Image Analysis Tools for Continuous Label-free Quantification of Proliferation and Adipogenic Differentiation of Mesenchymal Stem Cells

Dans le monde de la biologie moderne, les scientifiques tentent constamment de comprendre comment les cellules croissent et se transforment. Deux des processus les plus importants qu'ils étudient sont la prolifération, qui est simplement la manière dont les cellules se multiplient pour augmenter leur nombre, et la différenciation, où une cellule générique se transforme en une cellule spécialisée, telle qu'une cellule adipeuse. Pendant des décennies, les chercheurs se sont appuyés sur des méthodes qui nécessitent d'arrêter l'expérience, de tuer les cellules et de les colorer avec des teintures colorées pour voir ce qui se passe. Bien que ces méthodes fournissent un instantané, elles sont destructrices ; une fois que vous avez observé les cellules, vous ne pouvez plus les observer à nouveau. Cela rend difficile la compréhension de l'histoire fluide et continue de l'évolution d'une population cellulaire au fil du temps. De plus, les produits chimiques utilisés pour rendre les cellules visibles peuvent parfois les endommager ou créer de faux signaux, entraînant des comptages inexacts.

Un domaine de recherche en pleine croissance se tourne désormais vers une approche différente : observer les cellules sans même les toucher. En utilisant des caméras avancées et des programmes informatiques, les scientifiques peuvent observer des cellules vivantes pendant qu'elles croissent et changent, capturant des milliers d'images sur des jours ou des semaines sans jamais ajouter une seule goutte de teinture. Cette méthode « sans marquage » (label-free) promet une vision plus claire et plus honnête de la vie cellulaire. Elle est particulièrement vitale pour des industries émergentes comme la viande de culture, où les scientifiques doivent cultiver de grandes quantités de graisse animale et de muscle en laboratoire, et pour la recherche médicale sur l'obésité et le diabète, où la compréhension du moment précis de la formation des cellules adipeuses est cruciale. Le défi, cependant, a été d'apprendre aux ordinateurs à reconnaître ces cellules avec précision dans les images, car les cellules ont tendance à s'agglutiner et à se ressembler beaucoup.

Dans une étude récente, des chercheurs ont cherché à tester deux façons différentes d'utiliser cette technologie d'imagerie sans marquage pour suivre des cellules souches mésenchymateuses, qui sont des cellules polyvalentes capables de se transformer en graisse. Ces cellules ont été prélevées à la fois sur des humains et des porcs, reflétant l'intérêt double pour la santé humaine et la production de viande durable. L'équipe a comparé deux stratégies distinctes. La première était un système logiciel intégré fourni par le fabricant du dispositif d'imagerie sur cellules vivantes, conçu pour être facile à utiliser et directement intégré au microscope. La seconde était un modèle informatique personnalisé, entraîné par les chercheurs eux-mêmes à l'aide d'un outil puissant et open-source appelé Cellpose, qui est conçu pour aider les ordinateurs à « voir » et à séparer les cellules individuelles dans des images complexes.

Les chercheurs ont cultivé ces cellules en laboratoire, les observant se multiplier puis les guidant pour qu'elles deviennent des cellules adipeuses. Ils ont pris des photos des cultures toutes les heures pendant plusieurs jours, créant une immense bibliothèque d'images montrant les cellules à chaque étape de leur vie. Ils ont ensuite passé ces mêmes images à travers le logiciel intégré et leur modèle personnalisé pour voir lequel pouvait compter les cellules et mesurer leur croissance avec le plus de précision. Lorsqu'il s'agissait de compter les cellules pendant qu'elles se multipliaient, les deux méthodes fonctionnaient bien, mais elles avaient des forces différentes. Le logiciel intégré était excellent pour gérer les scènes encombrées où les cellules étaient serrées les unes contre les autres, fournissant un décompte fiable même lorsque la boîte était pleine. Le modèle personnalisé, en revanche, était supérieur à de faibles densités, où il pouvait distinguer clairement les cellules individuelles et les compter avec une grande précision, même lorsqu'elles commençaient tout juste à croître.

