An Ensemble Deep Learning Framework for Single-Cell Phenotypic Profiling of Escherichia coli under Antibiotic Stress

I batteri non sono granelli statici; sono macchine viventi che cambiano la propria forma e la propria struttura interna quando si sentono minacciati. Quando un batterio incontra un antibiotico, non sta semplicemente fermo ad aspettare di essere ucciso. Al contrario, reagisce. Alcune cellule si allungano, altre si rimpiccioliscono, e i filamenti aggrovigliati di DNA al loro interno possono raggrupparsi o frammentarsi. Questi cambiamenti fisici sono il modo in cui la cellula segnala uno stato di sofferenza o, in alcuni casi, mette in atto una difesa. Per decenni, gli scienziati si sono affidati all'attesa che i batteri crescessero in una piastra per vedere se un farmaco funzionasse, un processo che può richiedere un giorno intero o più. Questo ritardo è pericoloso in un mondo in cui le infezioni resistenti ai farmaci sono in aumento, trasformando malattie un tempo trattabili in crisi potenzialmente letali. Per accelerare la lotta, i ricercatori stanno ora cercando modi per leggere istantaneamente questi minuscoli cambiamenti fisici, usando l'aspetto stesso della cellula come una mappa per capire cosa stia accadendo all'interno.

Un team di ricercatori ha sviluppato un nuovo metodo per fare esattamente questo, creando un sistema in grado di osservare un singolo batterio e dirvi esattamente quale antibiotico lo stia attaccando. Si sono concentrati su Escherichia coli, un batterio comune spesso utilizzato per studiare come funzionano i farmaci. Nel loro laboratorio, hanno esposto questi batteri a quattro diversi tipi di antibiotici, ognuno progettato per attaccare la cellula in un modo unico. Un farmaco impediva alla cellula di produrre proteine, un altro ne impediva la costruzione di una parete esterna resistente, un terzo interrompeva l'impalcatura interna che mantiene la forma a bastoncello della cellula, e un quarto bloccava la copia del suo materiale genetico. Per osservare i risultati, hanno scattato fotografie ad alta risoluzione dei batteri, utilizzando coloranti speciali che rendevano la membrana esterna della cella luminosa in rosso e il DNA interno luminoso in blu.

La sfida era che questi cambiamenti sono sottili e avvengono a una scala troppo piccola per l'occhio umano per poterli smistare rapidamente. Per risolvere il problema, i ricercatori hanno costruito un sistema informatico basato sul deep learning, un tipo di intelligenza artificiale che impara osservando migliaia di esempi. Per prima cosa, hanno insegnato al computer come trovare i singoli batteri nelle immagini al microscopio affollate e isolarli, come isolare una singola persona da una fotografia affollata. Hanno poi inserito queste immagini isolate in una serie di tredici diversi modelli informatici. Alcuni di questi modelli erano progettati per riconoscere schemi nelle forme, mentre altri erano costruiti per comprendere le relazioni tra le diverse parti di un'immagine, proprio come un essere umano potrebbe guardare un volto e riconoscere la connessione tra gli occhi e la bocca.

I ricercatori hanno scoperto che, sebbene alcuni di questi modelli informatici fossero molto bravi a indovinare l'antibiotico corretto, nessuno era perfetto da solo. Il miglior modello singolo, che utilizzava un'architettura sofisticata chiamata Swin Transformer, identificava correttamente il farmaco circa il 91 percent delle volte. Tuttavia, il team si è reso conto che combinando le opinioni di diversi modelli, poteva ottenere risultati ancora migliori. Hanno creato un "ensemble", un sistema in cui il computer chiede il parere di tre diversi esperti — lo Swin Transformer, un modello chiamato CoaT e un modello classico chiamato ResNet18 — per votare la risposta. Pesando attentamente questi voti, il sistema ha raggiunto un nuovo livello di precisione, identificando correttamente l'antibiotico nel 94 percent dei casi. Questo approccio ha dimostrato che ascoltare un gruppo di diversi modelli di IA è più affidabile che affidarsi a uno solo.

Oltre a indovinare semplicemente il farmaco, il sistema ha anche imparato a descrivere esattamente come i batteri stessero cambiando. Poteva distinguere tra una cellula che era diventata sferica perché la sua parete stava cedendo e una cellula che si era allungata perché la sua struttura interna era danneggiata. Ad esempio, il sistema ha imparato che quando un farmaco specifico bloccava la copia del DNA, i batteri mantenevano la loro forma a bastoncello ma i loro filamenti di DNA interni diventavano lunghi e tesi. Quando un altro farmaco interrompeva la produzione di proteine, i batteri rimanevano con la forma a bastoncello ma il loro DNA interno diventava densamente compatto. Queste specifiche firme visive hanno permesso al computer non solo di nominare il farmaco, ma anche di comprendere il meccanismo attraverso il quale stava danneggiando la cellula.

Lo studio suggerisce che questo tipo di analisi automatizzata basata sulle immagini potrebbe diventare uno strumento potente per combattere la resistenza agli antibiotici. Invece di aspettare giorni che i batteri crescano, i medici o i ricercatori potrebbero potenzialmente prelevare un campione, scattare una foto e usare questo sistema per vedere immediatamente come i batteri stanno reagendo. I ricercatori hanno osservato che, sebbene il loro sistema funzionasse bene, non è ancora un prodotto finito per gli ospedali. Hanno sottolineato che, per renderlo davvero robusto, dovrebbero addestrarlo su un numero ancora maggiore di immagini e forse testarlo con video in time-lapse per vedere come i batteri cambiano nel tempo. Tuttavia, il lavoro dimostra che insegnando ai computer a vedere il linguaggio sottile delle forme batteriche, la scienza può muoversi più velocemente verso la comprensione e il contrasto alla diffusione delle infezioni resistenti ai farmaci.