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

Pour comprendre le monde bactérien, les scientifiques doivent souvent regarder aux confins mêmes d'une cellule. Les bactéries sont de minuscules organismes unicellulaires qui peuvent causer une contamination persistante dans les hôpitaux ou boucher les conduites industrielles. Beaucoup d'entre elles, comme la variété Gram-négative, sont enveloppées de deux couches protectrices : une membrane interne et une membrane externe. Entre ces couches se trouve un espace mince qui peut changer de forme lorsque la bactérie est stressée ou combat un antibiotique. Pour observer clairement ces structures délicates, les chercheurs utilisent une technique appelée cryo-microscopie électronique. Cette méthode consiste à congeler instantanément les bactéries dans une fine couche de glace, les préservant ainsi dans un état quasi naturel afin qu'elles puissent être imagées sans les colorations chimiques lourdes qui déforment habituellement leur forme. Cependant, il y a un piège. Ces échantillons congelés sont incroyablement fragiles. Si le faisceau d'électrons utilisé pour prendre la photo est trop puissant, il brûle l'échantillon et détruit les détails mêmes que les scientifiques tentent d'observer. Si le faisceau est trop faible, l'image est trop granuleuse pour distinguer les membranes fines ou les queues en forme de fouet, appelées flagelles, qui aident les bactéries à nager.

Ce délicat équilibre a longtemps limité ce que les scientifiques pouvaient apprendre sur les populations bactériennes. Ils pouvaient soit prendre une photo rapide à faible dose d'une grande zone et ne voir que très peu de détails, soit prendre une photo à haute dose d'un point minuscule et voir de grands détails mais manquer la vue d'ensemble. Un nouveau jeu de données appelé TileBac, créé par des chercheurs de l'Oak Ridge National Laboratory, offre un moyen de briser ce compromis. L'équipe a collecté une vaste bibliothèque d'images d'une bactérie spécifique, Pantoea sp. YR343, qui vit dans le sol autour des racines des peupliers. Ils ont procédé en prenant des panoramas à champ large des bactéries congelées, puis en les découpant en morceaux plus petits et gérables. De manière cruciale, ils ont annoté chaque morceau à la main, dessinant des contours précis autour des membranes interne et externe ainsi que des flagelles. Cela crée un terrain d'entraînement pour les ordinateurs, permettant à l'intelligence artificielle d'apprendre à repérer ces structures ténues, même dans les images les plus granuleuses et à la dose la plus faible.

Les chercheurs ont abordé ce défi en créant deux ensembles de données distincts, chacun conçu pour enseigner quelque chose de différent aux ordinateurs. Le premier ensemble se concentre sur les enveloppes bactériennes. Ils ont pris des images à champ large des bactéries à une dose de rayonnement extrêmement faible, soit seulement quatre électrons par angström carré. À ce niveau, les images sont très bruitées et les membranes sont à peine visibles à l'œil humain. Pour les interpréter, l'équipe a dessiné manuellement des polygones autour des membranes interne et externe sur des milliers de tuiles d'images. Ils ont ensuite utilisé ces cartes tracées à la main pour entraîner cinq types différents de modèles de vision par ordinateur. Le but était de voir si une machine pouvait apprendre à distinguer les deux couches membranaires même lorsque le signal était incroyablement faible. Les résultats ont montré que si certains modèles éprouvaient des difficultés, d'autres, particulièrement ceux conçus pour trouver des régions remplies plutôt que de simples lignes, pouvaient identifier avec succès les membranes. Cela prouve qu'avec les données d'entraînement appropriées, les ordinateurs peuvent apprendre à voir des structures qui sont presque invisibles pour nous.

La seconde partie du jeu de données s'attaque au problème du mouvement et de l'attachement bactériens. Les bactéries utilisent de longs et fins flagelles pour nager, et ces structures sont vitales pour la façon dont elles adhèrent aux surfaces. Les chercheurs ont collecté des images de bactéries avec des flagelles à une dose légèrement plus élevée, quarante électrons par angström carré, ce qui est toujours considéré comme une faible dose mais fournit des détails bien plus clairs. Ils ont également enregistré ces mêmes champs de vision sous forme de films, capturant quarante images distinctes pour chaque image. C'est une caractéristique puissante car elle permet aux scientifiques de reconstruire l'image à n'importe quel niveau de dose de leur choix. Ils peuvent sommer une seule image pour voir à quoi ressemblent les bactéries à la dose la plus basse possible, ou sommer les quarante images pour voir la version la plus claire possible. En conservant exactement les mêmes bactéries dans la même position à travers toutes ces doses, les chercheurs ont créé un banc d'essai parfait pour observer la performance des modèles informatiques à mesure que la qualité de l'image passe d'un état très flou à un état très net.

