Machine Learning-Accelerated Analysis of In Utero Embryo Phenotyping in C. elegans for Reproductive Toxicity Assessment

Resumen Técnico: Análisis de Fenotipado de Embriones In Utero en C. elegans Acelerado por Aprendizaje Automático para la Evaluación de la Toxicidad Reproductiva

Planteamiento del Problema
La evaluación de la toxicidad para el desarrollo y la reproducción (DART) es crítica para la seguridad química, pero tradicionalmente depende de estudios con mamíferos laboriosos que duran varios días. Aunque Caenorhabditis elegans ofrece una alternativa escalable no mamífera con vías biológicas conservadas, los ensayos convencionales de DART en C. elegans enfrentan cuellos de botella significativos. Específicamente, el flujo de trabajo "vivoDART", que utiliza la inmovilización microfluídica (vivoChip) e imágenes de alta resolución para cuantificar el desarrollo embrionario in utero, requiere el conteo y la estadificación manual de decenas de miles de embriones por producto químico. Este proceso manual es lento, propenso a la variabilidad dependiente del usuario y limita la escalabilidad necesaria para el cribado de grandes bibliotecas químicas. Los métodos de aprendizaje automático (ML) existentes suelen ser inadecuados para esta tarea debido a la alta resolución espacial, las relaciones de aspecto extremas (~12:1) y el sustancial solapamiento de embriones presentes en las imágenes de un solo gusano, así como al alto costo de generar grandes conjuntos de datos de verdad de terreno (ground-truth) anotados.

Metodología
Los autores desarrollaron EmbryoMAE-Det, un marco de aprendizaje automático 2.5D diseñado para automatizar la detección y la clasificación del estadio de desarrollo de los embriones in utero dentro de C. elegans. La metodología integra los siguientes componentes:

1. Adquisición de Datos: El sistema utiliza el dispositivo microfluídico vivoChip-24x para inmovilizar hasta 960 gusanos por chip. Se capturan imágenes de luz transmitida (brightfield) en z-stack de alta resolución (18 cortes, paso de 6 µm, objetivo de 10×), generando aproximadamente 65 GB de datos por chip.
2. Preentrenamiento Autosupervisado (MAE): Para superar la escasez de datos etiquetados, los autores emplearon un enfoque de Autoencoder enmascarado (MAE). Un backbone de Transformer de Visión Factorizado (F-ViT) 2.5D fue preentrenado en ~20,000 imágenes de luz transmitida de C. elegans no etiquetadas. Durante el preentrenamiento, el 75% de los parches de imagen fueron enmascarados aleatoriamente, y el modelo aprendió a reconstruir el contenido faltante, aprendiendo así representaciones visuales robustas de la morfología del gusano sin anotación manual.
3. Innovaciones Arquitectónicas:
   • Tokenización Convolucional: Para manejar las relaciones de aspecto extremas de las imágenes de los gusanos, el modelo utiliza un tokenizador convolucional en lugar de una proyección lineal estándar, integrando la información espacial local directamente en las representaciones de los parches.
   • Atención Factorizada: Para reducir el costo computacional cuadrático de la atención global de autoatención en imágenes de alta resolución, el modelo emplea mecanismos de atención factorizados secuenciales y paralelos. Estos descomponen la atención a lo largo de las dimensiones de altura y anchura, preservando las relaciones espaciales de largo alcance mientras mejoran la eficiencia.
4. Ajuste Fino Supervisado: El codificador preentrenado sirve como extractor de características para una red de detección descendente. Una etapa de refinamiento de características intermedia combina módulos basados en atención y convolucionales para capturar tanto el contexto global como las características morfológicas locales. La red final incluye tres cabezales de predicción: predicción de centralidad (centerness), regresión de caja delimitadora (bounding box) y clasificación (embriones de etapa temprana vs. etapa tardía).
5. Estrategia de Entrenamiento: El modelo fue entrenado en un conjunto de 1,547 canales anotados manualmente que contienen ~48,000 embriones. La estrategia de entrenamiento implicó la optimización conjunta de los módulos de refinamiento de características y los cabezales de detección, utilizando una pérdida combinada de focal y Dice para la predicción de centralidad con el fin de abordar el desequilibrio de clases.

