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

बैक्टीरियल दुनिया को समझने के लिए, वैज्ञानिकों को अक्सर कोशिका के बिल्कुल किनारों को देखने की आवश्यकता होती है। बैक्टीरिया सूक्ष्म, एककोशिकीय जीव हैं जो अस्पतालों में निरंतर संदूषण का कारण बन सकते हैं या औद्योगिक पाइपों को जाम कर सकते हैं। उनमें से कई, जैसे कि ग्राम-नेगेटिव किस्म, दो सुरक्षात्मक परतों में लिपटी होती हैं: एक आंतरिक झिल्ली और एक बाहरी झिल्ली। इन परतों के बीच एक पतला स्थान होता है जो तब बदल सकता है जब बैक्टीरिया तनाव में होता है या किसी एंटीबायोटिक से लड़ रहा होता है। इन नाजुक संरचनाओं को स्पष्ट रूप से देखने के लिए, शोधकर्ता क्रायो-इलेक्ट्रॉन माइक्रोस्कोपी नामक तकनीक का उपयोग करते हैं। यह विधि बैक्टीरिया को बर्फ की एक पतली परत में फ्लैश-फ्रीज करती है, जिससे वे अपनी लगभग प्राकृतिक अवस्था में सुरक्षित रहते हैं ताकि उन्हें उन भारी रासायनिक रंगों (स्टेन्स) के बिना इमेज किया जा सके जो आमतौर पर उनके आकार को विकृत कर देते हैं। हालाँकि, इसमें एक पेच है। ये जमी हुई नमूने अविश्वसनीय रूप से नाजुक होते हैं। यदि तस्वीर लेने के लिए उपयोग की जाने वाली इलेक्ट्रॉन बीम बहुत शक्तिशाली है, तो यह नमूने को जला देती है और उन्हीं विवरणों को नष्ट कर देती है जिन्हें वैज्ञानिक देखना चाह रहे हैं। यदि बीम बहुत कमजोर है, तो इमेज इतनी दानेदार (ग्रेनी) होती है कि पतली झिल्लियों या व्हिप जैसी पूंछ, जिन्हें फ्लैजेला कहा जाता है, जो बैक्टीरिया को तैरने में मदद करती है, उन्हें पहचानना मुश्किल हो जाता है।

यह नाजुक संतुलन लंबे समय से इस बात को सीमित करता रहा है कि वैज्ञानिक बैक्टीरिया की आबादी के बारे में कितना सीख सकते हैं। वे या तो एक बड़े क्षेत्र की त्वरित, कम-डोज वाली तस्वीर ले सकते हैं और बहुत कम विवरण देख सकते हैं, या वे एक छोटे से बिंदु की उच्च-डोज वाली तस्वीर ले सकते हैं और बहुत अधिक विवरण देख सकते हैं लेकिन बड़ी तस्वीर को मिस कर सकते हैं। टाइलबैक (TileBac) नामक एक नया डेटासेट, जिसे ओक रिज नेशनल लेबोरेटरी के शोधकर्ताओं द्वारा बनाया गया है, इस समझौते को तोड़ने का एक तरीका प्रदान करता है। टीम ने एक विशिष्ट बैक्टीरिया, Pantoea sp. YR343, की छवियों का एक विशाल पुस्तकालय एकत्र किया, जो पॉपलर पेड़ की जड़ों के आसपास की मिट्टी में रहता है। उन्होंने यह जमी हुई बैक्टीरिया की वाइड-फील्ड पैनोरमा तस्वीरें लेकर और फिर उन्हें छोटे, प्रबंधनीय टुकड़ों में काटकर किया। महत्वपूर्ण रूप से, उन्होंने हर एक टुकड़े को हाथ से एनोटेट (चिह्नित) किया, आंतरिक और बाहरी झिल्लियों तथा फ्लैजेला के चारों ओर सटीक रूपरेखा खींची। यह कंप्यूटरों के लिए एक प्रशिक्षण मैदान बनाता है, जिससे आर्टिफिशियल इंटेलिजेंस यह सीख सकता है कि सबसे दानेदार, निम्न-डोज वाली छवियों में भी इन धुंधली संरचनाओं को कैसे पहचाना जाए।