Ce qui rend ce jeu de données véritablement unique est le niveau de détail des annotations. Dans les études précédentes, les scientifiques se contentaient parfois de marquer l'emplacement d'une bactérie. Ici, les chercheurs ont dessiné des formes spécifiques autour de la membrane interne et de la membrane externe en tant qu'entités distinctes. Ils ont constaté que les membranes interne et externe entourent des zones qui se chevauchent de manière significative, la zone interne se situant proprement à l'intérieur de la zone externe. Ce niveau de précision est rare dans les bases de données publiques. L'équipe a également découvert que différents modèles informatiques « voient » le monde de manières différentes. Certains modèles, comme ceux basés sur un système appelé YOLO, ont appris à dessiner la membrane externe comme une ligne très fine, presque comme un fil de fer. D'autres modèles, comme U-Net et SAM, ont appris à remplir toute la zone à l'intérieur de la membrane. Les deux approches sont valables, mais elles nécessitent des manières différentes de mesurer le succès. Les chercheurs ont montré que si l'on regarde uniquement la surface couverte par le modèle, les modèles à lignes fines semblent avoir échoué. Mais si l'on mesure la proximité de la ligne avec le bord réel, ces mêmes modèles ont très bien performé. Cette distinction est cruciale pour la recherche future, car elle indique aux scientifiques qu'ils doivent choisir le bon outil pour la tâche, selon qu'ils ont besoin de connaître la forme de la limite ou la taille de la zone.

Le jeu de données traite également un problème courant dans l'imagerie à grande échelle appelé le « stitching » (assemblage). Lorsque les scientifiques prennent un panorama d'une grande zone, ils doivent combiner de nombreuses images plus petites. Si l'ordinateur ne les aligne pas parfaitement, les jointures entre les images peuvent couper directement une bactérie, la faisant paraître brisée ou déformée. Le jeu de données TileBac inclut les grands panoramas originaux ainsi que les petites tuiles, permettant aux chercheurs de tester la capacité de leur logiciel à assembler les images sans perdre l'intégrité des cellules. Ils ont découvert que le jeu de données ne contient pas de cellules chevauchantes, ce qui signifie qu'il est parfait pour tester comment les ordinateurs séparent les bactéries individuelles, mais qu'il ne peut pas être utilisé pour tester comment les ordinateurs gèrent les bactéries qui sont entassées les unes sur les autres. Cette honnêteté quant aux limites du jeu de données est tout aussi importante que les données elles-mêmes, car elle empêche d'autres scientifiques de tirer de fausses conclusions.

En publiant l'ensemble de ces données, ainsi que les modèles informatiques qu'ils ont entraînés et le code utilisé pour l'analyse, l'équipe d'Oak Ridge a instauré une nouvelle norme pour le domaine. Ils ont démontré qu'il est possible de collecter de larges zones d'échantillons bactériens à des doses si faibles qu'elles étaient auparavant considérées comme trop bruitées pour être utiles. Ils ont prouvé qu'avec une annotation manuelle minutieuse, les ordinateurs peuvent apprendre à trouver ces structures ténues. Et ils ont fourni un outil flexible qui permet aux chercheurs d'étudier comment la qualité de l'image affecte la capacité à voir la vie à l'échelle nanométrique. Ce travail ne résout pas tous les problèmes de l'imagerie bactérienne, mais il fournit les blocs de construction essentiels pour la prochaine génération d'outils. Il permet aux scientifiques de passer de l'observation de quelques images chanceuses de haute qualité à l'analyse de populations entières de bactéries avec une confiance statistique, ouvrant la voie à une compréhension plus profonde de la façon dont ces minuscules organismes interagissent avec leur environnement et avec les matériaux qu'ils touchent.