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

Para comprender el mundo bacteriano, los científicos a menudo necesitan observar los confines mismos de una célula. Las bacterias son organismos diminutos, unicelulares, que pueden causar una contaminación persistente en hospitales o bloquear tuberías industriales. Muchas de ellas, como la variedad Gram-negativa, están envueltas en dos capas protectoras: una membrana interna y una membrana externa. Entre estas capas existe un espacio delgado que puede cambiar de forma cuando la bacteria está estresada o luchando contra un antibiótico. Para ver estas estructuras delicadas con claridad, los investigadores utilizan una técnica llamada criomicroscopía electrónica. Este método congela instantáneamente las bacterias en una fina capa de hielo, preservándolas en un estado casi natural para que puedan ser fotografiadas sin las pesadas tinciones químicas que suelen distorsionar su forma. Sin embargo, hay un inconveniente. Estas muestras congeladas son increíblemente frágiles. Si el haz de electrones utilizado para tomar la foto es demasiado fuerte, quema la muestra y destruye los mismos detalles que los científicos intentan ver. Si el haz es demasiado débil, la imagen es demasiado granulosa para distinguir las membranas delgadas o las colas similares a látigos, llamadas flagelos, que ayudan a las bacterias a nadar.

Este delicado acto de equilibrio ha limitado durante mucho tiempo cuánto pueden aprender los científicos sobre las poblaciones bacterianas. Pueden tomar una foto rápida de baja dosis de un área grande y ver muy pocos detalles, o pueden tomar una foto de alta dosis de un punto diminuto y ver grandes detalles pero perderse el panorama general. Un nuevo conjunto de datos llamado TileBac, creado por investigadores del Laboratorio Nacional de Oak Ridge, ofrece una forma de romper este compromiso. El equipo recolectó una biblioteca masiva de imágenes de una bacteria específica, Pantoea sp. YR343, que vive en el suelo alrededor de las raíces de los álamos. Lo hicieron tomando panoramas de campo amplio de las bacterias congeladas y luego cortándolos en piezas más pequeñas y manejables. Crucialmente, anotaron cada pieza a mano, dibujando contornos precisos alrededor de las membranas interna y externa y de los flagelos. Esto crea un campo de entrenamiento para las computadoras, permitiendo que la inteligencia artificial aprenda a detectar estas estructuras tenues incluso en las imágenes más granulosas y de menor dosis.

Los investigadores abordaron este desafío creando dos conjuntos de datos distintos, cada uno diseñado para enseñar algo diferente a las computadoras. El primero se centra en las envolturas bacterianas. Tomaron imágenes de campo amplio de las bacterias con una dosis de radiación extremadamente baja, de solo cuatro electrones por ángstrom cuadrado. A este nivel, las imágenes son muy ruidosas y las membranas son apenas visibles para el ojo humano. Para darles sentido, el equipo dibujó manualmente polígonos alrededor de las membranas interna y externa en miles de teselas de imagen. Luego utilizaron estos mapas dibujados a mano para entrenar cinco tipos diferentes de modelos de visión computacional. El objetivo era ver si una máquina podía aprender a distinguir las dos capas de la membrana incluso cuando la señal era increíblemente débil. Los resultados mostraron que, mientras algunos modelos tenían dificultades, otros, particularmente aquellos diseñados para encontrar regiones llenas en lugar de solo líneas, podían identificar con éxito las membranas. Esto demuestra que, con los datos de entrenamiento adecuados, las computadoras pueden aprender a ver estructuras que son casi invisibles para nosotros.

