fishROI: A specialized workflow for semi-automated muscle morphometry analysis in teleosts

Cette étude présente fishROI, un plugin FIJI2 en Jython qui combine la coloration cytoplasmique et la segmentation par apprentissage profond pour offrir une analyse morphométrique automatisée, précise et adaptée aux spécificités du muscle téléostéen, notamment la dynamique de l'hyperplasie mosaïque.

L'essentiel

🐟 Le Problème : Compter les poissons dans un bocal trop rempli

Imaginez que vous êtes un biologiste qui veut étudier les muscles des poissons (les téléostéens, comme le poisson-zèbre). Pour comprendre comment ils grandissent, il faut compter et mesurer chaque petite fibre musculaire sur des images microscopiques.

Le problème ? C'est comme essayer de compter des grains de sable sur une plage, mais les grains sont collés les uns aux autres, de tailles différentes, et certains sont très petits.

• Les anciennes méthodes étaient comme essayer de compter ces grains à la main, un par un, avec une loupe. C'était long, fastidieux et épuisant pour les yeux.
• Les nouveaux outils informatiques existants étaient comme des robots programmés pour compter des billes de billard (des muscles de mammifères, tous de la même taille). Quand on les utilisait sur des poissons, ils se perdaient : ils confondaient les petits grains de sable avec de la poussière (du bruit) et rataient les plus petits muscles.

🛠️ La Solution : "fishROI", le nouvel assistant intelligent

Les chercheurs ont créé un nouvel outil appelé fishROI. C'est un petit logiciel (une "extension") qui s'ajoute à un programme gratuit très connu en science appelé FIJI (un peu comme ajouter une nouvelle application sur votre téléphone).

Voici comment ça marche, étape par étape, avec des analogies :

1. Le Peintre et le Détective (La coloration et l'IA)

Au lieu d'utiliser des peintures qui ne marchent que sur les gros muscles (comme les mammifères), ils ont utilisé une peinture spéciale qui colore tout le corps de la fibre musculaire (le cytoplasme), comme si on trempait chaque grain de sable dans de la peinture fluo.

Ensuite, ils ont demandé à deux types de "détectives" (des intelligences artificielles) de compter :

• Le Détective Junior (Apprentissage "Shallow") : Rapide, il peut apprendre sur un ordinateur de bureau en quelques minutes. C'est bien pour commencer.
• Le Détective Expert (Apprentissage "Deep Learning" / Cellpose) : C'est un génie qui a déjà vu des millions d'images. Il est capable de distinguer deux grains de sable collés l'un à l'autre, même s'ils sont très petits. Les chercheurs ont même entraîné ce détective spécifiquement sur des images de poissons pour qu'il soit encore plus précis.

2. Le Nettoyage de la Maison (Correction manuelle)

Même les meilleurs robots font des erreurs. Parfois, ils collent deux poissons ensemble ou en voient un qui n'existe pas.
L'outil fishROI offre une "boîte à outils" magique pour corriger ça :

• Il colore chaque fibre d'une couleur différente, comme un jeu de Lego, pour qu'on voie tout de suite si deux pièces sont collées par erreur.
• Il permet de supprimer d'un clic tout un tas de "fausses" fibres dans une zone précise, comme si on balayait la poussière d'un coin de la pièce.

3. La Carte de la Chaleur (Visualisation)

C'est la partie la plus cool. Les poissons ne grandissent pas tous en même temps. Ils ajoutent de nouvelles petites fibres ici et là (c'est ce qu'on appelle l'hyperplasie).
L'outil crée une carte thermique (comme une carte météo).

• Les zones rouges indiquent un chaos de tailles différentes (beaucoup de petites fibres qui arrivent = croissance active).
• Les zones bleues indiquent des fibres toutes de la même taille (muscle mature).
  Cela permet de voir d'un coup d'œil où le muscle est en pleine construction, sans avoir à faire des calculs compliqués.

🚀 Pourquoi c'est important ?

Avant, c'était comme essayer de comprendre la météo en regardant une seule goutte de pluie. Maintenant, avec fishROI, on a un radar complet qui voit tout le ciel.

• C'est gratuit et ouvert : Tout le code est disponible sur internet (GitHub) pour que n'importe qui puisse l'utiliser.
• C'est flexible : Que vous ayez un petit ordinateur ou un super-ordinateur, que vous étudiiez des larves de 3 jours ou des poissons adultes, l'outil s'adapte.
• C'est l'avenir : Cela permet aux scientifiques de passer moins de temps à compter et plus de temps à comprendre comment les poissons guérissent, vieillissent ou grandissent.

En résumé : Les chercheurs ont créé un "couteau suisse" numérique qui transforme une tâche ennuyeuse et difficile (compter des fibres de poisson) en un processus rapide, précis et visuellement magnifique, grâce à l'intelligence artificielle et un peu de peinture magique.

