fishROI: A specialized workflow for semi-automated muscle morphometry analysis in teleosts

Questo studio presenta fishROI, un plugin FIJI2 basato su deep learning e colorazione citoplasmatica, che offre un flusso di lavoro semi-automatizzato, flessibile e specifico per l'analisi morfometrica e la visualizzazione spaziale della crescita muscolare iperplastica nei teleostei, colmando il divario tra gli attuali strumenti pensati per i mammiferi e le esigenze di ricerca sui pesci.

L'essenziale

Immagina di voler studiare come crescono i muscoli dei pesci (in particolare lo zebrafish, un piccolo pesce tropicale usato spesso nei laboratori). Fino a poco tempo fa, fare questo lavoro era come cercare di contare i grani di sabbia su una spiaggia con gli occhi chiusi: estremamente lento, noioso e soggetto a errori umani. Gli scienziati dovevano guardare al microscopio ogni singola fibra muscolare e misurarla a mano.

Gli scienziati hanno creato dei "robot" (software) per aiutare a contare queste fibre, ma questi robot erano stati addestrati solo per guardare i muscoli dei mammiferi (come noi umani o i topi). Il problema? I muscoli dei pesci sono molto diversi da quelli dei mammiferi.

Ecco come gli autori di questo studio hanno risolto il problema, usando tre metafore semplici:

1. Il problema del "Guscio" vs. la "Polpa"

I vecchi software cercavano di contare le fibre muscolari guardando il guscio (la membrana esterna della cellula). Funziona bene per i mammiferi perché le loro fibre sono come mattoni ben allineati e separati.
Ma nei pesci giovani, le fibre sono come spaghetti appena cotti e appiccicosi: sono così piccoli e vicini che il "guscio" è difficile da vedere e confonde i software, che pensano che due fibre siano una sola o che i piccoli nuovi spaghetti siano solo "sporcizia" (rumore di fondo).

La soluzione: Invece di guardare il guscio, gli scienziati hanno deciso di guardare la polpa (il citoplasma, la parte interna della cellula). Hanno usato un colorante speciale (falloidina) che illumina tutto il muscolo dall'interno, rendendo ogni fibra visibile come una stella luminosa, anche se è minuscola e vicina alle altre.

2. L'Intelligenza Artificiale come "Aiutante Super Veloce"

Una volta che le fibre sono illuminate, serve qualcuno che le conti.

• Il metodo vecchio (Apprendimento "Superficiale"): È come dare a un bambino un libro di istruzioni semplice. Può funzionare, ma se le fibre sono molto vicine, il bambino si confonde e sbaglia.
• Il metodo nuovo (Apprendimento "Profondo" o Deep Learning): Hanno usato un'intelligenza artificiale chiamata Cellpose. Immagina di avere un assistente che ha già visto milioni di immagini di cellule. Anche se non ha mai visto uno zebrafish specifico, è così intelligente che riesce a riconoscere le fibre muscolari quasi perfettamente, distinguendo anche quelle più piccole e appiccicose.

Gli scienziati hanno anche creato un "addestramento speciale" per questo assistente, mostrandogli migliaia di immagini di pesci zebra reali. Ora l'assistente non sbaglia quasi più: riconosce le fibre vere e ignora la sporcizia.

3. La "Mappa del Calore" per vedere la crescita

I pesci crescono in modo diverso dagli umani. Mentre noi ingrossiamo i muscoli rendendo le fibre più grosse (ipertrofia), i pesci aggiungono nuove fibre continuamente (iperplasia). È come se, invece di gonfiare un palloncino, ne aggiungessero continuamente di nuovi e piccoli.

Il nuovo strumento permette di creare una mappa del calore (un'immagine colorata) che mostra dove ci sono molte fibre piccole e nuove.

• Analogia: Immagina una folla di persone. Se tutti hanno la stessa altezza, la mappa è uniforme. Ma se in un angolo c'è un gruppo di bambini (nuove fibre) e dall'altra parte degli adulti, la mappa si illumina di colori diversi in quel punto. Questo aiuta gli scienziati a capire esattamente dove e quanto velocemente il pesce sta crescendo.