Resultados Clave
El estudio valida EmbryoMAE-Det mediante una comparativa exhaustiva frente a la puntuación manual:

• Precisión de Detección: El modelo alcanzó una precisión media promedio (mAP) del 88.7% en un umbral de Intersección sobre Unión (IoU) de 0.5. Los valores de Precisión Promedio (AP) específicos por clase fueron del 92.8% para embriones de etapa temprana y 84.7% para embriones de etapa tardía.
• Acuerdo Cuantitativo: Los conteos de embriones predichos por el modelo mostraron una baja variabilidad en comparación con la verdad de terreno. Los errores se centraron cerca de cero, con un 81% de los canales situándose dentro de ±2 embriones de los números puntuados manualmente.
• Repetibilidad y Variabilidad: El flujo de trabajo automatizado demostró una repetibilidad superior. Las réplicas técnicas arrojaron Coeficientes de Variación (CV%) inferiores al 10.4%. Notablemente, el modelo redujo la variabilidad en comparación con los evaluadores humanos; para los embriones de etapa tardía, el modelo logró un CV% de 10.4% frente a una variabilidad significativamente mayor en la puntuación manual.
• Potencia Estadística: Debido a la reducción de la varianza, el ensayo basado en el modelo logró una potencia estadística >80% para detectar tamaños de efecto tan pequeños como 6.3% (etapa temprana), 18.3% (etapa tardía) y 5.2% (total de embriones). En contraste, la puntuación manual requería tamaños de efecto de ~23% para alcanzar una potencia equivalente para la etapa tardía.
• Evaluación de Toxicidad: El modelo fue probado con dos productos químicos de referencia: propiconazol y metilmercurio. Las curvas de concentración-respuesta y los valores de EC50 derivados del modelo fueron estadísticamente indistinguibles de los obtenidos mediante la puntuación manual (valores de p de la prueba F > 0.05).
• Rendimiento (Throughput): El flujo de trabajo totalmente automatizado redujo el tiempo de análisis en 1,000 veces, procesando un estudio completo de concentración-respuesta (aprox. 1,200 gusanos) en ~10 minutos en comparación con las ~280 horas requeridas para el análisis manual.

Significancia y Reivindicaciones
El artículo postula que EmbryoMAE-Det establece una plataforma integrada de imagen de organismo completo y aprendizaje automático para una evaluación de DART rápida, reproducible y de alto contenido. Al automatizar el fenotipado de los embriones in utero, este trabajo elimina el principal cuello de botella en el flujo de trabajo vivoDART, permitiendo el cribado escalable de productos químicos no caracterizados.

Los autores afirman que este enfoque:

1. Preserva la Precisión: Mantiene la precisión de la puntuación manual experta mientras reduce drásticamente el tiempo de análisis.
2. Mejora la Sensibilidad: Reduce la varianza de la puntuación, aumentando así la potencia estadística para detectar puntos finales de toxicidad reproductiva sutiles y subletales que podrían pasarse por alto mediante el análisis manual.
3. Apoya las NAMs: Proporciona una Metodología de Nuevo Enfoque (NAM) robusta y repetible que puede ayudar a cerrar las brechas de conocimiento para productos químicos existentes y reducir la dependencia de las pruebas con mamíferos.
4. Escalabilidad: Facilita la generación de criterios de aceptación cuantitativos y estándares de control de calidad necesarios para las evaluaciones de seguridad química a gran escala.

El estudio concluye que, si bien el modelo es robusto bajo las condiciones probadas, el trabajo futuro se centrará en la validación a gran escala a través de diversas bibliotecas químicas y en la comparación con conjuntos de datos de DART establecidos para confirmar la relevancia traslacional.