शोधकर्ताओं ने इस चुनौती का सामना करने के लिए दो अलग-अलग डेटा सेट बनाने के साथ किया, जिनमें से प्रत्येक को कंप्यूटर को कुछ अलग सिखाने के लिए डिज़ाइन किया गया था। पहला सेट बैक्टीरियल एनवेलप (आवरण) पर केंद्रित है। उन्होंने रेडिएशन की अत्यंत कम खुराक पर बैक्टीरिया की वाइड-फील्ड छवियां लीं, जो केवल चार इलेक्ट्रॉन प्रति वर्ग एंगस्ट्रॉम है। इस स्तर पर, छवियां बहुत शोर भरी (नॉइजी) होती हैं, और झिल्लियाँ मानवीय आंखों के लिए मुश्किल से दिखाई देती हैं। उन्हें समझने के लिए, टीम ने हजारों इमेज टाइल्स पर हजारों आंतरिक और बाहरी झिल्लियों के चारों ओर मैन्युअल रूप से पॉलीगॉन बनाए। फिर उन्होंने इन हाथ से खींचे गए मानचित्रों का उपयोग पांच विभिन्न प्रकार के कंप्यूटर विजन मॉडल को प्रशिक्षित करने के लिए किया। लक्ष्य यह देखना था कि क्या एक मशीन दो झिल्ली परतों के बीच अंतर करना सीख सकती है, भले ही सिग्नल अविश्वसनीय रूप से कमजोर हो। परिणामों ने दिखाया कि जबकि कुछ मॉडल संघर्ष करते हैं, अन्य, विशेष रूप से जो केवल रेखाओं के बजाय भरे हुए क्षेत्रों को खोजने के लिए डिज़ाइन किए गए हैं, सफलतापूर्वक झिल्लियों की पहचान कर सके। यह सिद्ध करता है कि सही प्रशिक्षण डेटा के साथ, कंप्यूटर उन संरचनाओं को देखना सीख सकते हैं जो हमारे लिए लगभग अदृश्य हैं।

दूसरा भाग बैक्टीरिया की गति और जुड़ाव की समस्या से निपटता है। बैक्टीरिया तैरने के लिए लंबी, पतली फ्लैजेला का उपयोग करते हैं, और ये संरचनाएं सतहों से चिपकने के तरीके के लिए महत्वपूर्ण हैं। शोधकर्ताओं ने फ्लैजेला वाले बैक्टीरिया की छवियां थोड़े उच्च खुराक, चालीस इलेक्ट्रॉन प्रति वर्ग एंगस्ट्रॉम पर एकत्र कीं, जो अभी भी कम-डोज माना जाता है लेकिन अधिक स्पष्ट विवरण प्रदान करता है। उन्होंने इन समान दृश्य क्षेत्रों को मूवी के रूप में भी रिकॉर्ड किया, प्रत्येक छवि के लिए चालीस अलग-अलग फ्रेम कैप्चर किए। यह एक शक्तिशाली विशेषता है क्योंकि यह वैज्ञानिकों को इच्छित किसी भी डोज स्तर पर छवि को पुनर्गठित करने की अनुमति देती है। वे सबसे कम संभव डोज पर बैक्टीरिया कैसा दिखता है, यह देखने के लिए केवल एक फ्रेम को जोड़ सकते हैं, या सबसे स्पष्ट संस्करण देखने के लिए सभी चालीस फ्रेमों को जोड़ सकते हैं। इन सभी खुराकों में एक ही बैक्टीरिया को एक ही स्थिति में रखकर, शोधकर्ताओं ने एक आदर्श परीक्षण स्थल बनाया है कि कैसे छवि की गुणवत्ता बदलने पर कंप्यूटर मॉडल प्रदर्शन करते हैं।

जो चीज़ इस डेटासेट को वास्तव में अद्वितीय बनाती है, वह है एनोटेशन का विवरण का स्तर। पिछले अध्ययनों में, वैज्ञानिक शायद केवल यह चिह्नित करते थे कि एक बैक्टीरिया कहाँ है। यहाँ, शोधकर्ताओं ने आंतरिक झिल्ली और बाहरी झिल्ली को अलग-अलग संस्थाओं के रूप में विशिष्ट आकृतियाँ बनाईं। उन्होंने पाया कि आंतरिक और बाहरी झिल्लियाँ ऐसे क्षेत्रों को घेरती हैं जो काफी हद तक ओवरलैप होते हैं, जिसमें आंतरिक क्षेत्र बाहरी के भीतर ठीक से स्थित होता है। सटीकता का यह स्तर सार्वजनिक डेटाबेस में दुर्लभ है। टीम ने यह भी पता लगाया कि विभिन्न कंप्यूटर मॉडल दुनिया को अलग-अलग तरीकों से "देखते" हैं। कुछ मॉडल, जो YOLO नामक सिस्टम पर आधारित हैं, बाहरी झिल्ली को एक बहुत ही पतली रेखा के रूप में बनाना सीखते हैं, जो लगभग एक वायरफ्रेम की तरह है। अन्य मॉडल, जैसे U-Net और SAM, झिल्ली के अंदर के पूरे क्षेत्र को भरना सीखते हैं। दोनों दृष्टिकोण मान्य हैं, लेकिन उनके लिए सफलता को मापने के अलग-अलग तरीके चाहिए। शोधकर्ताओं ने दिखाया कि यदि आप केवल उस क्षेत्र को देखते हैं जिसे मॉडल कवर करता है, तो पतली-रेखा वाले मॉडल विफल होते दिखते हैं। लेकिन यदि आप मापते हैं कि रेखा वास्तविक किनारे के कितने करीब है, तो वे समान मॉडल बहुत अच्छा प्रदर्शन करते हैं। यह अंतर भविष्य के अनुसंधान के लिए महत्वपूर्ण है, क्योंकि यह वैज्ञानिकों को बताता है कि यदि उन्हें सीमा के आकार या क्षेत्र के आकार के बारे में जानना हो, तो उन्हें सही उपकरण चुनना चाहिए।