Il "Kit di Sopravvivenza" (Il Plugin FishROI)

Tutto questo sarebbe stato inutile se fosse stato troppo complicato da usare. Gli autori hanno creato un "cassetto degli attrezzi" digitale (un plugin per un programma gratuito chiamato FIJI) che fa tutto il lavoro sporco:

1. Prende l'immagine del microscopio.
2. Chiede all'IA di contare le fibre.
3. Ti permette di correggere eventuali errori con un clic (come cancellare un errore su Word).
4. Ti genera grafici e mappe colorate pronti per essere pubblicati.

In sintesi:
Hanno creato un sistema automatico, gratuito e facile da usare che permette a chiunque di studiare la crescita muscolare dei pesci con la precisione di un chirurgo, ma senza passare mesi a guardare al microscopio. È come passare dal contare le stelle a occhio nudo all'usare un telescopio con un computer che le disegna tutte su una mappa per te.

Sommario tecnico

Titolo

fishROI: Un flusso di lavoro specializzato per l'analisi semi-automatica della morfometria muscolare nei teleostei.

1. Il Problema

L'analisi quantitativa istologica della morfometria muscolare è fondamentale per comprendere la fisiologia muscolare, ma rimane un processo laborioso e tecnicamente impegnativo. Sebbene esistano strumenti automatizzati basati sull'apprendimento automatico (machine learning) per l'analisi dei tessuti, questi sono prevalentemente ottimizzati per modelli mammiferi (come umani e topi) e presentano limitazioni significative quando applicati ai teleostei (pesci ossei), modelli cruciali ma sottostimati nella biologia muscolare.

Le principali criticità identificate sono:

• Dipendenza da marcatori specifici: Gli strumenti esistenti spesso richiedono marcatori della matrice extracellulare (ECM) o della membrana cellulare precisi, che nei teleostei (specialmente nelle fasi larvali e giovanili) forniscono segnali deboli o inconsistenti.
• Assunzioni morfologiche errate: Gli algoritmi attuali presuppongono fibre muscolari di dimensioni relativamente uniformi. Tuttavia, i teleostei mostrano una crescita muscolare iperplastica (aggiunta continua di nuove fibre) durante lo sviluppo, risultando in una distribuzione eterogenea delle dimensioni delle fibre. Gli algoritmi ottimizzati per l'uniformità mammifera tendono a classificare erroneamente le fibre nuove e piccole come artefatti.
• Mancanza di strumenti di visualizzazione: Esiste una carenza di strumenti efficaci per visualizzare l'organizzazione spaziale e la variabilità morfometrica specifica dei teleostei, essenziale per comprendere la dinamica della crescita iperplastica.

2. Metodologia

Gli autori hanno sviluppato un approccio integrato che combina colorazione citoplasmatica e segmentazione basata sul deep learning, implementato in un plugin per la piattaforma FIJI/ImageJ2 (scritto in Jython).

• Marcatura dei tessuti: Invece di affidarsi a marcatori di membrana o ECM (come la WGA), il flusso di lavoro utilizza la colorazione citoplasmatica con falloidina, che offre un'etichettatura robusta e coerente di tutte le fibre muscolari, incluse quelle piccole e nascenti, in tutte le fasi dello sviluppo dello zebrafish.
• Segmentazione:
  • Apprendimento Superficiale (Shallow Learning): Utilizzo di Labkit per la segmentazione rapida su laptop standard, utile per dataset piccoli o per generare annotazioni iniziali.
  • Deep Learning: Utilizzo di Cellpose (modello cyto3). È stato dimostrato che il modello pre-addestrato di Cellpose funziona bene anche senza riaddestramento specifico, ma le prestazioni sono state ulteriormente ottimizzate addestrando un modello specifico per lo zebrafish ("rerio model") su un dataset curato di 54 immagini confocali (19.840 ROI).
• Plugin fishROI: Un'interfaccia grafica modulare (GUI) che guida l'utente attraverso l'intero processo:
  1. Segmentazione: Supporto per Labkit e Cellpose (con script per la conversione delle annotazioni FIJI in formati compatibili con Cellpose).
  2. Pulizia manuale delle ROI: Strumenti per visualizzare, colorare, unire o rimuovere fibre erroneamente segmentate.
  3. Quantificazione e Visualizzazione: Generazione di mappe di calore basate su parametri morfometrici (area, circolarità, intensità).
  4. Analisi dell'Eterogeneità: Calcolo del Coefficiente di Variazione (CoV) dell'area delle fibre in regioni locali del miotomo per quantificare l'iperplasia a mosaico. Questa fase richiede l'esecuzione di uno script esterno in Julia.

