A high-performance end-to-end 3D CLEM processing workflow for facilities

Cet article présente un flux de travail open-source, modulaire et évolutif conçu pour faciliter le traitement intégré et à haut débit des données de microscopie électronique et optique corrélative 3D au sein des plateformes de services.

L'essentiel

🧩 Le Grand Puzzle 3D : Une nouvelle recette pour voir l'invisible

Imaginez que vous essayez de comprendre comment fonctionne une ville très complexe. Vous avez deux outils pour l'observer :

1. Une vue aérienne (Microscopie Lumineuse) : Vous voyez les lumières des bâtiments (les protéines, les organites) et vous savez où elles sont, mais les bâtiments sont flous et vous ne voyez pas les détails de la brique.
2. Une vue au microscope (Microscopie Électronique) : Vous voyez chaque brique, chaque fissure, avec une précision incroyable, mais tout est en noir et blanc, et vous ne savez pas exactement quelle lumière allumée correspond à quelle brique.

Le problème : Jusqu'à présent, assembler ces deux vues pour créer un seul modèle 3D précis était un cauchemar. C'était comme essayer de coller deux puzzles de tailles différentes avec des pièces qui ne s'ajustent pas, en utilisant des outils différents pour chaque étape. Les laboratoires qui font cela (les "facilités") étaient souvent débordés par la complexité technique.

La solution de l'équipe : Hélène Roberge et ses collègues ont créé une "recette de cuisine" numérique (un flux de travail informatique) qui assemble tout cela automatiquement, de A à Z.

---

🍳 Les 4 étapes de la recette (Le Flux de Travail)

Voici comment ils transforment des données brutes en un film 3D époustouflant, étape par étape :

1. L'Alignement (Le "Rabotage" du bois)

Quand on prend des centaines de photos d'une cellule pour faire un 3D, la machine bouge un tout petit peu à chaque fois. C'est comme si vous preniez une photo d'une maison, puis vous bougiez de 1 mm, puis encore un peu... Le résultat est une maison tordue.

• L'astuce : Ils utilisent des outils intelligents (comme Taturtle et AMST) qui agissent comme un rabot de menuisier. Ils lissent les images pour que les couches s'empilent parfaitement, même si la machine a tremblé. S'il y a des repères sur l'échantillon (comme des rayures faites exprès), c'est encore plus facile !

2. Le Débruitage (Le "Filtre Instagram")

Les images brutes sont souvent "grainées" ou floues à cause du bruit électronique.

• L'astuce : Ils utilisent une intelligence artificielle (comme Noise2Void) qui agit comme un filtre photo magique. Elle enlève le grain sans effacer les détails importants, rendant l'image nette comme du cristal.

3. La Superposition (Le "Calque de transparence")

Maintenant, il faut superposer la vue "lumineuse" (colorée) sur la vue "électronique" (noir et blanc).

• L'astuce : Ils utilisent un outil appelé BigWarp. Imaginez que vous prenez une feuille de papier transparent avec des points dessinés dessus (les mitochondries) et que vous l'étirez et la déplacez jusqu'à ce que les points coïncident parfaitement avec la photo de dessous. C'est ce qu'ils font numériquement pour fusionner les deux mondes.

4. La Segmentation et le Film (Le "Modelage" et le "Cinéma")

Une fois les images alignées, il faut isoler les objets qui intéressent les scientifiques (comme les mitochondries, les "centrales électriques" de la cellule).

• L'astuce : Au lieu de dessiner chaque mitochondrie à la main (ce qui prendrait des années), ils utilisent une IA entraînée (MitoNet) qui apprend à reconnaître ces formes et les colore automatiquement.
• Le résultat final : Ils importent tout cela dans un logiciel de création 3D (Blender) pour créer un film d'animation. On peut faire tourner la cellule, zoomer à l'intérieur, et voir comment les organites interagissent, comme dans un jeu vidéo ultra-réaliste.

---

🚀 Pourquoi est-ce si révolutionnaire ?

