El aprendizaje automático ayuda a revelar las estructuras internas de las células con nuevos detalles

Abra cualquier libro de introducción a la biología y verá un diagrama familiar: una celda con apariencia de manchas llena de estructuras de colores brillantes, el mecanismo interno que hace que la celda funcione.

Los biólogos celulares conocen desde hace décadas las funciones básicas de la mayoría de estas estructuras, llamadas orgánulos. Las mitocondrias en forma de frijol producen energía, por ejemplo, y los microtúbulos delgados ayudan a que la carga se deslice alrededor de la célula. Pero a pesar de todo lo que los científicos han aprendido sobre estos ecosistemas en miniatura, aún se desconoce mucho sobre cómo funcionan juntas sus partes.

Ahora, la microscopía de alta potencia, además de una gran dosis de aprendizaje automático, está ayudando a cambiar eso. Los nuevos algoritmos informáticos pueden identificar automáticamente alrededor de 30 tipos diferentes de orgánulos y otras estructuras en imágenes de superresolución de células enteras, informa un equipo de científicos del Centro Médico Howard Hughes del Instituto de Investigación Janelia el 6 de octubre de 2021 en la revista Nature.

Sería casi imposible analizar manualmente los detalles en estas imágenes en toda la célula, dice Aubrey Weigel, quien dirigió el equipo del proyecto Janelia, llamado COSEM (para segmentar orgánulos celulares en microscopía electrónica). Solo los datos de una celda constan de decenas de miles de imágenes. El seguimiento de todos los orgánulos celulares a través de ese conjunto de imágenes podría llevarle a una sola persona más de 60 años. Pero los nuevos algoritmos hacen posible mapear una celda completa en horas, no en años.

“Al utilizar el aprendizaje automático para procesar los datos, sentimos que podíamos reconsiderar la vista básica de la célula”, dice Weigel.

Además de dos artículos complementarios en Nature, los científicos de Janelia también han lanzado el portal de datos OpenOrganelle, donde cualquiera puede acceder a los conjuntos de datos y herramientas que ha creado.

READ  El mapa de materia oscura fue mapeado usando luz de 100 millones de galaxias.

Estos recursos son invaluables para los científicos que estudian cómo los orgánulos mantienen el funcionamiento de las células, dice Jennifer Lippincott-Schwartz, líder de grupo senior y presidenta interina de la nueva Área de Investigación de Fisiología Celular 4D en Janelia que ya usa los datos en su propia investigación. “Lo que realmente no sabíamos era cómo se organizan los diferentes orgánulos y estructuras entre sí, cómo se tocan y se comunican entre sí, y cuánto espacio ocupan”, dice.

Por primera vez, aparecen esas relaciones ocultas.

Datos detallados

El viaje del equipo COSEM comenzó con datos recopilados por microscopios electrónicos de alta potencia alojados en una cámara especial antivibración en Janelia.

Durante los últimos 10 años, estos microscopios han estado produciendo instantáneas de alta resolución del cerebro de la mosca. El líder del grupo Janelia, Harald Hess, y el científico senior Shan Xu diseñaron estos osciloscopios para triturar fragmentos muy delgados del cerebro de una mosca utilizando un haz de iones enfocado, un enfoque llamado imágenes FIB-SEM. Los osciloscopios capturan las imágenes capa por capa, y luego los programas de computadora unen esas imágenes en una representación 3D detallada del cerebro. Basándose en estos datos, los investigadores de Janelia han publicado el mapa neuronal más detallado del cerebro de la mosca hasta la fecha.

En medio de la obtención de imágenes del cerebro de la mosca, el equipo de Hess y Shaw también examinó otras muestras. Con el tiempo, recopilaron una variedad de datos de muchos tipos de células, incluidas las células de mamíferos. “Pensamos que estas imágenes detalladas de células completas podrían ser de mayor interés para los biólogos celulares”, dice Hess.

