Машинное обучение и мощные микроскопы позволяют получать подробные снимки внутреннего механизма клеток.

Откройте любую вводную книгу по биологии, и вы увидите знакомую диаграмму: похожая на клякса клетка, заполненная ярко окрашенными структурами — внутренний механизм, который заставляет клетку тикать.

Клеточным биологам известны основные функции большинства этих структур, называемых органеллами, на протяжении десятилетий. Например, митохондрии в форме бобов вырабатывают энергию, а тонкие микротрубочки помогают перемещению груза по клетке. Но, несмотря на все, что ученые узнали об этих миниатюрных экосистемах, многое остается неизвестным о том, как их части работают вместе.

Теперь мощная микроскопия — плюс мощная доза машинного обучения — помогают это изменить. Новые компьютерные алгоритмы могут автоматически идентифицировать около 30 различных типов органелл и других структур на изображениях целых клеток с высоким разрешением, сообщила в журнале группа ученых из Медицинского центра Говарда Хьюза Исследовательского института Джанелия от 6 октября 2021 года. закаливать природу.

По словам Обри Вейгеля, возглавлявшего команду проекта Janelia под названием COSEM (сегментирование клеточных органелл с помощью электронной микроскопии), было бы практически невозможно вручную проанализировать детали этих изображений по всей клетке. Данные только одной ячейки состоят из десятков тысяч изображений. На отслеживание всех органелл клетки с помощью этого набора изображений одному человеку может потребоваться более 60 лет. Но новые алгоритмы позволяют отображать всю ячейку за часы, а не за годы.

«Используя машинное обучение для обработки данных, мы почувствовали, что можем пересмотреть базовое представление о ячейке», — говорит Вайгель.

В дополнение к двум сопроводительным статьям в закаливать природуУченые Janelia также выпустили портал данных OpenOrganelle, где любой может получить доступ к наборам данных и инструментам, которые они создали.

Эти ресурсы неоценимы для ученых, изучающих, как органеллы поддерживают функционирование клеток, говорит Дженнифер Липпинкотт-Шварц, руководитель большой группы и временный председатель 4D отдела исследований клеточной физиологии в Джанелии, которая уже использует данные в своих собственных исследованиях. «Чего мы на самом деле не знали, так это того, как различные органеллы и структуры расположены относительно друг друга — как они соприкасаются и взаимодействуют друг с другом, и сколько места они занимают», — говорит она.

Впервые появляются эти скрытые отношения.

Подробные данные

Путешествие команды COSEM началось с данных, собранных с помощью мощных электронных микроскопов, размещенных в специальной виброустойчивой камере в Janelia.

В течение последних 10 лет эти микроскопы делали снимки мозга мух с высоким разрешением. Руководитель группы Janelia Харальд Хесс и старший научный сотрудник Шан Сюй разработали эти прицелы для измельчения очень тонких фрагментов мозга мухи с помощью сфокусированного пучка ионов — метод, называемый визуализацией FIB-SEM. Осциллографы захватывают изображения слой за слоем, а затем компьютерные программы объединяют эти изображения в подробное трехмерное представление мозга. Основываясь на этих данных, исследователи Janelia выпустили самую подробную на сегодняшний день нейронную карту мозга мухи.

В процессе визуализации мозга мухи команда Хесса и Шоу также изучила другие образцы. Со временем они собрали ряд данных из многих типов клеток, включая клетки млекопитающих. «Мы думали, что это подробное изображение целых клеток может представлять больший интерес для клеточных биологов», — говорит Хесс.

Вайгель, в то время работавшая постдоком в лаборатории Липпинкотт-Шварц, начала собирать эти данные для своего собственного исследования. «Возможности анализа изображений с помощью FIB-SEM были потрясающими, мы могли видеть вещи на уровне, о котором мы никогда не могли себе представить раньше, но в одном образце было больше информации, чем я мог проанализировать за несколько жизней», — говорит Вайгель. Понимая, что другие в Janelia работают над вычислительными проектами, которые могут ускорить процесс, я начал организовывать сотрудничество.

«Все элементы были здесь, в Джанелии», — говорит она, и формирование команды проекта COSEM помогло достичь общей цели.

установка лимитов

Лариса Генрих, аспирантка лаборатории руководителя группы Стефана Зальфельда, разработала инструменты машинного обучения, которые могут идентифицировать синапсы, связи между нейронами, в данных электронной микроскопии. Для COSEM он адаптировал эти алгоритмы для картирования или разделения органелл на клетки.

Алгоритмы сегментации Заальфельда и Генриха работали, присваивая номер каждому пикселю изображения. Число отражает расстояние до пикселя от ближайшей точки чересстрочной развертки. Затем я использовал алгоритм чисел, чтобы идентифицировать и маркировать все синапсы на изображении. Заальфельд говорит, что алгоритмы COSEM работают аналогичным образом, но с большим количеством измерений. Они классифицируют каждый пиксель по расстоянию до 30 различных типов органелл и структур. Затем алгоритмы объединяют все эти числа, чтобы предсказать, где будут находиться органеллы.

По словам Заальфельда, используя данные ученых, которые вручную отслеживали границы органелл и присваивали номера пикселям, алгоритм может узнать, что определенные наборы чисел иррациональны. «Так, например, пиксель не может находиться в митохондриях одновременно внутри эндоплазматической сети».

Чтобы ответить на такие вопросы, как количество митохондрий в клетке или площадь ее поверхности, алгоритмы должны идти дальше, говорит лидер группы Ян Функ. Его команда построила алгоритмы, которые включают предварительные знания о свойствах органелл. Например, ученым известно, что микротрубочки длинные и тонкие. Основываясь на этой информации, компьютер может сделать суждение о том, где микротрубочки начинаются и заканчиваются. Команда может наблюдать, как эти предварительные знания влияют на результаты компьютерной программы — делает ли она алгоритм более или менее точным — а затем вносить коррективы по мере необходимости.

После двух лет работы команда COSEM остановилась на наборе алгоритмов, которые дают хорошие результаты для данных, собранных на данный момент. Вайгель говорит, что эти результаты — важная основа для будущих исследований Джанелии. Новая работа, возглавляемая Сюй, — довести визуализацию FIB-SEM до еще более детального уровня. Еще одна проектная группа, которая скоро будет запущена, под названием CellMap, улучшит инструменты и ресурсы COSEM, чтобы создать более обширную базу данных аннотаций клеток с подробными изображениями многих типов клеток и тканей.

Вместе эти достижения поддержат предстоящую область исследований Джанелии в течение 15 лет, 4D клеточную физиологию — усилие, которое Липпинкотт-Шварц ведет на временной основе, чтобы понять, как клетки взаимодействуют друг с другом в каждом из различных типов тканей, составляющих организм. — говорит Уайт Корф, директор проектных групп Janelia.

С новыми ресурсами, такими как созданные командой COSEM, «мы действительно можем начать отвечать на эти вопросы так, как раньше у нас не было доступа», — говорит Корв.