TileBac - an annotated ultralow-dose cryo-EM montage of bacterial membranes and flagella

Um die Welt der Bakterien zu verstehen, müssen Wissenschaftler oft an den äußersten Rändern einer Zelle blicken. Bakterien sind winzige, einzellige Organismen, die in Krankenhäusern anhaltende Kontaminationen verursachen oder industrielle Rohre verstopfen können. Viele von ihnen, wie etwa die gramnegativen Varianten, sind in zwei Schutzschichten gehüllt: eine innere Membran und eine äußere Membran. Zwischen diesen Schichten liegt ein schmaler Raum, der seine Form ändern kann, wenn das Bakterium unter Stress steht oder gegen ein Antibiotikum kämpft. Um diese empfindlichen Strukturen klar zu sehen, nutzen Forscher eine Technik namens Kryo-Elektronenmikroskopie. Bei dieser Methode werden Bakterien in einer dünnen Eisschicht schockgefroren, wodurch sie in einem nahezu natürlichen Zustand erhalten bleiben, sodass sie ohne die schweren chemischen Färbungen abgebildet werden können, die normalerweise ihre Form verzerren. Es gibt jedoch einen Haken. Diese gefrorenen Proben sind unglaublich fragil. Wenn der zur Aufnahme des Bildes verwendete Elektronenstrahl zu stark ist, verbrennt er die Probe und zerstört genau jene Details, die die Wissenschaftler zu sehen versuchen. Ist der Strahl zu schwach, ist das Bild zu körnig, um die dünnen Membranen oder die peitschenartigen Schwänze, die Flagellen genannt werden und den Bakterien beim Schwimmen helfen, erkennen zu können.

Dieses delikate Gleichgewicht hat das Ausmaß des Wissens, das Wissenschaftler über Bakterienpopulationen gewinnen konnten, lange Zeit begrenzt. Sie konnten entweder ein schnelles, niedrig dosiertes Bild eines großen Bereichs aufnehmen und dabei nur sehr wenig Detail sehen, oder sie konnten ein hoch dosiertes Bild eines winzigen Punktes aufnehmen und dabei großartige Details sehen, aber das Gesamtbild verpassen. Ein neuer Datensatz namens TileBac, der von Forschern am Oak Ridge National Laboratory erstellt wurde, bietet einen Weg, diesen Kompromiss zu durchbrechen. Das Team sammelte eine massive Bibliothek von Bildern eines spezifischen Bakteriums, Pantoea sp. YR343, das im Boden rund um die Wurzeln von Pappeln lebt. Dies taten sie, indem sie Weitwinkel-Panoramen der gefrorenen Bakterien aufnahmen und diese anschließend in kleinere, handhabbare Stücke schnitten. Entscheidend war, dass sie jedes einzelne Stück von Hand annotierten, indem sie präzise Umrisse um die inneren und äußeren Membranen sowie die Flagellen zeichneten. Dies schafft einen Trainingsplatz für Computer, der es künstlicher Intelligenz ermöglicht zu lernen, wie man diese schwachen Strukturen selbst in den körnigsten, niedrig dosierten Bildern erkennt.

Die Forscher gingen diese Herausforderung an, indem sie zwei unterschiedliche Datensätze erstellten, von denen jeder darauf ausgelegt war, dem Computer etwas anderes beizubringen. Der erste Satz konzentriert sich auf die bakteriellen Hüllen. Sie nahmen Weitwinkelbilder der Bakterien bei einer extrem niedrigen Strahlendosis von nur vier Elektronen pro Quadratangström auf. Auf diesem Niveau sind die Bilder sehr verrauscht, und die Membranen sind für das menschliche Auge kaum sichtbar. Um sie interpretierbar zu machen, zeichnete das Team tausende von Bildkacheln mit Polygonen um die inneren und äußeren Membranen nach. Sie nutzten diese handgezeichneten Karten dann, um fünf verschiedene Arten von Computer-Vision-Modellen zu trainieren. Das Ziel war zu sehen, ob eine Maschine lernen kann, die zwei Membranschichten zu unterscheiden, selbst wenn das Signal unglaublich schwach ist. Die Ergebnisse zeigten, dass einige Modelle Schwierigkeiten hatten, andere jedoch – insbesondere jene, die darauf ausgelegt sind, gefüllte Regionen statt nur Linien zu finden – erfolgreich in der Lage waren, die Membranen zu identifizieren. Dies beweist, dass Computer mit den richtigen Trainingsdaten lernen können, Strukturen zu sehen, die für uns fast unsichtbar sind.

