Декомблюция и сегментация флуоресцентных мембран с помощью глубокого обучения для высокоточного профилирования размеров бактериальных клеток

Почему важны крошечные клетки

Большинство из нас представляет бактерии как одинаковые точечки, но на самом деле их клетки демонстрируют удивительное разнообразие форм и размеров. Эти различия влияют на поглощение питательных веществ, рост и ответ на антибиотики. При этом учёным было сложно точно измерять размеры бактерий в широком наборе штаммов, поскольку существующие микроскопические методы размывают края клеток и сливают соседние клетки. В этой работе представлен новый конвейер анализа изображений MEDUSSA, который с помощью флуоресцентных красителей и методов глубокого обучения точно прослеживает контуры бактерий и позволяет сравнивать размеры клеток по тысячам экземпляров и множеству штаммов.

Чётче видимые границы клеток

Традиционная микроскопия бактерий часто использует фазовый контраст, который подчёркивает клетки без окрашивания. Этот удобный метод затрудняет точную идентификацию границы клетки и делает невозможным различие, где одна клетка кончается и начинается следующая в длинных цепочках. Авторы вместо этого окрашивали мембраны флуоресцентными красителями, которые дают резкое яркое кольцо вокруг каждой клетки и чёткие полосы в местах контакта клеток. Это обеспечило однозначный визуальный ориентир для контура каждой клетки, будь то одиночные клетки, скопления или цепочки.

Обучение компьютеров отслеживать бактерии

Чтобы превратить эти флуоресцентные изображения в измерения, команда донастроила несколько современных инструментов глубокого обучения для сегментации изображений, процесса присвоения каждому пикселю конкретной клетке. Модели обучали на тысячах вручную обведённых клеток и тестировали на нескольких видах с разными формами и размерами. Модель на основе фреймворка Omnipose показала наилучший результат после дообучения на изображениях, предварительно улучшенных методом деконволюции, который уменьшает размытие от света, находящегося вне фокуса. Оптимизированная модель, названная FMSeg, надёжно разделяла одиночные клетки даже в плотных скоплениях, длинных цепочках и сильно удлинённых формах, и работала с разными видами и флуоресцентными красителями мембран.

От плоского изображения к реальному размеру клетки

Один лишь масочный слой сегментации не даёт размеров, поэтому исследователи создали MEDUSSA — конвейер измерений, который берёт каждую маску и выводит двумерные и трёхмерные характеристики. Для каждой клетки проводится расчёт центрального скелета вдоль длинной оси, по которому считываются локальные радиусы, что позволяет программному обеспечению вычислять ширину, длину, площадь поверхности и объём при простых геометрических допущениях. Команда выявила два важных источника ошибок и скорректировала их. Во-первых, клетки в одном поле часто находятся на слегка разных высотах, поэтому брались стеки изображений через образец и объединялись в одну проекцию, где каждая клетка оказывается в фокусе. Во-вторых, модель склонялась к незначительному завышению ширины клеток, но это смещение было стабильным, что позволило построить корректирующую кривую на основе качественных ручных обводок и применить её ко всем автоматическим измерениям.

Проверка MEDUSSA

Для оценки точности авторы сравнили флуоресцентные измерения с шириной клеток, полученной с помощью криоэлектронной микроскопии высокого разрешения для Bacillus subtilis, при которой клетки быстро замораживают и получают детализированные изображения. Относительное различие в ширине между нормальными клетками и более тонким мутантом оказалось почти идентичным для обоих методов, что говорит о том, что MEDUSSA фиксирует биологически значимые вариации, даже если абсолютные значения отличаются примерно на десять процентов. Затем MEDUSSA использовали для профилирования шести штаммов крупной бактерии Priestia megaterium. Несмотря на близкое родство, эти штаммы показали более чем двукратные различия медианного объёма клеток, что в основном объяснялось различиями в ширине, а не в длине. Некоторые штаммы также образовывали необычно длинные нитевидные клетки в период активного роста, подчёркивая ранее недооценённое разнообразие формы клеток.

Связывание тонкого штамма с одной мутацией

Один штамм, WH320, оказался заметно уже своего близкого родственника DSM 319, хотя WH320 был изначально получен из DSM 319. Секвенирование генома выявило десятки мелких изменений в ДНК, включая одно в гене ponA, который кодирует фермент синтеза клеточной стенки, известный как PBP1. Когда исследователи вводили версии ponA из двух штаммов Priestia в мутант Bacillus subtilis, лишённый собственного PBP1, версия из DSM 319 восстанавливала толстые клетки, тогда как версия из WH320 делала это лишь частично. Такое поведение указывает на ослабление активности фермента WH320, что, вероятно, вносит вклад в узкую форму этого штамма.

Что говорит нам эта работа

Объединив флуоресцентное окрашивание мембран, восстановление изображений и сегментацию на основе глубокого обучения и аккуратные геометрические измерения, MEDUSSA превращает сырые микроскопические изображения в надёжную статистику размеров клеток по тысячам бактерий. Исследование показывает, что даже близкородственные штаммы бактерий могут сильно различаться по ширине и объёму, и что специфические изменения в белках клеточной стенки могут объяснять эти различия. Для неспециалистов главный вывод в том, что бактериальные клетки не одинаковы по размеру, и современные вычислительные инструменты позволяют теперь картировать это скрытое разнообразие и начинать связывать его с генами, условиями роста и эволюцией.

Цитирование: 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

Ключевые слова: размер бактериальной клетки, флуоресцентная микроскопия, сегментация изображений, глубокое обучение, морфология клетки