• C'est gratuit et ouvert : Tout le monde peut utiliser ces outils. Plus besoin d'acheter des logiciels coûteux.
• C'est puissant : Ils ont utilisé des supercalculateurs (des ordinateurs géants) pour traiter des montagnes de données. C'est comme passer d'une calculatrice de poche à un moteur de fusée pour faire les calculs.
• C'est accessible : Même si vous n'êtes pas un expert en informatique, l'outil est conçu pour être utilisé par n'importe quel biologiste. Ils ont créé des interfaces simples et des tutoriels.

🎯 En résumé

Cette équipe a construit un pont numérique entre deux mondes (la lumière et l'électron). Avant, traverser ce pont était difficile et réservé aux experts. Aujourd'hui, grâce à leur "tunnel" automatisé, n'importe qui peut entrer, voir les détails incroyables de la vie cellulaire en 3D, et même en faire un film pour expliquer la science au grand public.

C'est une victoire pour la science : cela permet de mieux comprendre comment nos cellules fonctionnent, ce qui est crucial pour combattre les maladies.

Résumé technique

Titre du travail

Un flux de traitement 3D CLEM (Microscopie Corrélative Lumière-Électron) de bout en bout et haute performance pour les plateformes d'imagerie.

1. Problématique

La microscopie corrélative lumière-électron (CLEM) combine la spécificité moléculaire de la microscopie optique (LM) avec le détail ultrastructural de la microscopie électronique (EM). Cependant, le traitement des jeux de données 3D CLEM reste un défi majeur, particulièrement pour les services fournis par les plateformes d'imagerie (facilities), en raison de :

• La nature multimodale des données : Nécessitant une alignement précis entre des volumes EM (ex: FIB/SEM) et des volumes LM (ex: SIM ou widefield).
• L'absence d'approches unifiées : Les flux de travail existants sont fragmentés, dépendent d'outils spécifiques peu compatibles et manquent de standardisation.
• La complexité du prétraitement : Les artefacts de dérive spatiale (drift) dans les acquisitions FIB/SEM, le bruit, et la nécessité d'une segmentation précise rendent l'analyse manuelle fastidieuse et peu reproductible.
• Les barrières d'accès : La dépendance à des logiciels commerciaux coûteux et le manque de solutions open-source évolutives pour gérer le volume croissant de données.

2. Méthodologie

Les auteurs proposent un pipeline modulaire, open-source et évolutif, conçu pour fonctionner sur des stations de travail standards jusqu'à des environnements de calcul haute performance (HPC). Le flux de travail se décompose en quatre étapes principales :

• Prétraitement des données EM (Alignement et Débruitage) :

  • Alignement des tranches 3D : Deux stratégies sont proposées selon la présence de repères (fiduciaux).
    • Avec repères : Utilisation de l'outil interne Taturtle (couplage de l'appariement de modèles sur les repères et correction de la dérive Z) suivi de l'algorithme AMST (Alignment to Median Smoothed Template) pour corriger les variations locales.
    • Sans repères : Utilisation de AMST2, une nouvelle version intégrant une étape de pré-alignement basée sur les tranches adjacentes pour corriger les biais cumulatifs.
  • Débruitage : Application du modèle Noise2Void2 (N2V2) via la bibliothèque CAREamics pour améliorer la qualité des données tout en préservant les détails fins, essentiel pour la segmentation.
  • Infrastructure : Ces étapes sont exécutées sous forme de tâches Slurm sur des nœuds GPU du supercalculateur flamand (VSC) pour assurer l'évolutivité.

• Enregistrement (Registration) LM-EM :

  • Utilisation de BigWarp (intégré dans BigDataViewer et MoBIE) pour un enregistrement interactif basé sur des repères (landmarks).
  • Les mitochondries servent de repères communs. Une transformation affine ou thin-plate spline est appliquée pour aligner le volume EM sur le volume LM (considéré comme l'état natif de l'échantillon).