Weigel, entonces postdoctora en el laboratorio de Lippincott-Schwartz, comenzó a extraer estos datos para su propia investigación. “El poder de análisis de las imágenes FIB-SEM fue asombroso, pudimos ver cosas a un nivel que nunca habíamos imaginado antes, pero había más información en una muestra de la que podía analizar en varias durante toda mi vida”, dice Weigel. En proyectos computacionales que podrían acelerar las cosas, comencé a organizar una colaboración.

READ  Un médico advierte que la salud del líder opositor venezolano encarcelado está en riesgo

“Todas las piezas estaban aquí en Janelia”, dice, y la formación del equipo del proyecto COSEM las alineó hacia un objetivo común.

establecer límites

Larissa Heinrich, estudiante de posgrado en el laboratorio del líder de grupo Stefan Salfeld, ha desarrollado herramientas de aprendizaje automático que pueden identificar sinapsis, las conexiones entre neuronas, en datos de microscopía electrónica. Para COSEM, ha adaptado esos algoritmos para mapear o dividir orgánulos en celdas.

Los algoritmos de segmentación de Saalfeld y Heinrich funcionaron asignando un número a cada píxel de la imagen. El número refleja qué tan lejos está un píxel del punto de entrelazado más cercano. Luego utilicé este algoritmo de números para identificar y etiquetar todas las sinapsis en la imagen. Saalfeld dice que los algoritmos COSEM funcionan de manera similar, pero con más dimensiones. Clasifican cada píxel por su distancia a 30 tipos diferentes de orgánulos y estructuras. Luego, los algoritmos combinan todos estos números para predecir dónde estarán los orgánulos.

Usando datos de científicos que trazaron manualmente los límites de los orgánulos y asignaron números a los píxeles, el algoritmo puede aprender que ciertas combinaciones de números no son razonables, dice Saalfeld. “Entonces, por ejemplo, un píxel no puede estar dentro de una mitocondria al mismo tiempo dentro del retículo endoplásmico”.

Para responder preguntas como cuántas mitocondrias hay en una célula o su superficie, los algoritmos deben ir más allá, dice el líder del grupo, Jan Funk. Su equipo ha creado algoritmos que incluyen conocimientos previos de las propiedades de los orgánulos. Por ejemplo, los científicos saben que los microtúbulos son largos y delgados. Con base en esta información, la computadora puede emitir juicios sobre dónde comienzan y terminan los microtúbulos. El equipo puede observar cómo este conocimiento previo afecta los resultados de un programa de computadora, ya sea que haga que el algoritmo sea más o menos preciso, y luego hacer los ajustes necesarios.

READ  Un misterioso cometa ingresa a nuestro sistema solar por primera vez

Después de dos años de trabajo, el equipo de COSEM se ha decantado por un conjunto de algoritmos que generan buenos resultados para los datos recopilados hasta el momento. Weigel dice que estos hallazgos son una base importante para futuras investigaciones en Janelia. Un nuevo esfuerzo liderado por Xu está llevando las imágenes FIB-SEM a niveles de detalle aún mayores. Otro equipo de proyecto, llamado CellMap, pronto mejorará las herramientas y los recursos de COSEM para crear una base de datos más amplia de anotaciones celulares, con imágenes detalladas de muchos tipos de células y tejidos.

Juntos, estos avances respaldarán el próximo campo de investigación de Janelia durante 15 años, 4D Cell Physiology, un esfuerzo que Lippincott-Schwartz está liderando de manera interina para comprender cómo las células interactúan entre sí dentro de cada uno de los diferentes tipos de tejidos que componen un organismo. , dice White Korf, director de equipos de proyectos en Janelia.

Con nuevos recursos como los creados por el equipo COSEM, dice Corv, “realmente podemos comenzar a responder estas preguntas, de una manera que no habíamos podido hacer en el pasado”.

Referencia: Heinrich L, Bennett D, Ackermann D, et al. Segmentación de orgánulos de células enteras en microscopía electrónica volumétrica. naturaleza temperamental. 2021: 1-6. dui: 10.1038 / s41586-021-03977-3

Este artículo se ha vuelto a publicar de los siguientes Materiales. Nota: Es posible que el artículo haya sido modificado por su extensión y contenido. Para obtener más información, comuníquese con la fuente mencionada.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *