Scattering correction for infrared spectra of biological cells using computational infrared microspectroscopy and deep learning

Sintesi Tecnica: Correzione della Diffusione per Spettri Infrarossi di Cellule Biologiche mediante Microspettroscopia IR Computazionale e Deep Learning

Enunciazione del Problema
La microspettroscopia infrarossa (IR) è uno strumento potente per l'analisi senza marcatori di campioni biologici. Tuttavia, quando applicata a singole cellule, la tecnica incontra sfide significative a causa della forte diffusione della luce. Poiché le dimensioni delle cellule biologiche sono confrontabili con la lunghezza d'onda della radiazione IR di media frequenza, la diffusione induce distorsioni della linea di base, spostamenti dei picchi e artefatti oscillatori negli spettri di assorbimento registrati. Questi effetti oscurano le reali informazioni chimiche (assorbimento) contenute nel segnale.

I metodi di correzione attuali si basano tipicamente sulla teoria di Mie, che assume che il campione sia una sfera perfetta. Questa assunzione ne limita l'accuratezza per le cellule aderenti, che spesso presentano morfologie appiattite e irregolari. Inoltre, separare gli effetti della morfologia del campione (diffusione) dalle proprietà intrinseche del materiale (assorbimento) rimane un difficile problema inverso, specialmente considerando il costo computazionale delle simulazioni elettromagnetiche rigorose per geometrie arbitrarie.

Metodologia
Gli autori propongono un framework che integra la microspettroscopia IR computazionale basata sul metodo Finite-Difference Time-Domain (FDTD) con il deep learning (DL) per affrontare queste sfide.

1. Microspettroscopia IR Computazionale (FDTD):

   • Gli autori hanno sviluppato un sistema di imaging virtuale utilizzando FDTD per simulare l'interazione della luce con le cellule biologiche.
   • Il sistema modella l'intero percorso ottico, inclusa la diffusione della luce, la raccolta da parte di un obiettivo (definito dall'apertura numerica) e la rifocalizzazione sul rivelatore.
   • A differenza dei modelli analitici limitati a geometrie specifiche (es. sfere, cilindri), questo approccio FDTD può modellare oggetti con morfologie 3D arbitrarie.
   • La simulazione calcola due quantità chiave:
     • Assorbimento IR ($A(\nu)$): La perdita totale di luce registrata dal rivelatore, contenente sia effetti di assorbimento che di diffusione.
     • Assorbimento Vero ($\mathcal{A}_{true}(\nu)$): L'energia dissipata come calore all'interno del campione, derivata dal flusso netto di potenza ottica attraverso un volume chiuso attorno alla cellula. Questo funge da verità fondamentale, libero da artefatti di diffusione.
   • Fantocci cellulari numerici sono stati costruiti utilizzando dati di microscopia elettronica 3D ad alta risoluzione di cellule HeLa di carcinoma cervicale (sia sospese/sferiche che aderenti/appiattite). Le cellule sono state modellate come riempite con Matrigel, un materiale con proprietà dell'indice di rifrazione simili al tessuto biologico.

2. Framework di Deep Learning:

   • Generazione dei Dati: Il metodo FDTD è stato utilizzato per generare una libreria sintetica di 11.000 spettri di addestramento. Questo dataset includeva ellissoidi 3D con volumi variabili, rapporti d'aspetto (da prolatti a oblati) e densità di materiale (indici di rifrazione immaginari scalati).
   • Modello di Correzione della Diffusione (Encoder-Decoder): Una rete neurale encoder-decoder è stata addestrata per eseguire la mappatura inversa: prevedere lo spettro di assorbimento vero ($\mathcal{A}_{true}$) direttamente dallo spettro di assorbimento distorto ($A$). Questo modello bypassa la necessità di simulazioni FDTD iterative e computazionalmente costose durante l'inferenza.
   • Modelli di Inferenza della Morfologia: Due ulteriori modelli DL surrogati sono stati addestrati per prevedere spettri da parametri geometrici ($r_x, r_y, r_z$) e densità di materiale ($k_m$). Questi modelli agiscono come approssimazioni rapide del solver FDTD.
   • Inversione Multi-Obiettivo: Per recuperare le dimensioni cellulari dagli spettri sperimentali, gli autori hanno impiegato un ciclo di ottimizzazione. Questo ciclo utilizza i modelli surrogati per adattare un ellissoide ai dati, minimizzando l'errore tra gli spettri previsti e l'assorbimento misurato (e l'assorbimento vero previsto dal DL).

Risultati Chiave

• Validazione di FDTD: Il sistema di microspettroscopia IR computazionale è stato validato contro modelli semi-analitici, mostrando un eccellente accordo (errore di picco < 0,5%).
• Dipendenza dalla Morfologia: Le simulazioni hanno dimostrato che la morfologia cellulare altera drasticamente gli spettri IR. Le cellule sferiche (HeLa-1) hanno esibito forti effetti di risonanza di diffusione Mie (picchi simili a dispersione, oscillazioni della linea di base), mentre le cellule aderenti appiattite (HeLa-2, 3) hanno mostrato effetti di interferenza da film sottile con contributi di diffusione molto più deboli.
• Correzione della Diffusione: Il modello di deep learning ha ricostruito con successo gli spettri di assorbimento vero dagli spettri di assorbimento distorti dei fantocci cellulari numerici. L'errore quadratico medio tra l'assorbimento vero previsto e quello derivato da FDTD è stato inferiore a 0,018. La correzione ha efficacemente rimosso distorsioni della linea di base e spostamenti dei picchi, in particolare nella regione spettrale "silenziosa" (2000–2500 cm⁻¹) e nella regione delle impronte digitali.
• Recupero della Morfologia: Il framework ha invertito con successo gli spettri IR per recuperare le dimensioni dei nuclei cellulari. Per cellule sferiche e moderatamente appiattite, i semi-assi recuperati e i parametri di densità di materiale hanno mostrato un buon accordo con la morfologia della verità fondamentale. Sono state osservate ambiguità per cellule altamente allungate (HeLa-2), attribuite alla simmetria nel modello e a lievi deviazioni della forma cellulare reale rispetto ai dati di addestramento ellissoidali idealizzati.

Significato e Affermazioni
Gli autori affermano che questo lavoro fornisce una soluzione versatile a modello singolo per la correzione della diffusione su un'ampia gamma di geometrie cellulari biologiche, superando i limiti della teoria di Mie basata sulle sfere. Combinando l'accuratezza fisica di FDTD (che può modellare strutture 3D arbitrarie) con la velocità del deep learning, il framework abilita:

1. Inversione Spettrale Rapida: La capacità di estrarre spettri di assorbimento vero e morfologia del campione dai dati IR in pochi secondi, un compito che sarebbe computazionalmente proibitivo utilizzando FDTD da solo.
2. Sfruttamento della Diffusione: La dimostrazione che la diffusione della luce intrinseca, spesso considerata un fastidio, codifica informazioni morfologiche che possono essere recuperate insieme ai dati chimici.
3. Scalabilità: La flessibilità del metodo FDTD suggerisce che questo approccio può essere esteso a geometrie di campioni sempre più complesse oltre gli ellissoidi, purché venga generato un sufficiente volume di dati di addestramento.

Il documento conclude che questo approccio basato sul DL offre una via promettente per realizzare il pieno potenziale analitico della spettroscopia IR per le cellule biologiche, riducendo potenzialmente la necessità di estesi studi di calibrazione sperimentale affidandosi a dati di addestramento sintetici di alta qualità.