• Segmentation :

  • Utilisation du modèle de réseau de neurones MitoNet au sein de la plateforme Empanada (basée sur Napari).
  • Réentraînement (Fine-tuning) : Les auteurs démontrent l'importance de réentraîner le modèle sur un sous-ensemble annoté manuellement (Ground Truth) pour chaque type de jeu de données spécifique, plutôt que d'utiliser le modèle par défaut.
  • L'interface nnInteractive et Napari est utilisée pour la création des annotations et l'édition manuelle si nécessaire.

• Visualisation 3D et Animation :

  • Intégration finale dans Blender via le plugin Microscopy Nodes.
  • Ce module permet le rendu volumétrique des données LM (émission de lumière) et EM (diffusion de la lumière), ainsi que la visualisation des masques de segmentation sous forme de maillages 3D, le tout dans un environnement unique.

3. Contributions Clés

• Pipeline Open-Source Complet : Une solution de bout en bout intégrant des outils existants (Fiji, Napari, Blender) et de nouveaux outils développés par l'équipe (Taturtle, AMST2, scripts de réentraînement).
• Nouveaux Algorithmes d'Alignement : Développement et validation de Taturtle (pour les données avec repères) et AMST2 (pour les données sans repères), permettant un alignement robuste même en l'absence de marqueurs artificiels.
• Stratégie de Réentraînement Optimisée : Démonstration que le réentraînement de MitoNet sur des données spécifiques est crucial pour atteindre une haute précision de segmentation, réduisant la dépendance au débruitage préalable dans certains cas.
• Intégration HPC et Gestion des Données : Le flux de travail est conçu pour être portable sur des infrastructures HPC (via Nextflow et conteneurs), utilisant des formats évolutifs comme OME-Zarr, facilitant le traitement de grands volumes de données.
• Accessibilité : Fourniture d'interfaces graphiques (GUI), de tutoriels et de jeux de données de test pour démocratiser l'accès à la CLEM 3D.

4. Résultats

L'évaluation a été menée sur deux jeux de données distincts (cellules MEF avec repères et cellules HeLa sans repères) :

• Alignement : Les stratégies combinées (Taturtle-AMST ou AMST2) ont réduit l'erreur de déplacement de ~0,75 nm à ~0,25 nm par rapport aux données brutes, éliminant les distorsions géométriques et assurant la continuité des membranes. AMST2 a prouvé son efficacité même sans repères, bien que la présence de repères améliore la précision.
• Segmentation :
  • L'application combinée de l'alignement et du débruitage a augmenté la précision de segmentation des mitochondries de ~40 % à ~60 %.
  • Le réentraînement du modèle a été déterminant, portant la précision de segmentation à ~94 %, surpassant l'impact du débruitage seul. Cela a permis une segmentation automatique fiable sur l'ensemble du volume.
• Visualisation : Le pipeline a permis la génération de rendus 3D haute qualité et d'animations fluides, intégrant harmonieusement les données SIM (2,5 Go), les volumes FIB/SEM (17 Go) et les segmentations (675 Mo) dans un seul environnement Blender.

5. Signification et Impact

Ce travail répond à un besoin critique de standardisation dans le domaine de la CLEM 3D.

• Pour les plateformes d'imagerie (Facilities) : Il offre un flux de travail reproductible et automatisable ("railroading"), réduisant la charge de travail manuel et permettant de gérer des projets complexes de manière efficace.
• Pour la communauté scientifique : En étant entièrement open-source et compatible avec l'HPC, il abaisse les barrières techniques et financières, favorisant l'adoption de la CLEM 3D par un plus large éventail de chercheurs.
• Avancée méthodologique : Il démontre que l'optimisation des étapes de prétraitement (alignement, débruitage) couplée à l'apprentissage profond (réentraînement de modèles) est la clé pour extraire des informations quantitatives fiables de données multimodales complexes.

En conclusion, cette étude fournit une "recette" complète et validée pour transformer des données brutes CLEM en analyses biologiques quantitatives et visuellement riches, tout en assurant la pérennité et la partageabilité des données.