Der zweite Teil des Datensatzes befasst sich mit der Problematik der bakteriellen Bewegung und Anheftung. Bakterien nutzen lange, dünne Flagellen, um zu schwimmen, und diese Strukturen sind entscheidend dafür, wie sie an Oberflächen haften. Die Forscher sammelten Bilder von Bakterien mit Flagellen bei einer etwas höheren Dosis von vierzig Elektronen pro Quadratangström, was immer noch als Niedrigdosis gilt, aber deutlich klarere Details liefert. Sie zeichneten dieselben Sichtfelder auch als Filme auf und erstellten für jedes Bild vierzig separate Einzelbilder (Frames). Dies ist ein leistungsstarkes Merkmal, da es Wissenschaftlern ermöglicht, das Bild bei jeder gewünschten Dosis zu rekonstruieren. Sie können nur einen Frame zusammenfassen, um zu sehen, wie die Bakterien bei der niedrigstmöglichen Dosis aussehen, oder alle vierzig Frames summieren, um die klarste Version zu sehen. Da sie exakt dieselben Bakterien an der gleichen Position über all diese Dosen hinweg beibehalten haben, schufen die Forscher ein perfektes Testfeld, um zu prüfen, wie gut Computer-Modelle funktionieren, wenn sich die Bildqualität von sehr verschwommen bis sehr klar verändert.

Was diesen Datensatz wirklich einzigartig macht, ist der Grad der Detailgenauigkeit in den Annotationen. In früheren Studien markierten Wissenschaftler vielleicht nur, wo sich ein Bakterium befand. Hier zeichneten die Forscher spezifische Formen um die innere Membran und die äußere Membran als separate Entitäten. Sie fanden heraus, dass die innere und die äußere Membran Bereiche umschließen, die sich signifikant überschneiden, wobei der innere Bereich ordentlich innerhalb des äußeren liegt. Diese Präzision ist in öffentlichen Datenbanken selten. Das Team entdeckte auch, dass verschiedene Computermodelle die Welt unterschiedlich „sehen“. Einige Modelle, wie jene, die auf einem System namens YOLO basieren, lernten, die äußere Membran als sehr dünne Linie zu zeichnen, fast wie ein Drahtgitter. Andere Modelle, wie U-Net und SAM, lernten, die gesamte Fläche innerhalb der Membran auszufüllen. Beide Ansätze sind valide, erfordern aber unterschiedliche Wege, um Erfolg zu messen. Die Forscher zeigten, dass, wenn man nur betrachtet, wie viel Fläche das Modell abdeckt, die dünne-Linien-Modelle wie gescheitert aussehen. Wenn man jedoch misst, wie nah die Linie tatsächlich am Rand liegt, zeigen eben jene Modelle eine sehr gute Leistung. Diese Unterscheidung ist entscheidend für die zukünftige Forschung, da sie Wissenschaftlern sagt, dass sie das richtige Werkzeug für die jeweilige Aufgabe wählen müssen, je nachdem, ob sie die Form der Begrenzung oder die Größe der Fläche wissen wollen.

Der Datensatz adresset zudem ein häufiges Problem bei groß angelegten Bildgebungsverfahren, nämlich das „Stitching“ (das Zusammenfügen). Wenn Wissenschaftler ein Panorama eines großen Bereichs aufnehmen, müssen sie viele kleinere Bilder zusammenfügen. Wenn der Computer sie nicht perfekt ausrichtet, können die Nähte zwischen den Bildern direkt durch ein Bakterium verlaufen, wodurch es gebrochen oder verzerrt erscheint. Der TileBac-Datensatz enthält sowohl die ursprünglichen großen Panoramen als auch die kleineren Kacheln, was es Forschern ermöglicht zu testen, wie gut ihre Software Bilder zusammenfügen kann, ohne die Integrität der Zellen zu verlieren. Sie fanden heraus, dass der Datensatz keine überlappenden Zellen enthält, was bedeutet, dass er perfekt geeignet ist, um zu testen, wie Computer einzelne Bakterien voneinander trennen, aber er kann nicht dazu verwendet werden, um zu testen, wie Computer mit dicht gedrängten Bakterien umgehen. Diese Ehrlichkeit über die Grenzen des Datensatzes ist ebenso wichtig wie die Daten selbst, da sie andere Wissenschaftler davor bewahrt, falsche Schlussfolgerungen zu ziehen.

Indem sie all diese Daten zusammen mit den von ihnen trainierten Computermodellen und dem zur Analyse verwendeten Code veröffentlichen, haben die Forscher des Oak Ridge Teams einen neuen Standard für das Fachgebiet gesetzt. Sie haben gezeigt, dass es möglich ist, große Bereiche von Bakterienproben bei Dosen zu sammeln, die zuvor als zu verrauscht und damit unbrauchbar galten. Sie haben demonstriert, dass Computer mit sorgfältiger Hand-Annotation lernen können, diese schwachen Strukturen zu finden. Und sie haben ein flexibles Werkzeug bereitgestellt, das es Forschern ermöglicht, den Einfluss der Bildqualität auf die Fähigkeit zu untersuchen, Leben auf der Nanoskala zu sehen. Diese Arbeit löst nicht jedes Problem der bakteriellen Bildgebung, aber sie liefert die essenziellen Bausteine für die nächste Generation von Werkzeugen. Sie ermöglicht es Wissenschaftlern, von der Betrachtung weniger glücklicher, qualitativ hochwertiger Bilder zur Analyse ganzer Bakterienpopulationen mit statistischer Sicherheit überzugehen, was die Tür zu einem tieferen Verständnis darüber öffnet, wie diese winzigen Organismen mit ihrer Umgebung und mit den Materialien, die sie berühren, interagieren.