深度学习工具识别显微照片中的细菌

深度学习软件Omnipose正在帮助解决识别显微镜图像中各种微小细菌的挑战。它已经超越了这个最初的目标，在显微照片中识别出几种其他类型的微小物体。

Joseph Mougous的UW Medicine微生物实验室和Paul A. Wiggins的华盛顿大学物理和生物工程实验室测试了该工具。它是由华盛顿大学物理学研究生Kevin J. Cutler和他的团队开发的。

穆古斯说，作为一名物理专业的学生，卡特勒“表现出对沉浸在生物学环境中的不寻常的兴趣，这样他就可以直接了解该领域需要解决的问题。他来到我的实验室，很快就找到了一个他以惊人的方式解决的问题。

他们的结果发表在17月<>日版的《自然方法》上。

科学家们发现，在大型细菌图像数据库上进行训练的Omnipose在表征和量化混合微生物培养物中的无数细菌方面表现良好。它还消除了其前身Cellpose中可能发生的一些错误。

此外，该软件不容易被由于抗生素治疗或细菌间侵略期间产生的化学物质的拮抗作用而导致的细胞形状的极端变化所愚弄。事实上，该程序表明，它甚至可以在使用大肠杆菌的试验中检测细胞中毒或中毒。

此外，由于不同细菌的光学特性差异，Omnipose在克服识别问题方面做得很好。

大多数细菌是球体或杆状，但有些细菌具有其他基本形式，例如扭曲螺旋。除此之外，Omnipose还可以识别具有细长形状或树枝，细丝和附属物的更复杂的细菌，所有这些物理特征都可能使深度学习工具难以确定图像中存在哪些细菌。

该程序在处理拥挤微生物群落的 2D 样本的 3D 再现中的对象重叠方面仍然存在一些限制。例如，物体重叠会产生墙上时钟的效果，给人一种在照片中从人头上弹出的错觉。

在分析来自快速生长的杂草A. thaliana的Omiroot原始数据集中的细胞时，Omnipose确实显示出与以前的3D样本相比的一些优势。

Mougous实验室团队对Omnipose功能的其他评论表明，小于一定阈值的细菌对于该工具来说可能很难被排除在外。

尽管存在这些缺点，但研究人员认为，Omnipose可能是一种解决方案，他们指出，“帮助回答细菌细胞生物学中的各种问题”。

为了了解它是否也可以成为其他依赖显微镜的生物甚至非生命科学领域的多功能工具，科学家们在超微小的秀丽隐杆线虫的显微照片上尝试了该程序，秀丽隐杆线虫是遗传，神经科学，发育和微生物行为研究中的重要生物。像一些细菌一样，这种生物有一个细长的形状。像许多其他蠕虫一样，它也可以扭曲自己。Omnipose可以挑选秀丽隐杆线虫，无论它的各种拉伸，收缩和其他运动。例如，这种能力在延时跟踪期间秀丽隐杆线虫运动的神经研究中可能很有用。

在设计像Omnipose这样的工具时，研究人员正在研究一个单像素精度的尺度来定义细胞的边界。这是因为大多数细菌细胞体图像仅由少量像素组成。研究人员解释说，在图像中定义边界称为分割。他们通过深度神经网络、高精度分割算法开发了Ominpose。他们的实验表明，Omnipose具有前所未有的分割精度。

科学家们设计了Omnipose供典型的研究实验室使用，并公开了其源代码，训练数据和模型，以及有关如何使用该程序的文档。

“我们预计，Omnipose在不同细胞形态和模式中的高性能，”研究人员在他们的报告中写道，“可能会从显微镜图像中解锁以前无法访问的信息。

“反映了问题的重要性，这是一个拥挤的领域，”穆古斯说。“然而，凯文的解决方案脱颖而出。我们相信它将成为生物图像分析的游戏规则改变者。

除了Cutler，Wiggins和Mougous之外，Omnipose测试项目的其他研究人员还有Carsen Stringer，Teresa W. Lo，Luca Rappez，Nicholas Stroustrup。S·布鲁克·彼得森和保罗·威金斯。Mougous是霍华德休斯医学研究所的研究员。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！