3. Risultati Chiave

• Superiorità della colorazione citoplasmatica: La falloidina si è rivelata superiore alla WGA per la visualizzazione delle fibre in sviluppo, specialmente nelle fasi larvali dove la matrice extracellulare è poco definita.
• Prestazioni di Cellpose: Il modello pre-addestrato cyto3 di Cellpose ha superato significativamente l'algoritmo Labkit nella segmentazione delle fibre nelle fasi larvali e giovanili, identificando correttamente circa l'80% delle fibre con un tasso di falsi positivi inferiore al 20%.
• Impatto dell'addestramento personalizzato: L'addestramento di un modello specifico per lo zebrafish non ha aumentato drasticamente il tasso di veri positivi, ma ha ridotto significativamente i falsi positivi (rifiutando meglio artefatti e regioni non fibrose). Un modello universale ("rerio") è risultato sufficiente per diverse fasi di sviluppo.
• Quantificazione dell'iperplasia a mosaico: L'uso del CoV locale ha permesso di identificare e quantificare oggettivamente le zone di crescita iperplastica (fibre piccole nel miotomo profondo), dimostrando un aumento significativo del CoV nei pesci giovanili rispetto a quelli larvali, in linea con le dinamiche di crescita note.
• Accessibilità: Il plugin è stato testato su diversi sistemi operativi (macOS, Windows, Ubuntu) e supporta una vasta gamma di formati di file microscopici tramite Bio-Formats.

4. Contributi Principali

1. Sviluppo di fishROI: Un plugin FIJI2 open-source che unifica segmentazione (shallow e deep learning), pulizia dati, quantificazione e visualizzazione in un unico flusso di lavoro.
2. Validazione di un protocollo di colorazione: Dimostrazione che la colorazione citoplasmatica combinata con il deep learning è la strategia ottimale per la morfometria muscolare nei teleostei.
3. Nuova metrica quantitativa: Introduzione di un metodo standardizzato per quantificare l'eterogeneità delle dimensioni delle fibre (tramite CoV spaziale) come indicatore diretto della crescita iperplastica.
4. Flessibilità e Modularità: L'architettura del plugin permette l'integrazione di modelli personalizzati e l'adattamento a diverse specie, fasi di sviluppo e protocolli di colorazione, superando le limitazioni degli strumenti attuali basati sui mammiferi.

5. Significatività

Questo lavoro colma un divario tecnologico critico nella biologia dei pesci, fornendo uno strumento accessibile e robusto per l'analisi muscolare automatizzata. La capacità di distinguere accuratamente le fibre di dimensioni variabili e di quantificare la crescita iperplastica apre nuove possibilità per studi su:

• Crescita e sviluppo muscolare nei teleostei.
• Rigenerazione muscolare e invecchiamento.
• Patologie muscolari e risposte a trattamenti farmacologici.

Il plugin, disponibile gratuitamente su GitHub, serve come piattaforma fondamentale per la ricerca futura, permettendo ai biologi di superare le barriere tecniche legate all'analisi manuale e di adottare approcci di intelligenza artificiale adattabili a organismi non modello.