Spectral Unmixing: A modular and reproducible Python package for directed and blind spectral unmixing in multidimensional microscopy stacks

Nel mondo dell'imaging biologico, gli scienziati utilizzano potenti microscopi per scrutare i minuscoli e luminosi meccanismi delle cellule viventi. Per rendere visibili queste strutture invisibili, i ricercatori le marcano con speciali coloranti chiamati fluorofori, che si illuminano in colori specifici quando colpiti da un laser. Utilizzando diversi coloranti contemporaneamente, possono osservare l'interazione di molteplici parti di una cella in tempo reale. Tuttavia, un problema persistente ha a lungo oscurato queste osservazioni: i colori spesso si mescolano tra loro. Proprio come una luce rossa potrebbe proiettare un debole riflesso rosa su una parete bianca vicina, il bagliore di un colorante può traboccare nel canale destinato a un altro colorante. Questa contaminazione crea un segnale falso, rendendo difficile determinare esattamente dove si trovi una molecola o quanto di essa sia presente. Per decenni, risolvere questo problema è stato uno sforio frammentato, basato su un insieme di regolazioni manuali, script personalizzati scritti dai singoli laboratori o strumenti specializzati difficili da condividere o verificare. Senza un modo standard per pulire questi segnali misti, i dati di diversi studi rimangono difficili da confrontare e l'immagine reale della vita cellulare rimane leggermente fuori fuoco.

Un nuovo pacchetto software open-source chiamato spectral-unmixing mira a portare ordine in questo caos, offrendo uno strumento unico e affidabile per correggere questi equivoci cromatici. I ricercatori dietro questo lavoro hanno costruito un sistema modulare in grado di gestire la realtà disordinata dei dati microscopici, indipendentemente dal formato di file prodotto dalla macchina. Invece di costringere gli scienziati a riorganizzare manualmente i propri dati prima dell'analisi, il software dispone automaticamente le informazioni in un ordine standard, permettendo al processo di correzione di iniziare immediatamente. Il pacchetto è progettato per essere sia flessibile che trasparente. Può eseguire correzioni dirette, in cui l'utente sa esattamente quali coloranti interferiscono tra loro, e può anche tentare l'unmixing cieco (blind unmixing), in cui il software individua i modelli di miscelazione da solo senza istruzioni preventive. Fondamentalmente, ogni volta che il software viene eseguito, crea un registro digitale di esattamente quali impostazioni sono state utilizzate e quali numeri sono stati calcolati. Questo file "sidecar" assicura che chiunque possa ricontrollare il lavoro in seguito e vedere precisamente come l'immagine finale sia stata derivata, eliminando l'incertezza che spesso affligge l'analisi scientifica.

Il team ha testato il proprio strumento utilizzando sia simulazioni generate al computer che dati reali provenienti da esperimenti di microscopia, per vedere quanto bene fosse performante. Nelle simulazioni in cui la risposta corretta era nota, il software si è dimostrato altamente efficace nel pulire il rumore. Correggendo un canale specifico in una configurazione a due colori, l'errore nell'immagine finale è diminuito significativamente, passando da un valore normalizzato di circa 0,029 a circa 0,003. Il software ha mostrato grande promessa anche nel gestire dati che cambiano nel tempo. In questi scenari, calcolare la correzione per ogni singolo momento si è rivelato molto più efficace rispetto all'uso di un'impostazione media per l'intero esperimento. Questo approccio ha ridotto l'errore nella stima dei livelli di miscelazione da circa 0,099 a soli 0,003. Inoltre, lo strumento ha dimostrato una capacità unica di gestire correzioni bidirezionali, in cui due coloranti interferiscono simultaneamente l'uno con l'altro. Invertendo matematicamente il modello di miscelazione, il software ha ridotto gli errori nei canali reciproci da un intervallo compreso tra 0,022 e 0,037 a circa 0,004.

Per situazioni più complesse che coinvolgono molti colori diversi contemporaneamente, il software impiega un metodo noto come unmixing cieco, che separa i segnali miscelati senza dover conoscere le proprietà esatte dei coloranti in precedenza. I benchmark su dati multicanale hanno mostrato che questo metodo ha ridotto con successo la dipendenza indesiderata tra i canali mantenendo intatta l'identità di ogni fluoroforo originale. I ricercatori hanno inoltre scoperto che se uno scienziato conosce il probabile percorso di contaminazione — ad esempio, sapendo che il colorante A spesso filtra nel canale del colorante B — può utilizzare vincoli specifici per guidare il software, offrendo un'alternativa controllabile quando i percorsi di miscelazione sono compresi. I risultati suggeriscono che questo pacchetto fornisce una piattaforma robusta per standardizzare il modo in cui gli scienziati puliscono le loro immagini. Rendendo il processo programmabile, riproducibile e accessibile, lo strumento abbassa la barriera d'ingresso per un'analisi di alta qualità, permettendo ai ricercatori di fidarsi del fatto che i pattern luminosi che vedono nei loro microscopi siano un vero riflesso della biologia, e non un artefatto dell'attrezzatura.