《自然》子刊:深度学习算法可以识别显微镜图像中的各种细菌

来源：生物技术2022年6月11日01 17336027

在这项新的研究中，该团队开发了Omnipose，一种深度神经网络图像分割算法。独特的网络输出(如距离场的梯度)使Omnipose能够准确分割存在现有算法(包括其前身Cellpose)生成的误差的像元。

显微镜是表征细胞和亚细胞结构和动力学的有力工具。尽管显微镜技术的进步为在细菌单细胞水平上定量和精确测量形态和分子现象提供了很大的希望，但显微镜图像的定量分析仍然是一个挑战，因为许多细菌只能在可见光波长范围内被揭示。

两年前，科学家开发了一种基于深度学习的分割方法，称为Cellpose，可以从各种图像类型中准确分割细胞，并且不需要模型再训练或参数调整。然而，这种方法仍然受到与细胞形态或光学特性无关的方法的限制。

最近，在《Nature Methods》发表的一项新研究中，来自华盛顿大学的一个研究团队开发了Omnipose，这是一种深度神经网络图像分割算法。由大规模细菌图像数据库训练的Omnipose在描述和量化混合微生物培养物中的各种细菌方面表现良好，并消除了使用其前身工具Cellpose时可能出现的错误。

众所周知，细菌除了微小的身体，还有很多形态。虽然通常研究的细菌几乎都是杆状或球状，但也有其他形式的细菌，比如螺旋状。此外，微流体设备使研究人员能够捕捉细菌对各种处理的反应，但在这个过程中，它通常会导致细菌的形状不规则。这些形态特征将使现有的深度学习工具很难从显微图像中判断出哪些细菌存在。

在这项新的研究中，该团队开发了Omnipose，一种深度神经网络图像分割算法。独特的网络输出(如距离场的梯度)使Omnipose能够准确分割存在现有算法(包括其前身Cellpose)生成的误差的像元。

研究表明，Omnipose在混合细菌培养物、抗生素处理的细胞以及细长或分支细胞上实现了前所未有的分割性能。此外，Omnipose更擅长克服不同细菌光学特性差异带来的识别问题。该算法增强的细胞分割性能促进了对微生物系统的独特见解。

Omnipose可以准确识别中毒的大肠杆菌细胞。

然而，当拥挤的微生物群落的3D样本在2D重现时，Omnipose仍然有一些限制。例如，图像中的重叠元素会产生错觉。此外，当细菌的大小低于某个阈值时，Omnipose很难被检测到。

然而，在分析快速生长的拟南芥根的原始数据集中的细胞时，Omnipose可以在3D样本中显示出优于现有方法的一些优势。

虽然仍然存在一些缺点，但研究人员认为Omnipose可以成为一种解决方案，帮助解决细菌细胞生物学中的各种问题。

为了验证Omnipose是否也可以成为其他依赖显微镜的生物学甚至非生命科学中的多功能工具，团队尝试用Omnipose分析秀丽隐杆线虫的显微图像。秀丽隐杆线虫是遗传学、神经科学、发育和微生物行为研究中的重要模式生物。秀丽隐杆线虫以细菌为食。像一些细菌一样，秀丽隐杆线虫是线性的，可以自由扭曲成各种形式。

测试表明，Omnipose无论是拉伸、收缩还是其他各种动作，都能识别秀丽隐杆线虫。研究人员表示，这种能力在追踪线虫运动过程中的神经研究中可能非常有用。

目前，团队已经公开了Omnipose的源代码、训练数据和模型，还提供了Omnipose安装和使用的完整文档。

他们预计Omnipose在不同细胞形态和模式方面的出色表现可能会从显微图像中解锁以前无法获得的信息。Omnipose甚至可能改变生物图像分析的游戏规则。

版权声明

本网站所有标注“来源：100医学网”或“来源：bioon”的文字、图片及音视频资料，版权归100医学网网站所有。未经授权，任何媒体、网站、个人不得转载，否则将追究法律责任。获得书面授权转载时，必须注明“来源：100医学网”。其他来源的文章均为转载文章。本网站所有转载文章都是为了传递更多信息。转载内容不代表本站立场。不想被转载的媒体或个人可以联系我们，我们会立即删除。

87%的用户都在使用100医疗网APP随时阅读、评论、分享、交流。请扫描二维码下载-