L'histoire est devenue plus intéressante lorsque les cellules ont commencé à se transformer en graisse. À mesure que les cellules se différenciaient, elles commençaient à se remplir de gouttelettes lipidiques, qui sont de minuscules bulles de graisse à l'intérieur de la cellule. Le logiciel intégré était très bon pour repérer ces cellules adipeuses matures car elles paraissent différentes et présentent un contraste plus élevé que les autres cellules. Il pouvait indiquer aux chercheurs quelle proportion de la boîte était couverte par ces cellules adipeuses matures. Cependant, il peinait à voir les premières étapes du processus, manquant les cellules qui commençaient tout juste à changer mais qui n'étaient pas encore assez remplies de graisse pour ressortir. Le modèle personnalisé, quant à lui, avait été entraîné pour reconnaître la forme des cellules elles-mêmes, et non pas seulement la graisse à l'intérieur d'elles. Cela lui a permis de repérer les tout premiers signes de différenciation, identifiant les cellules qui commençaient à s'engager à devenir de la graisse bien avant qu'elles ne soient pleinement matures. Cela a donné aux chercheurs une vue plus précoce et plus détaillée de la transformation.

L'étude a également testé si ces modèles informatiques pouvaient fonctionner entre différentes espèces et différents types de microscopes. Le modèle personnalisé, initialement entraîné sur des images de cellules de porc, ne pouvait pas reconnaître automatiquement les cellules humaines sans être réentraîné, soulignant que ces programmes informatiques ont besoin d'exemples spécifiques pour apprendre. Cependant, une fois que les chercheurs ont entraîné une nouvelle version du modèle sur des cellules humaines, celui-ci a fonctionné tout aussi bien. De plus, ils ont prouvé que ces modèles n'étaient pas limités au système d'imagerie de haute technologie utilisé dans le laboratoire. Ils ont appliqué avec succès leurs modèles personnalisés à des images prises avec des microscopes standards et manuels, montrant que cette technologie peut être utilisée dans de nombreux laboratoires différents, et pas seulement dans ceux dotés d'équipements automatisés coûteux.

L'une des découvertes les plus significatives fut la capacité de voir les variations cachées au sein d'une seule boîte de culture. Parce que le système d'imagerie prenait des photos de nombreux endroits différents dans la boîte au fil du temps, les chercheurs ont pu voir que les cellules adipeuses ne se formaient pas toutes en même temps ni aux mêmes endroits. Certaines zones de la boîte étaient pleines de cellules adipeuses, tandis que d'autres restaient vides. Ce genre de détail spatial aurait été impossible à voir avec les méthodes traditionnelles, qui prennent généralement une seule image au centre de la boîte à la fin de l'expérience. La surveillance continue a également révélé que différentes lots de cellules, même provenant du même type d'animal, se comportaient différemment. Certains lots se transformaient en graisse rapidement et efficacement, tandis que d'autres peinaient, une variation qui pourrait être cruciale pour produire de la viande de culture constante ou pour comprendre pourquoi certaines personnes sont plus sujettes à l'obésité.

En fin de compte, l'étude a démontré que l'imagerie sans marquage est un outil puissant qui élimine le besoin de procédures de coloration salissantes et destructrices. Elle permet aux scientifiques de suivre l'intégralité du cycle de vie d'une population de cellules en temps réel, du moment où elles sont ensemencées jusqu'au moment où elles deviennent des cellules spécialisées. Si le logiciel intégré offre une solution pratique et prête à l'emploi qui fonctionne bien pour les cellules matures, les modèles entraînés sur mesure offrent un niveau de flexibilité et de détail inégalé, capable de détecter les changements les plus précoces et de s'adapter à différents types de cellules et de configurations de microscopes. En combinant ces approches, les chercheurs peuvent désormais suivre la dynamique de la croissance cellulaire et de la formation de la graisse avec une clarté auparavant hors de portée, offrant de nouvelles perspectives tant pour la science médicale que pour l'avenir de la production alimentaire. Tous les modèles informatiques développés dans cette étude ont été mis à la disposition du public, permettant à d'autres scientifiques d'utiliser et d'améliorer ces outils pour leurs propres recherches.