A deep learning framework for quantitative analysis of secretory granule morphology using Star Dist

Resumen Técnico: Un Marco de Aprendizaje Profundo para el Análisis Cuantitativo de la Morfología de los Gránulos Secretores

Planteamiento del Problema
La exocitosis regulada en las glándulas salivales de larvas de Drosophila melanogaster sirve como un modelo crítico para comprender los determinantes genéticos de la liberación de carga intracelular. El análisis morfométrico cuantitativo de los gránulos secretores es esencial para monitorear la progresión de la vía secretora, ya que el tamaño y la forma de los gránulos se correlacionan con los estadios de maduración. Sin embargo, la cuantificación manual exhaustiva es técnicamente desafiante debido a la alta densidad de gránulos dentro de las células de la glándula salival, que a menudo ocupan la mayor parte del citoplasma. Los enfoques manuales suelen depender de estrategias de muestreo parcial que introducen un sesgo de representación, particularmente al analizar fenotipos heterogéneos o gránulos pequeños. Además, los métodos de segmentación automatizados convencionales, basados en el umbral de intensidad y la separación por watershed, tienen dificultades en entornos intracelulares congestionados, fallando frecuentemente al separar objetos que se tocan o al estimar con precisión descriptores de forma como la circularidad.

Metodología
Los autores desarrollaron un flujo de trabajo automatizado y reproducible para la segmentación y caracterización morfométrica de los gránulos secretores utilizando el marco de aprendizaje profundo StarDist, implementado dentro del entorno de código abierto QuPath.

• Implementación del Marco: El flujo de trabajo acepta imágenes de microscopía de fluorescencia como entrada y permite la segmentación dentro de Regiones de Interés (ROI) definidas manualmente, tales como células individuales de la glándula salival. Integra la escalabilidad de la detección automatizada con la capacidad de los usuarios para inspeccionar visualmente, curar y refinar los resultados de la segmentación directamente en QuPath.
• Entrenamiento y Comparación de Modelos: El estudio evaluó tres estrategias basadas en StarDist frente a anotaciones de verdad de campo (ground-truth) curadas manualmente:
  1. Un modelo de núcleos de fluorescencia preentrenado (proporcionado por los autores de StarDist).
  2. Un modelo personalizado entrenado exclusivamente en imágenes de glándulas salivales de tipo silvestre (wild-type) que contienen gránulos maduros.
  3. Un modelo personalizado entrenado en un conjunto de datos mixto que incluye fenotipos silvestres y experimentales con tamaños de gránulo alterados (pequeños o agrandados).
     Estos fueron comparados contra un enfoque convencional de umbral de intensidad seguido de separación por watershed (Threshold + WS).
• Métricas de Evaluación: El rendimiento se evaluó utilizando la puntuación F1 (combinando precisión y exhaustividad/recall), la Intersección sobre la Unión (IoU) para el solapamiento de bordes, y la distancia de Hausdorff al percentil 95 (HD95) para la fidelidad de la forma. La evaluación se llevó a cabo a través de umbrales crecientes de IoU (0.5 a 0.9) para probar la rigurosidad.
• Manejo de Datos: Los conjuntos de datos de entrenamiento y evaluación se generaron utilizando glándulas salivales etiquetadas con Sgs3-GFP. Las anotaciones de verdad de campo se crearon manualmente usando Fiji/ImageJ. Los modelos StarDist personalizados se entrenaron en Python y se convirtieron a archivos .pb congelados para su uso en QuPath.

Resultos Clave

• Superioridad en la Precisión de Segmentación: Los modelos basados en StarDist superaron consistentemente al enfoque convencional de Threshold + WS. Lograron puntuaciones F1 y valores de IoU más altos, demostrando simultáneamente valores de HD95 más bajos, lo que indica una detección de objetos, reconstrucción de bordes y estimación de forma superiores. Esto fue particularmente evidente en regiones congestionadas y células con intensidades de señal heterogéneas.
• Robustez a través de Fenotipos: Los modelos personalizados entrenados con datos específicos de la glándula salival (entrenados en WT y en Fenotipo) mostraron una mayor robustez en comparación con el modelo de núcleos preentrenado. El modelo entrenado en Fenotipo, en particular, demostró una mejor adaptación a las morfologías de gránulos heterogéneas encontradas en perturbaciones experimentales.
• Preservación de Tendencias Biológicas: La segmentación automatizada reprodujo con precisión el aumento progresivo en el tamaño de los gránulos observado durante el desarrollo de la glándula salival, alineándose con los datos de cuantificación manual previamente establecidos.
• Aumento de la Sensibilidad y Profundidad de Muestreo: El flujo de trabajo automatizado aumentó significamente el número de gránulos analizados en comparación con los métodos manuales. Crucialmente, detectó subpoblaciones de gránulos más pequeños (por debajo de 1 µm²) que estaban subrepresentados o eran omitidos en los análisis manuales. Esta mayor sensibilidad proporcionó una visión más completa de la heterogeneidad morfométrica de los gránulos sin alterar las tendencias generales de maduración.

Significancia y Reivindicaciones
El artículo establece una estrategia reproducible y accesible para la morfometría de gránulos secretores de alto rendimiento. Los autores afirman que este marco:

1. Valida StarDist para Estructuras Subcelulares: Aunque StarDist se utiliza ampliamente para la segmentación de núcleos, este trabajo demuestra su utilidad para otros compartimentos subcelulares de forma estrella-convexa, específicamente los gránulos secretores.
2. Mejora el Descubrimiento Biológico: Al permitir la detección de poblaciones de gránulos más pequeñas y reducir el sesgo de muestreo, el enfoque facilita el descubrimiento de aspectos previamente pasados por alto de la maduración de los gránulos secretores y la regulación de la vía exocítica.
3. Democratiza el Análisis de Imágenes Avanzado: Implementado dentro de QuPath, el flujo de trabajo no requiere conocimientos de programación y no involucra pasos de preprocesamiento de imágenes, lo que lo hace accesible a laboratorios con diversas capacidades computacionales.
4. Escalabilidad: El marco permite el análisis de grandes conjuntos de datos de microscopía de fluorescencia, aumentando sustancialmente el rendimiento analítico manteniendo la fiabilidad biológica.

Los autores posicionan este trabajo no como una solución definitiva para todos los fenotipos de gránulos (notando que las formas altamente irregulares pueden requerir estrategias alternativas), sino como una base escalable y adaptable para futuros estudios cuantitativos de la exocitosis regulada en Drosophila.