An Ensemble Deep Learning Framework for Single-Cell Phenotypic Profiling of Escherichia coli under Antibiotic Stress

Les bactéries ne sont pas des grains statiques ; ce sont des machines vivantes qui changent de forme et de structure interne lorsqu'elles se sentent menacées. Lorsqu'une bactérie rencontre un antibiotique, elle ne se contente pas de rester immobile en attendant d'être tuée. Au contraire, elle réagit. Certaines cellules s'étirent, d'autres rétrécissent, et les brins emmêlés d'ADN à l'intérieur d'elles peuvent s'agglutiner ou se fragmenter. Ces changements physiques sont la façon dont la cellule signale une détresse ou, dans certains cas, prépare une défense. Pendant des décennies, les scientifiques se sont appuyés sur l'attente de la croissance des bactéries dans une boîte de Petri pour voir si un médicament fonctionnait, un processus qui peut prendre une journée entière ou plus. Ce délai est dangereux dans un monde où les infections résistantes aux médicaments augmentent, transformant des maladies autrefois traitables en crises vitales. Pour accélérer la lutte, les chercheurs cherchent désormais des moyens de lire ces minuscules changements physiques instantanément, en utilisant l'apparence même de la cellule comme une carte pour comprendre ce qui se passe à l'intérieur.

Une équipe de chercheurs a développé une nouvelle méthode pour faire exactement cela, créant un système capable d'observer une seule bactérie et de vous dire précisément quel antibiotique l'attaque. Ils se sont concentrés sur Escherichia coli, une bactérie commune souvent utilisée pour étudier le fonctionnement des médicaments. Dans leur laboratoire, ils ont exposé ces bactéries à quatre types différents d'antibiotiques, chacun étant conçu pour attaquer la cellule de manière unique. Un médicament empêchait la cellule de fabriquer des protéines, un autre l'empêchait de construire une paroi externe solide, un troisième perturbait l'échafaudage interne qui maintient la forme de bâtonnet de la cellule, et un quatrième bloquait la copie de son matériel génétique. Pour observer les résultats, ils ont pris des photographies à haute résolution des bactéries, en utilisant des colorants spéciaux qui faisaient briller la membrane externe de la cellule en rouge et l'ADN interne en bleu.

Le défi était que ces changements sont subtils et se produisent à une échelle trop petite pour que l'œil humain puisse les trier rapidement. Pour résoudre ce problème, les chercheurs ont construit un système informatique basé sur l'apprentissage profond (deep learning), un type d'intelligence artificielle qui apprend en observant des milliers d'exemples. D'abord, ils ont appris à l'ordinateur à trouver les bactéries individuelles dans les images de microscopie encombrées et à les isoler, comme on isolerait une seule personne dans une photographie de foule. Ils ont ensuite injecté ces images isolées dans une suite de treize modèles informatiques différents. Certains de ces modèles étaient conçus pour reconnaître des motifs de formes, tandis que d'autres étaient construits pour comprendre les relations entre les différentes parties d'une image, de la même manière qu'un humain pourrait regarder un visage et reconnaître la connexion entre les yeux et la bouche.

Les chercheurs ont constaté que, bien que certains de ces modèles informatiques soient très bons pour deviner le bon antibiotique, aucun n'était parfait à lui seul. Le meilleur modèle individuel, qui utilisait une architecture sophistiquée appelée Swin Transformer, identifiait correctement le médicament environ 91 % du temps. Cependant, l'équipe a réalisé qu'en combinant les opinions de plusieurs modèles différents, elle pourrait faire encore mieux. Ils ont créé un « ensemble », un système où l'ordinateur demande l'avis de trois experts différents — le Swin Transformer, un modèle appelé CoaT, et un modèle classique nommé ResNet18 — pour voter sur la réponse. En pesant soigneusement ces votes, le système a atteint un nouveau niveau de précision, identifiant correctement l'antibiotique dans 94 % des cas. Cette approche a prouvé qu'écouter un groupe de modèles d'IA diversifiés est plus fiable que de se fier à un seul.

Au-delà du simple fait de deviner le médicament, le système a également appris à décrire précisément la manière dont les bactéries changeaient. Il pouvait distinguer une cellule devenue sphérique parce que sa paroi faisait défaut, d'une cellule qui s'était étirée parce que sa structure interne était endommagée. Par exemple, le système a appris que lorsqu'un médicament spécifique bloquait la copie de l'ADN, les bactéries conservaient leur forme de bâtonnet mais leurs brins d'ADN internes devenaient longs et étirés. Lorsqu'un autre médicament arrêtait la production de protéines, les bactéries restaient en forme de bâtonnet mais leur ADN interne devenait étroitement compacté. Ces signatures visuelles spécifiques permettaient à l'ordinateur non seulement de nommer le médicament, mais aussi de comprendre le mécanisme par lequel il nuisait à la cellule.

L'étude suggère que ce type d'analyse automatisée basée sur l'image pourrait devenir un outil puissant pour lutter contre la résistance aux antibiotiques. Au lieu d'attendre des jours pour que les bactéries se développent, les médecins ou les chercheurs pourraient potentiellement prélever un échantillon, prendre une photo et utiliser ce système pour voir immédiatement comment les bactéries réagissent. Les chercheurs ont noté que, bien que leur système fonctionne bien, il n'est pas encore un produit fini pour les hôpitaux. Ils ont souligné que pour le rendre véritablement robuste, ils devraient l'entraîner sur encore plus d'images et peut-être le tester avec des vidéos en accéléré (time-lapse) pour voir comment les bactéries évoluent au fil du temps. Néanmoins, ce travail démontre qu'en apprenant aux ordinateurs à voir le langage subtil des formes bactériennes, la science peut progresser plus rapidement vers la compréhension et l'arrêt de la propagation des infections résistantes aux médicaments.