Wszystkie dane i kod przygotowawczy są ogólnodostępne na licencjach permisywnych, zapraszając innych do rozbudowy procesu, rozszerzania zestawu danych lub testowania nowych algorytmów.

Co to oznacza dla przyszłego obrazowania komórek

Dla osób niebędących specjalistami kluczowa wiadomość jest taka, że Light My Cells dostarcza surowego materiału potrzebnego do nauczenia komputerów „widzenia” wnętrza komórek przy użyciu łagodniejszych form mikroskopii. Zamiast ciągłego dodawania świecących znaczników i ryzyka uszkodzeń, naukowcy mogą coraz częściej polegać na inteligentnym oprogramowaniu wytrenowanym na takich zbiorach, by ujawnić lokalizację kluczowych struktur. Baza danych nie rozwiązuje samodzielnie problemu obrazowania bez fluorescencji, ale udostępnia wysokiej jakości, dobrze udokumentowane przykłady dla wszystkich, przyspieszając postęp w kierunku mniej inwazyjnych i bardziej skalowalnych metod obserwacji żywych komórek w działaniu.

Cytowanie: Kauffmann, D., Gay, G., Mateos-Langerak, J. et al. 2D Multimodal Image Collection for Fluorescence Prediction from Transmitted Light Microscopy. Sci Data 13, 743 (2026). https://doi.org/10.1038/s41597-026-07004-w

Słowa kluczowe: mikroskopia fluorescencyjna, obrazowanie światłem przechodzącym, uczenie głębokie, baza obrazów biologicznych, in silico labeling