Coleta de Imagens Multimodais 2D para Predição de Fluorescência a partir de Microscopia de Luz Transmitida

Ver células sem preparação agressiva

A biologia moderna frequentemente depende de corantes fluorescentes para revelar o que ocorre dentro de células vivas, mas isso tem custo em tempo, dinheiro e saúde celular. Este artigo apresenta o banco de imagens Light My Cells, uma grande coleção pública de imagens microscópicas projetada para ajudar computadores a aprender a recriar essas vistas fluorescentes a partir de imagens mais suaves e sem marcação. Para quem se interessa por como a inteligência artificial pode reduzir a necessidade de corantes químicos e ainda revelar a vida interna das células, este trabalho estabelece a base.

Por que células fluorescentes são úteis e arriscadas

A microscopia de fluorescência permite aos cientistas marcar partes específicas da célula para que elas iluminem, tornando estruturas como o núcleo ou mitocôndrias fáceis de acompanhar. No entanto, preparar amostras com corantes fluorescentes é trabalhoso, pode ser caro e expõe as células à luz que pode apagar o sinal ou até danificá-las. Esses problemas aumentam em experimentos longos ou em projetos de triagem em larga escala, onde milhares de imagens precisam ser capturadas. Em contraste, técnicas simples de luz transmitida, como campo claro ou contraste de fase, são suaves e não requerem marcação, mas não revelam diretamente quais estruturas são quais. A ideia central por trás do Light My Cells é preencher essa lacuna treinando computadores para inferir imagens semelhantes às fluorescentes a partir dessas vistas simples e não danosas.

Uma coleção nacional de imagens celulares diversas

Para viabilizar isso, especialistas em imageamento de toda a França uniram esforços para construir um conjunto de dados rico e compartilhado. O banco Light My Cells reúne 56.984 imagens bidimensionais agrupadas em 2.574 conjuntos pareados, contribuídos por oito centros de imageamento e 30 estudos independentes. Cada conjunto mostra o mesmo campo de células mamíferas vivas primeiro com luz transmitida e depois com um ou mais rótulos fluorescentes que destacam o núcleo, mitocôndrias, tubulina ou actina. As imagens foram coletadas em uma ampla variedade de microscópios e com muitos tipos de amostras, capturando a variação que laboratórios reais encontram diariamente. Essa diversidade é crucial para ensinar modelos de deep learning que possam lidar com diferentes instrumentos, linhagens celulares e condições de aquisição, em vez de se ajustar demais a um único e organizado conjunto.

Como as imagens foram padronizadas para computadores

Como os dados vieram de muitos locais, a equipe construiu um pipeline de preparação cuidadoso antes de liberar a coleção. Todos os arquivos originais, produzidos em muitos formatos proprietários de microscópio, foram convertidos para um formato aberto comum chamado OME-TIFF que armazena tanto a imagem quanto informações detalhadas sobre como ela foi obtida. Os contribuidores preencheram templates de metadados ricos descrevendo a amostra, o caminho óptico, as objetivas e a estratégia de marcação, seguindo diretrizes da comunidade para dados de imageamento reutilizáveis. Para cada pilha de imagens tomada em diferentes profundidades, algoritmos escolheram automaticamente a melhor fatia em foco, usando um método ajustado para luz transmitida e outro ajustado para o sinal fluorescente. Enquanto todas as fatias de luz transmitida foram mantidas, cada canal fluorescente foi reduzido a um único plano nítido, correspondendo à típica tarefa de aprendizado de prever uma vista fluorescente bem focalizada a partir de entrada sem marcação.

O que o banco contém e como a qualidade foi verificada

O recurso final inclui mais de cinquenta mil imagens por luz transmitida, principalmente campo claro, mas também contraste de fase e contraste de interferência diferencial, além de mais de quatro mil imagens de fluorescência pareadas. O núcleo e as mitocôndrias estão bem representados, enquanto tubulina e actina aparecem com menos frequência, criando um desequilíbrio natural de classes que os usuários devem considerar ao treinar modelos. Cada estudo no arquivo é documentado com descrições estruturadas do modelo biológico, hardware de imageamento e configurações de aquisição, de modo que os usuários possam filtrar por contexto ou comparar condições. Os autores também realizaram verificações técnicas para remover arquivos corrompidos, verificar que campos de metadados estavam completos e confirmar que os planos de foco escolhidos correspondiam ao julgamento de especialistas. Scripts de teste garantiram que ferramentas comuns como ImageJ, Napari e bibliotecas padrão em Python possam abrir e processar facilmente as imagens.

Como pesquisadores podem usar esse recurso aberto

Além de seu uso original em um desafio de deep learning, o banco Light My Cells é concebido como um campo de testes geral para métodos que traduzem ou analisam imagens sem marcação. A natureza pareada dos dados o torna adequado para tarefas como prever fluorescência a partir de luz transmitida, segmentar estruturas celulares ou perfilar estados celulares sem corantes adicionais. Como as pilhas de luz transmitida são preservadas, pesquisadores também podem explorar modelos que usam informação de profundidade ou estimativa de foco. Todos os dados e o código de preparação estão disponíveis abertamente sob licenças permissivas, convidando outros a ampliar o pipeline, estender o conjunto de dados ou avaliar novos algoritmos.

O que isso significa para a futura imageamento celular

Para não especialistas, a mensagem principal é que o Light My Cells fornece a matéria-prima necessária para ensinar computadores a ver dentro das células usando formas de microscopia mais suaves. Em vez de sempre adicionar rótulos fluorescentes e correr o risco de danos, cientistas podem passar a confiar cada vez mais em software inteligente treinado em coleções como esta para revelar onde se situam estruturas-chave. O banco não resolve por si só a imageamento sem fluorescência, mas torna exemplos de alta qualidade e bem documentados disponíveis a todos, acelerando o progresso rumo a maneiras menos invasivas e mais escaláveis de observar células vivas em ação.

Citação: 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

Palavras-chave: microscopia de fluorescência, imagem por luz transmitida, aprendizado profundo, base de dados de bioimagens, marcação in silico