Dezkonwolucja i segmentacja membran fluorescencyjnych za pomocą uczenia głębokiego dla wysokoprecyzyjnego profilowania rozmiaru komórek bakteryjnych

Dlaczego małe komórki mają znaczenie

Większość z nas wyobraża sobie bakterie jako identyczne punkciki, tymczasem ich komórki występują w zaskakująco szerokim spektrum kształtów i rozmiarów. Różnice te wpływają na pobieranie składników odżywczych, wzrost i reakcję na antybiotyki. Jednak naukowcy mieli trudności z dokładnym pomiarem wymiarów bakterii w wielu szczepach, ponieważ dostępne narzędzia mikroskopowe rozmywają krawędzie komórek i zlewają sąsiednie komórki. W tym badaniu przedstawiono nowy potok analizy obrazów, nazwany MEDUSSA, który korzysta z barwników fluorescencyjnych i uczenia głębokiego, aby precyzyjnie odrysować kontury bakterii i porównywać ich rozmiary w tysiącach komórek i wielu szczepach.

Wyraźniejsze widzenie krawędzi komórek

Tradycyjne obrazowanie bakterii często opiera się na mikroskopii kontrastowo-fazowej, która uwydatnia komórki bez barwienia. Choć wygodna, metoda ta utrudnia dostrzeżenie dokładnej granicy komórki i uniemożliwia rozróżnienie, gdzie kończy się jedna komórka, a zaczyna następna w długich łańcuchach. Badacze zamiast tego barwili błony komórkowe barwnikami fluorescencyjnymi, które tworzą wyraźny, jasny pierścień wokół każdej komórki i czytelne prążki tam, gdzie komórki stykają się ze sobą. Zapewniło to jednoznaczny wizualny przewodnik po konturze każdej komórki, niezależnie od tego, czy komórki były izolowane, skupione w grudki czy ułożone w łańcuchy.

Nauczanie komputerów odrysowywania bakterii

Aby zamienić te obrazy fluorescencyjne w pomiary, zespół dopracował kilka nowoczesnych narzędzi uczenia głębokiego do segmentacji obrazów, czyli przypisywania każdego piksela do konkretnej komórki. Modele trenowano na tysiącach starannie odrysowanych komórek bakteryjnych i testowano na kilku gatunkach o różnych kształtach i rozmiarach. Najlepsze wyniki osiągnął model oparty na frameworku Omnipose po ponownym przeszkoleniu na obrazach uprzednio wyostrzonych procesem zwanym dekonwolucją, który zmniejsza efekt rozmycia spowodowany światłem spoza płaszczyzny ostrości. Zoptymalizowany model, nazwany FMSeg, potrafił wiarygodnie rozdzielać pojedyncze komórki nawet w gęstych skupiskach, długich łańcuchach i bardzo wydłużonych formach, działając przy tym na różnych gatunkach i barwnikach membranowych.

Z płaskich zdjęć do rzeczywistego rozmiaru komórek

Same maski segmentacyjne nie dają rozmiaru, dlatego badacze zbudowali MEDUSSA — potok pomiarowy, który zaczyna od każdej maski i wnioskuje zarówno właściwości dwuwymiarowe, jak i trójwymiarowe. Dla każdej komórki rysowana jest centralna oś przez dłuższy wymiar, a lokalne promienie odczytywane są wzdłuż tej linii, co pozwala oprogramowaniu obliczyć szerokość, długość, powierzchnię i objętość przy prostych założeniach geometrycznych. Zespół wykrył dwie istotne źródła błędów i je skorygował. Po pierwsze, komórki na tym samym polu mogą leżeć na nieco różnych wysokościach, więc pozyskiwano stosy obrazów przez próbkę i łączono je w pojedynczą projekcję, która odwzorowuje każdą komórkę w ostrości. Po drugie, ich model miał tendencję do rysowania komórek nieco zbyt szeroko, ale to przeszacowanie było spójne, co pozwoliło nauczyć się krzywej korekcyjnej na podstawie wysokiej jakości ręcznych śledzeń i zastosować ją do wszystkich automatycznych pomiarów.

Testowanie MEDUSSA

Aby sprawdzić dokładność, autorzy porównali swoje pomiary oparte na fluorescencji z szerokościami komórek uzyskanymi przy użyciu wysokorozdzielczej kriomikroskopii elektronowej Bacillus subtilis, gdzie komórki są szybkoszamrażane i obrazowane z dużą szczegółowością. Względna różnica szerokości między komórkami normalnymi a cieńszym mutantem była niemal identyczna przy obu metodach, co sugeruje, że MEDUSSA uchwyciła biologicznie istotne różnice, nawet jeśli wartości bezwzględne różniły się nieco, o około dziesięć procent. Następnie zastosowano MEDUSSA do profilowania sześciu szczepów dużej bakterii Priestia megaterium. Pomimo bliskiego pokrewieństwa, szczepy te wykazały ponad dwukrotne różnice w medianie objętości komórki, napędzane głównie przez różnice w szerokości, a nie w długości. Niektóre szczepy wytwarzały także wyjątkowo długie, nitkowate komórki podczas intensywnego wzrostu, co uwydatnia wcześniej pomijaną różnorodność kształtu komórek.

Powiązanie cienkiego szczepu z pojedynczą mutacją

Jeden szczep, WH320, był wyraźnie cieńszy niż jego bliski krewny DSM 319, mimo że WH320 pochodził z DSM 319. Sekwencjonowanie genomu ujawniło dziesiątki drobnych zmian w DNA, w tym jedną w genie o nazwie ponA, który koduje enzym budujący ścianę komórkową znany jako PBP1. Gdy badacze wprowadzili wersje genu ponA z dwóch szczepów Priestia do mutanta Bacillus subtilis pozbawionego własnego PBP1, wersja z DSM 319 przywróciła grubsze komórki, podczas gdy wersja z WH320 tylko częściowo to robiła. To zachowanie wskazuje, że enzym z WH320 jest osłabiony i prawdopodobnie przyczynia się do wąskiego kształtu tego szczepu.

Co mówi nam ta praca

Łącząc barwienie membran fluorescencyjnych, rekonstrukcję i segmentację obrazów opartą na uczeniu głębokim oraz staranne pomiary geometryczne, MEDUSSA przekształca surowe obrazy mikroskopowe w solidne statystyki rozmiaru komórek obejmujące tysiące bakterii. Badanie pokazuje, że nawet blisko spokrewnione szczepy bakteryjne mogą znacznie różnić się pod względem szerokości i objętości oraz że konkretne zmiany w białkach ściany komórkowej mogą wyjaśniać te różnice. Dla osób niebędących specjalistami kluczowy wniosek jest taki, że komórki bakteryjne nie mają jednakowych rozmiarów, a dzięki nowoczesnym narzędziom obliczeniowym naukowcy mogą teraz mapować tę ukrytą różnorodność i zaczynać wiązać ją z genami, warunkami wzrostu i ewolucją.

Cytowanie: 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

Słowa kluczowe: rozmiar komórki bakteryjnej, mikroskopia fluorescencyjna, segmentacja obrazu, uczenie głębokie, morfologia komórek