MyoFuse é um fluxo de trabalho totalmente baseado em IA para quantificação automatizada da fusão de células musculares esqueléticas in vitro

Por que contar células musculares importa

Quando nos exercitamos, nos recuperamos de uma lesão ou desenvolvemos doenças como diabetes, nossos músculos esqueléticos se remodelam continuamente. No laboratório, cientistas imitam esse processo cultivando células musculares em placas e observando como células individuais se fundem em fibras longas e multinucleadas. Um número simples chamado índice de fusão indica quão bem essa fusão está ocorrendo. Mas hoje esse número é, geralmente, obtido por pessoas que contam manualmente milhares de minúsculos núcleos celulares na tela—um trabalho lento, sujeito a inconsistências e erros. Este estudo apresenta o MyoFuse, um fluxo de trabalho totalmente baseado em IA que automatiza essa tarefa de contagem, com o objetivo de tornar a pesquisa muscular mais rápida, confiável e menos tendenciosa.

O desafio de ver o que realmente existe

Para estudar a fusão de células musculares, os pesquisadores coram núcleos celulares e fibras musculares com corantes fluorescentes e capturam imagens ao microscópio. A questão-chave é quais núcleos estão realmente dentro de fibras musculares fundidas e quais pertencem a células não fundidas próximas. Métodos tradicionais assumem que, se um núcleo aparentemente se sobrepõe a uma fibra em uma imagem bidimensional, ele deve estar dentro dessa fibra. No entanto, as células crescem em três dimensões: um núcleo pode facilmente estar acima ou abaixo de uma fibra e ainda assim parecer sobreposto na imagem. Os autores usam imagens confocais detalhadas em células musculares de camundongo e humanas para mostrar que esse truque da sobreposição pode ser enganoso, fazendo com que muitos núcleos próximos sejam erroneamente contados como parte de fibras fundidas e inflacionando o índice de fusão.

Uma maneira mais inteligente de interpretar imagens fluorescentes

A equipe percebeu que núcleos verdadeiramente “dentro da fibra” deixam uma impressão visual distinta. Como esses núcleos ocupam fisicamente espaço dentro da fibra, eles criam pequenas lacunas escuras no sinal fluorescente que marca a proteína muscular MyHC. Em contraste, núcleos que ficam acima ou abaixo de uma fibra não perturbam esse sinal. Com base nessa observação, os autores desenvolveram o MyoFuse, um fluxo de trabalho de IA em duas etapas. Primeiro, um modelo de segmentação especializado (adaptado da ferramenta de código aberto Cellpose) contorna precisamente núcleos individuais, mesmo quando estão muito próximos em aglomerados. Segundo, uma rede neural leve classifica o sinal MyHC ao redor de cada núcleo e decide se ele se encontra dentro ou fora de uma fibra muscular, com base exclusivamente nesse padrão local em vez da simples sobreposição.

Quão bem a IA corresponde a especialistas humanos

Os pesquisadores testaram rigorosamente o MyoFuse em imagens de células musculares C2C12 de camundongo e em células musculares humanas primárias de diferentes músculos. Para ambas as espécies, a contagem total de núcleos pela IA e o índice de fusão calculado concordaram muito bem com anotações manuais cuidadosas feitas por especialistas, com correlações quase perfeitas. No nível de núcleos individuais, o classificador distinguiu corretamente núcleos dentro versus fora das fibras em mais de 90% dos casos nos conjuntos de dados, com métricas de desempenho comparáveis à discriminação em nível humano. Importante, o MyoFuse também funcionou bem em um conjunto separado de células humanas que nunca haviam sido usadas no treinamento, sugerindo que o método pode generalizar para novas amostras em vez de apenas memorizar as imagens de treinamento.

Revelando viés oculto em métodos comuns

Além da sua precisão, o MyoFuse expôs problemas sistemáticos em métodos amplamente usados baseados em máscaras que dependem da simples sobreposição entre sinais nucleares e de fibra. Quando os autores compararam os índices de fusão do MyoFuse com os de uma abordagem de máscara refinada aplicada às mesmas imagens, o método de máscara superestimou consistentemente a fusão, especialmente em áreas onde as fibras musculares cobriam uma fração maior do poço. Ajustar limiares de detecção alterou os números, mas não removeu esse viés subjacente; melhorias aparentes muitas vezes resultaram de erros que se cancelavam entre si, em vez de refletirem melhor a biologia. A equipe também mostrou que as estimativas de fusão podem variar amplamente entre diferentes regiões de um mesmo poço, ressaltando que analisar apenas alguns campos escolhidos manualmente pode dar uma visão distorcida de quão bem as células estão se fundindo.

O que isso significa para pesquisas futuras sobre músculo

O MyoFuse oferece aos biólogos musculares uma forma de medir a fusão celular que é mais rápida e mais fiel ao que realmente ocorre na placa. Ao combinar microscopia automatizada com uma IA capaz de segmentar e classificar centenas de milhares de núcleos em minutos, o fluxo de trabalho reduz o esforço humano, minimiza escolhas subjetivas sobre onde olhar e como definir limiares nas imagens, e evita contar células próximas como músculo fundido. Os autores reconhecem que condições extremas de imagem ou protocolos de coloração muito diferentes podem exigir re-treinamento, mas o método é disponibilizado abertamente e foi projetado para ser adaptável. Para laboratórios que estudam desenvolvimento muscular, envelhecimento, regeneração ou doenças metabólicas, o MyoFuse promete medições de fusão mais robustas—e, com elas, conclusões mais confiáveis sobre como os músculos crescem e mudam.

Citação: Lair, B., Cazorla, C., Lobeto, A. et al. MyoFuse is a fully AI-based workflow for automated quantification of skeletal muscle cell fusion in vitro. Sci Rep 16, 9387 (2026). https://doi.org/10.1038/s41598-026-40047-y

Palavras-chave: músculo esquelético, fusão celular, inteligência artificial, análise de imagem, miotogênese