Résumé technique

1. Problématique

L'analyse histologique quantitative de la morphométrie du muscle squelettique est essentielle pour comprendre la physiologie musculaire, la croissance, la régénération et le vieillissement. Cependant, cette analyse repose traditionnellement sur des méthodes manuelles, longues et fastidieuses. Bien que des outils d'automatisation basés sur l'apprentissage machine aient émergé pour les modèles mammifères (humains, souris), ils présentent des limites majeures lorsqu'ils sont appliqués aux téléostéens (poissons osseux, comme le poisson-zèbre) :

• Dépendance aux marqueurs spécifiques : Les outils existants reposent souvent sur des marquages de la matrice extracellulaire (ECM) ou des membranes cellulaires. Ces marquages sont souvent faibles, inconsistants ou inefficaces chez les larves et juvéniles de téléostéens.
• Hétérogénéité morphologique : Contrairement aux muscles mammifères aux fibres relativement uniformes, les téléostéens présentent une croissance hyperplasique mosaïque tout au long de leur développement. Cela génère une large distribution de tailles de fibres, où les nouvelles fibres sont très petites et difficiles à distinguer des artefacts d'imagerie par les algorithmes conçus pour l'uniformité mammifère.
• Manque d'outils de visualisation spatiale : Il existe un déficit d'outils capables de visualiser l'organisation spatiale et la variabilité morphologique spécifique aux téléostéens, cruciale pour comprendre la dynamique de croissance.

2. Méthodologie

Les auteurs ont développé une solution complète intégrant un nouveau protocole de coloration et un plugin logiciel pour la plateforme FIJI (ImageJ2).

• Protocole de coloration : Remplacement des marqueurs de membrane/ECM par une coloration cytoplasmique (phalloïdine), qui offre un marquage robuste et constant de toutes les fibres, y compris les plus petites fibres nascentes, à tous les stades de développement.
• Segmentation par apprentissage machine :
  • Comparaison entre des algorithmes d'apprentissage « faible » (Shallow Learning, ex: Labkit) et d'apprentissage profond (Deep Learning, ex: Cellpose).
  • Utilisation du modèle pré-entraîné cyto3 de Cellpose, puis entraînement d'un modèle spécifique au poisson-zèbre (rerio) sur un jeu de données de 54 images confocales annotées manuellement (19 840 régions d'intérêt - ROI).
• Développement du plugin fishROI (Jython) :
  • Interface graphique modulaire (GUI) permettant de guider l'utilisateur de la segmentation à la quantification.
  • Intégration de modules pour Labkit et Cellpose (avec conversion des annotations ROI de FIJI vers le format Cellpose).
  • Outils de nettoyage manuel des ROI (suppression de masse, coloration aléatoire pour détecter les fusions).
  • Génération de cartes thermiques (heatmaps) basées sur des paramètres morphométriques (aire, circularité) et calcul du coefficient de variation (CoV) de la taille des fibres dans des zones locales pour quantifier l'hétérogénéité.
  • Utilisation d'un script Julia externe pour le calcul efficace du CoV via une approche de fenêtre glissante.

3. Résultats Clés

• Efficacité de la coloration cytoplasmique : La phalloïdine s'est révélée supérieure aux marqueurs ECM (comme la WGA) pour visualiser les fibres musculaires chez les larves et juvéniles de zebrafish, où les membranes sont mal définies.
• Performance de la segmentation :
  • Labkit a échoué à distinguer les fibres adjacentes dans les tissus larvaires précoces, bien que ses performances aient amélioré chez les juvéniles.
  • Le modèle Cellpose (cyto3) pré-entraîné a surperformé Labkit sans nécessiter de ré-entraînement, identifiant correctement ~80 % des fibres avec un taux de faux positifs < 20 %.
  • L'entraînement d'un modèle personnalisé (rerio) n'a pas significativement augmenté le taux de vrais positifs, mais a réduit considérablement le taux de faux positifs (rejet des artefacts), confirmant l'utilité de l'entraînement spécifique à l'espèce.
• Quantification de l'hyperplasie mosaïque : L'analyse du CoV de la surface des fibres a permis de quantifier objectivement l'hétérogénéité musculaire. Les résultats ont confirmé une augmentation significative du CoV dans le myotome profond des juvéniles (zones d'hyperplasie active) par rapport aux larves précoces, validant cette métrique comme indicateur robuste de la croissance hyperplasique.

4. Contributions Principales

1. Validation d'une approche de coloration : Démonstration que la coloration cytoplasmique combinée à la segmentation par apprentissage profond est la méthode de choix pour l'analyse musculaire chez les téléostéens.
2. Outil logiciel open-source (fishROI) : Création d'un plugin FIJI modulaire, flexible et convivial qui intègre des algorithmes d'apprentissage faible et profond, ainsi que des outils de visualisation et de quantification spécifiques aux besoins des téléostéens.
3. Nouvelle métrique quantitative : Introduction d'une méthode standardisée pour quantifier l'hyperplasie mosaïque via le coefficient de variation local, permettant des comparaisons inter-espèces et inter-stades.
4. Accessibilité : Le flux de travail est conçu pour être adaptable à différentes espèces, stades de développement et protocoles de coloration, avec une architecture modulaire permettant l'intégration future d'autres outils.

5. Signification et Impact

Ce travail comble un vide technologique majeur en biologie musculaire des poissons. En fournissant un flux de travail automatisé et robuste, il permet aux chercheurs de passer d'analyses manuelles subjectives à une analyse quantitative à haut débit. Cela ouvre la voie à des études plus précises sur la croissance musculaire, la régénération et les maladies musculaires chez les téléostéens, modèles importants pour la biologie du développement et la recherche biomédicale. La flexibilité du plugin suggère également son applicabilité potentielle à d'autres espèces non-modèles présentant une hétérogénéité tissulaire complexe.