La segunda parte del conjunto de datos aborda el problema del movimiento y la adhesión bacteriana. Las bacterias utilizan flagelos largos y delgados para nadar, y estas estructuras son vitales para cómo se adhieren a las superficies. Los investigadores recolectaron imágenes de bacterias con flagelos a una dosis ligeramente superior, de cuarenta electrones por ángstrom cuadrado, que sigue considerándose de baja dosis pero proporciona detalles mucho más claros. También grabaron estos mismos campos de visión como películas, capturando cuarenta fotogramas separados para cada imagen. Esta es una característica poderosa porque permite a los científicos reconstruir la imagen en cualquier nivel de dosis que elijan. Pueden sumar solo un fotograma para ver cómo lucen las bacterias con la dosis más baja posible, o sumar los cuarenta fotogramas para ver la versión más clara posible. Al mantener exactamente las mismas bacterias en la misma posición a través de todas estas dosis, los investigadores crearon un banco de pruebas perfecto para ver cómo rinden los modelos computacionales a medida que la calidad de la imagen cambia de muy borrosa a muy clara.

Lo que hace que este conjunto de datos sea verdaderamente único es el nivel de detalle en las anotaciones. En estudios previos, los científicos podrían haber simplemente marcado dónde estaba una bacteria. Aquí, los investigadores dibujaron formas específicas alrededor de la membrana interna y la membrana externa como entidades separadas. Descubrieron que las membranas interna y externa encierran áreas que se superponen significativamente, con el área interna situada perfectamente dentro de la externa. Este nivel de precisión es raro en las bases de datos públicas. El equipo también descubrió que diferentes modelos computacionales "ven" el mundo de diferentes maneras. Algunos modelos, como los basados en un sistema llamado YOLO, aprendieron a dibujar la membrana externa como una línea muy fina, casi como un armazón de alambre. Otros modelos, como U-Net y SAM, aprendieron a llenar todo el área dentro de la membrana. Ambos enfoques son válidos, pero requieren diferentes formas de medir el éxito. Los investigadores demostraron que si solo se observa cuánto área cubre el modelo, los modelos de línea fina parecen haber fallado. Pero si se mide qué tan cerca está la línea del borde real, esos mismos modelos funcionaron muy bien. Esta distinción es crítica para la investigación futura, ya que les dice a los científicos que deben elegir la herramienta adecuada para el trabajo dependiendo de si necesitan conocer la forma del límite o el tamaño del área.

El conjunto de datos también aborda un problema común en la obtención de imágenes a gran escala llamado costura (stitching). Cuando los científicos toman un panorama de un área grande, tienen que combinar muchas imágenes más pequeñas. Si la computadora no las alinea perfectamente, las costuras entre las imágenes pueden cortar directamente a través de una bacteria, haciendo que parezca rota o distorsionada. El conjunto de datos TileBac incluye tanto los panoramas originales de gran tamaño como las teselas más pequeñas, lo que permite a los investigadores probar qué tan bien su software puede unir las imágenes sin perder la integridad de las células. Descubrieron que el conjunto de datos no contiene células superpuestas, lo que significa que es perfecto para probar cómo las computadoras separan bacterias individuales, pero no puede usarse para probar cómo las computadoras manejan bacterias que están amontonadas unas sobre otras. Esta honestidad sobre los límites del conjunto de datos es tan importante como los datos mismos, ya que evita que otros científicos saquen conclusiones falsas.

Al publicar todos estos datos, junto con los modelos computacionales que entrenaron y el código utilizado para el análisis, el equipo de Oak Ridge ha proporcionado un nuevo estándar para el campo. Han demostrado que es posible recolectar áreas grandes de muestras bacterianas a dosis tan bajas que anteriormente se consideraban demasiado ruidosas para ser útiles. Han demostrado que, con una anotación manual cuidadosa, las computadoras pueden aprender a encontrar estas estructuras tenues. Y han proporcionado una herramienta flexible que permite a los investigadores estudiar cómo la calidad de la imagen afecta la capacidad de ver la vida a la escala nanométrica. Este trabajo no resuelve todos los problemas de la imagen bacteriana, pero proporciona los bloques de construcción esenciales para la próxima generación de herramientas. Permite a los científicos pasar de observar unos pocos fotogramas afortunados de alta calidad a analizar poblaciones enteras de bacterias con confianza estadística, abriendo la puerta a una comprensión más profunda de cómo estos diminutos organismos interactúan con su entorno y con los materiales que tocan.