Коллекция 2D мультиформатных изображений для предсказания флуоресценции по данным проходящего света

Наблюдение за клетками без громоздкой подготовки

Современная биология часто опирается на светящиеся красители, чтобы показать, что происходит внутри живых клеток, но это обходится дорого по времени, средствам и сказывается на здоровье клеток. В этой статье представлена база изображений Light My Cells — крупная открытая коллекция микроскопных снимков, созданная для того, чтобы компьютеры научились воспроизводить такие «светящиеся» виды по более бережным, немеченным изображениям. Для всех, кто интересуется тем, как искусственный интеллект может сократить необходимость химических красителей и при этом показать внутреннюю жизнь клеток, эта работа закладывает важную основу.

Почему светящиеся клетки и полезны, и рисковы

Флуоресцентная микроскопия позволяет пометить определённые части клетки так, чтобы они загорались — это облегчает отслеживание структур вроде ядра или митохондрий. Однако приготовление образцов с флуоресцентными красителями трудоёмко, может быть дорогостоящим и подвергает клетки световому облучению, которое может вызывать выцветание сигнала или даже повреждение. Эти проблемы усиливаются в длительных экспериментах или при масштабном скрининге, где необходимо сделать тысячи снимков. В отличие от этого, простые методы проходящего света, такие как светлое поле или фазовый контраст, щадящие и не требуют меток, но они не показывают напрямую, какие структуры какие. Основная идея Light My Cells — преодолеть этот разрыв, обучая компьютеры восстанавливать изображения, похожие на флуоресцентные, из этих простых, неразрушительных видов.

Национальная коллекция разнообразных изображений клеток

Чтобы это стало возможным, специалисты по визуализации со всей Франции объединились для создания богатого общего набора данных. База Light My Cells собирает 56 984 двумерных изображения, сгруппированных в 2 574 сопоставленных набора, присланных восемью центрами визуализации и 30 независимыми исследованиями. Каждый набор показывает одно и то же поле живых млекопитающих клеток сначала в проходящем свете, а затем с одной или несколькими флуоресцентными мишенями, выделяющими ядро, митохондрии, тубулин или актин. Изображения были получены на широком спектре микроскопов и с различными типами образцов, что отражает вариативность, с которой сталкиваются реальные лаборатории. Это разнообразие критически важно для обучения моделей глубокого обучения, которые смогут работать с разными инструментами, линиями клеток и условиями съёмки, а не подстраиваться под одну аккуратную конфигурацию.

Как изображения стандартизировали для компьютеров

Поскольку данные поступали из многих мест, команда разработала тщательный подготовительный пайплайн перед выпуском коллекции. Все оригинальные файлы, созданные во множестве проприетарных форматов микроскопов, были конвертированы в единый открытый формат OME-TIFF, который хранит и изображение, и подробную информацию о параметрах съёмки. Участники заполняли подробные метаданные, описывающие образец, оптическую схему, объективы и стратегию маркировки, следуя общественным рекомендациям для повторно используемых данных визуализации. Для каждого стека изображений, сделанных на разных глубинах, алгоритмы автоматически выбирали лучший сфокусированный срез, применяя один метод, настроенный для проходящего света, и другой — для флуоресцентного сигнала. В то время как все срезы проходящего света были сохранены, каждый флуоресцентный канал был сведён к одной резкой плоскости, соответствующей типичной задаче обучения — предсказать один хорошо сфокусированный флуоресцентный вид по немеченному входу.

Содержимое базы и проверка качества

Итоговый ресурс включает более пятидесяти тысяч изображений в проходящем свете — в основном светлого поля, но также фазовый контраст и дифференциальный интерференционный контраст, а также более четырёх тысяч парных флуоресцентных изображений. Ядро и митохондрии представлены широко, тогда как тубулин и актин встречаются реже, создавая естественный дисбаланс классов, который пользователям следует учитывать при обучении моделей. Каждое исследование в архиве документировано структурированными описаниями биологической модели, оборудования для съёмки и параметров получения, чтобы пользователи могли фильтровать по контексту или сравнивать условия. Авторы также провели технические проверки для удаления повреждённых файлов, верификации полноты полей метаданных и подтверждения того, что выбранные фокусные плоскости соответствуют экспертной оценке. Тестовые скрипты обеспечивают, что распространённые инструменты, такие как ImageJ, Napari и стандартные библиотеки Python, могут легко открывать и обрабатывать изображения.

Как исследователи могут использовать этот открытый ресурс

Помимо первоначального использования в задаче глубокого обучения, база Light My Cells задумана как общая тестовая площадка для методов, переводящих или анализирующих немеченные изображения. Парная структура данных делает её пригодной для задач, таких как предсказание флуоресценции по проходящему свету, сегментация клеточных структур или профилирование состояний клеток без дополнительных красителей. Поскольку стеки проходящего света сохранены, исследователи также могут изучать модели, использующие информацию о глубине или оценке фокуса. Все данные и код для подготовки доступны открыто под лояльными лицензиями, приглашая других расширять пайплайн, дополнять набор данных или сравнивать новые алгоритмы.

Что это значит для будущей микроскопии клеток

Для неспециалистов ключевая мысль заключается в том, что Light My Cells предоставляет исходный материал, необходимый, чтобы научить компьютеры «видеть» внутри клеток с помощью более щадящих форм микроскопии. Вместо постоянного добавления светящихся меток и риска повреждений, учёные всё чаще смогут полагаться на умное программное обеспечение, обученное на таких коллекциях, чтобы выявлять расположение ключевых структур. База данных сама по себе не решает проблему флуоресцентно‑независимой визуализации, но делает доступными качественные и хорошо документированные примеры для всех, ускоряя прогресс к менее инвазивным и более масштабируемым способам наблюдения живых клеток в действии.

Цитирование: 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

Ключевые слова: флуоресцентная микроскопия, изображение проходящего света, глубокое обучение, база биоизображений, in silico маркировка