यह डेटासेट स्टिचिंग (stitching) नामक एक सामान्य समस्या को भी संबोधित करता है जो बड़े पैमाने पर इमेजिंग में होती है। जब वैज्ञानिक एक बड़े क्षेत्र का पैनोरमा लेते हैं, तो उन्हें कई छोटी छवियों को एक साथ जोड़ना पड़ता है। यदि कंप्यूटर उन्हें पूरी तरह से संरेखित नहीं करता है, तो छवियों के बीच के जोड़ (सीम्स) सीधे एक बैक्टीरिया के बीच से गुजर सकते हैं, जिससे वह टूटा हुआ या विकृत दिखाई दे सकता है। टाइलबैक डेटासेट में मूल बड़े पैनोरमा और छोटे टाइल्स दोनों शामिल हैं, जिससे शोधकर्ता यह परीक्षण कर सकते हैं कि उनका सॉफ्टवेयर कोशिकाओं की अखंडता को खोए बिना छवियों को कितनी अच्छी तरह से जोड़ सकता है। उन्होंने पाया कि डेटासेट में कोई ओवरलैपिंग कोशिकाएं नहीं हैं, जिसका अर्थ है कि यह परीक्षण करने के लिए उत्तम है कि कंप्यूटर व्यक्तिगत बैक्टीरिया को कैसे अलग करता है, लेकिन इसका उपयोग यह परीक्षण करने के लिए नहीं किया जा सकता है कि कंप्यूटर एक-दूसरे के ऊपर भीड़ वाले बैक्टीरिया को कैसे संभालता है। डेटा के बारे में यह ईमानदारी इसके स्वयं के डेटा जितनी ही महत्वपूर्ण है, क्योंकि यह अन्य वैज्ञानिकों को गलत निष्कर्ष निकालने से रोकती है।

इस डेटा के साथ-साथ, अपने प्रशिक्षित कंप्यूटर मॉडल और विश्लेषण के लिए उपयोग किए गए कोड को जारी करके, ओक रिज टीम ने इस क्षेत्र के लिए एक नया मानक प्रदान किया है। उन्होंने दिखाया है कि बहुत कम खुराक पर बैक्टीरिया के बड़े क्षेत्रों को एकत्र करना संभव है जिसे पहले उपयोगी रूप से बहुत शोर भरा माना जाता था। उन्होंने प्रदर्शित किया है कि सावधानीपूर्वक हाथ से एनोटेशन के साथ, कंप्यूटर इन धुंधली संरचनाओं को खोजना सीख सकते हैं। और उन्होंने एक लचीला उपकरण प्रदान किया है जो शोधकर्ताओं को यह अध्ययन करने की अनुमति देता है कि नैनोस्केल पर जीवन को देखने की क्षमता छवि की गुणवत्ता से कैसे प्रभावित होती है। यह कार्य बैक्टीरिया इमेजिंग की हर समस्या को हल नहीं करता है, लेकिन यह अगली पीढ़ी के उपकरणों के लिए आवश्यक निर्माण खंड प्रदान करता है। यह वैज्ञानिकों को कुछ भाग्यशाली, उच्च-गुणवत्ता वाली छवियों को देखने से हटाकर सांख्यिकीय विश्वास के साथ बैक्टीरिया की पूरी आबादी का विश्लेषण करने की अनुमति देता है, जिससे यह समझने का द्वार खुलता है कि ये सूक्ष्म जीव अपने पर्यावरण और उन सामग्रियों के साथ कैसे परस्पर क्रिया करते हैं जिन्हें वे छूते हैं।