Imagínese trabajando en un rompecabezas con tantas piezas que incluso los bordes parecen indistinguibles de los demás en el centro del rompecabezas. La solución parece casi imposible. Y, para empeorar las cosas, este rompecabezas está en un entorno futurista donde las piezas no sonsolo numerosos, pero siempre cambiantes. De hecho, no solo debes resolver el rompecabezas, sino "resolverlo" para analizar cómo cada pieza enfoca completamente la imagen.
Ese es el desafío que enfrentan los biólogos moleculares y celulares al clasificar las células para estudiar el origen estructural de un organismo y la forma en que se desarrolla, conocido como morfogénesis. Si tan solo hubiera una herramienta que pudiera ayudar. An eLife el papel publicado esta semana muestra que ahora hay.
Un grupo de investigación de EMBL dirigido por Anna Kreshuk, científica informática y experta en aprendizaje automático, se unió al consorcio FOR2581 de biólogos de plantas e informáticos financiado por DFG para desarrollar una herramienta que pudiera resolver este rompecabezas celular. Comenzando con código de computadora yPasando a una interfaz gráfica más fácil de usar llamada PlantSeg, el equipo desarrolló un método simple de acceso abierto para proporcionar el análisis más preciso y versátil del desarrollo de tejidos vegetales hasta la fecha. El grupo incluía experiencia de EMBL, la Universidad de Heidelberg, la Universidad Técnicade Múnich y el Instituto Max Planck de Investigación en Mejoramiento Vegetal de Colonia.
"Construir algo como PlantSeg que pueda tomar una perspectiva 3D de las células y realmente separarlas a todas es sorprendentemente difícil de hacer, considerando lo fácil que es para los humanos", dice Kreshuk. "Las computadoras no son tan buenas como los humanos cuando se trata depara la mayoría de las tareas relacionadas con la visión, como regla. Con todo el desarrollo reciente en el aprendizaje profundo y la inteligencia artificial en general, estamos más cerca de resolver esto ahora, pero aún no está resuelto, no para todas las condiciones. Este documento es la presentaciónde nuestro enfoque actual, que tardó algunos años en desarrollarse ".
Si los investigadores quieren observar la morfogénesis de los tejidos a nivel celular, necesitan obtener imágenes de células individuales. Muchas células significa que también tienen que separarlas o "segmentarlas" para ver cada célula individualmente y analizar los cambios a lo largo del tiempo.
"En las plantas, tienes células que se ven extremadamente regulares que en una sección transversal parecen rectángulos o cilindros", dice Kreshuk. "Pero también tienes células con los llamados 'lóbulos altos' que tienen protuberancias, lo que las hace parecermás como piezas de un rompecabezas. Son más difíciles de segmentar debido a su irregularidad ".
El equipo de Kreshuk entrenó a PlantSeg en imágenes de microscopio 3D de órganos reproductores y raíces laterales en desarrollo de un modelo de planta común, Arabidopsis thaliana, también conocida como berro thale. El algoritmo necesitaba tener en cuenta las inconsistencias en el tamaño y la forma de las células. A veces, las células eran másregular, a veces menos. Como señala Kreshuk, esta es la naturaleza del tejido.
Un lado hermoso de esta investigación provino de la microscopía y las imágenes que proporcionó al algoritmo. Los resultados se manifestaron en representaciones coloridas que delinearon las estructuras celulares, lo que hizo que sea más fácil "ver" la segmentación de verdad.
"Tenemos tableros de rompecabezas gigantes con miles de celdas y luego básicamente estamos coloreando cada una de estas piezas del rompecabezas con un color diferente", dice Kreshuk.
Los biólogos de plantas han necesitado durante mucho tiempo este tipo de herramienta, ya que la morfogénesis es el meollo de muchas preguntas de biología del desarrollo. Este tipo de algoritmo permite todo tipo de análisis relacionados con la forma, por ejemplo, el análisis de los cambios de forma a través del desarrollo o bajo uncambio en las condiciones ambientales, o entre especies. El artículo da algunos ejemplos, como caracterizar los cambios en el desarrollo de los óvulos, estudiar la primera división celular asimétrica que inicia la formación de la raíz lateral, y comparar y contrastar la forma de las células foliares entre dos diferentesespecies de plantas.
Si bien esta herramienta actualmente se dirige específicamente a las plantas, Kreshuk señala que podría modificarse para usarse también con otros organismos vivos.
Los algoritmos basados en aprendizaje automático, como los que se utilizan en el núcleo de PlantSeg, se entrenan a partir de ejemplos de segmentación correctos. El grupo ha entrenado a PlantSeg en muchos volúmenes de tejido vegetal, por lo que ahora se generaliza bastante bien en datos de plantas invisibles.El método es, sin embargo, aplicable a cualquier tejido con tinción del límite celular y uno podría volver a entrenarlo fácilmente para tejido animal.
"Si tiene tejido donde tiene una tinción de límite, como paredes celulares en plantas o membranas celulares en animales, esta herramienta se puede usar", dice Kreshuk. "Con esta tinción y con una resolución suficientemente alta, las células vegetales se ven muy similaresa nuestras células, pero no son exactamente iguales. La herramienta en este momento está realmente optimizada para las plantas. Para los animales, probablemente tendríamos que volver a entrenar partes de ella, pero funcionaría ".
Actualmente, PlantSeg es una herramienta independiente, pero el equipo de Kreshuk eventualmente fusionará con otra herramienta en la que está trabajando su laboratorio, el flujo de trabajo ilastik Multicut.
Fuente de la historia :
Materiales proporcionado por Laboratorio Europeo de Biología Molecular . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :