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

Per comprendere il mondo batterico, gli scienziati devono spesso guardare ai confini estremi di una cella. I batteri sono organismi unicellulari minuscoli che possono causare contaminazioni persistenti negli ospedali o ostruire le tubature industriali. Molti di essi, come la varietà Gram-negativa, sono avvolti in due strati protettivi: una membrana interna e una membrana esterna. Tra questi strati si trova uno spazio sottile che può cambiare forma quando il batterio è sotto stress o combatte contro un antibiotico. Per vedere chiaramente queste strutture delicate, i ricercatori utilizzano una tecnica chiamata criomicroscopia elettronica. Questo metodo congela istantaneamente i batteri in un sottile strato di ghiaccio, preservandoli in uno stato quasi naturale affinché possano essere immagini senza le pesanti colorazioni chimiche che di solito ne distorcono la forma. Tuttavia, c'è un problema. Questi campioni congelati sono incredibilmente fragili. Se il fascio di elettroni utilizzato per scattare la foto è troppo forte, brucia il campione e distrugge proprio i dettagli che gli scienziati stanno cercando di vedere. Se il fascio è troppo debole, l'immagine è troppo granulosa per distinguere le membrane sottili o le code simili a fruste, chiamate flagelli, che aiutano i batteri a nuotare.

Questo delicato equilibrio ha a lungo limitato quanto gli scienziati possano imparare sulle popolazioni batteriche. Possono scegliere tra scattare una foto rapida, a basso dosaggio, di un'ampia area e vedere pochissimi dettagli, oppure scattare una foto ad alto dosaggio di un punto minuscolo e vedere grandi dettagli ma perdere la visione d'insieme. Un nuovo dataset chiamato TileBac, creato dai ricercatori dell'Oak Ridge National Laboratory, offre un modo per superare questo compromesso. Il team ha raccolto una massiccia libreria di immagini di un batterio specifico, Pantoea sp. YR343, che vive nel suolo intorno alle radici dei pioppi. Lo hanno fatto scattando panorami a campo largo dei batteri congelati e poi tagliandoli in pezzi più piccoli e gestibili. Fondamentalmente, hanno annotato ogni singolo pezzo a mano, disegnando contorni precisi attorno alle membrane interne ed esterne e ai flagelli. Questo crea un terreno di addestramento per i computer, permettendo all'intelligenza artificiale di imparare come individuare queste strutture deboli anche nelle immagini più granulose e a basso dosaggio.

I ricercatori hanno affrontato questa sfida creando due distinti set di dati, ciascuno progettato per insegnare qualcosa di diverso ai computer. Il primo set si concentra sulle enveloppi batteriche. Hanno scattato immagini a campo largo dei batteri con un dosaggio di radiazioni estremamente basso, solo quattro elettroni per angolo di Ångström. A questo livello, le immagini sono molto rumorose e le membrane sono appena visibili all'occhio umano. Per dare un senso a esse, il team ha disegnato manualmente poligoni attorno alle membrane interne ed esterne su migliaia di tasselli di immagine. Hanno poi utilizzato queste mappe disegnate a mano per addestrare cinque diversi tipi di modelli di visione artificiale. L'obiettivo era vedere se una macchina potesse imparare a distinguere i due strati di membrana anche quando il segnale era incredibilmente debole. I risultati hanno mostrato che, mentre alcuni modelli faticavano, altri, in particolare quelli progettati per trovare regioni riempite piuttosto che semplici linee, riuscivano a identificare con successo le membrane. Ciò dimostra che, con i dati di addestramento corretti, i computer possono imparare a vedere strutture che sono quasi invisibili a noi.

La seconda parte del dataset affronta il problema del movimento e dell'adesione batterica. I batteri usano flagelli lunghi e sottili per nuotare, e queste strutture sono vitali per il modo in cui si attaccano alle superfici. I ricercatori hanno raccolto immagini di batteri con flagelli a un dosaggio leggermente più alto, quaranta elettroni per angolo di Ångström, che è comunque considerato un basso dosaggio ma fornisce dettagli molto più chiari. Hanno anche registrato questi stessi campi visivi sotto forma di filmati, catturando quaranta fotogrammi separati per ogni immagine. Questa è una caratteristica potente perché permette agli scienziati di ricostruire l'immagine a qualsiasi livello di dosaggio scelgano. Possono sommare un solo fotogramma per vedere come appaiono i batteri al dosaggio più basso possibile, o sommare tutti i quaranta fotogrammi per vedere la versione più chiara possibile. Mantenendo esattamente gli stessi batteri nella stessa posizione attraverso tutti questi dosaggi, i ricercatori hanno creato un banco di prova perfetto per vedere come le prestazioni dei modelli informatici cambiano al variare della qualità dell'immagine, da molto sfocata a molto chiara.

Ciò che rende questo dataset davvero unico è il livello di dettaglio delle annotazioni. In studi precedenti, gli scienziati avrebbero potuto semplicemente segnare dove si trova un batterio. Qui, i ricercatori hanno disegnato forme specifiche attorno alla membrana interna e alla membrana esterna come entità separate. Hanno scoperto che le membrane interne ed esterne racchiudono aree che si sovrappongono significativamente, con l'area interna che si inserisce perfettamente dentro quella esterna. Questo livello di precisione è raro nei database pubblici. Il team ha anche scoperto che diversi modelli informatici "vedono" il mondo in modi differenti. Alcuni modelli, come quelli basati su un sistema chiamato YOLO, hanno imparato a disegnare la membrana esterna come una linea molto sottile, quasi come una struttura a fil di ferro. Altri modelli, come U-Net e SAM, hanno imparato a riempire l'intera area all'interno della membrana. Entrambi gli approcci sono validi, ma richiedono modi diversi di misurare il successo. I ricercatori hanno dimostrato che se si guarda solo a quanta area il modello copre, i modelli a linea sottile sembrano aver fallito. Ma se si misura quanto la linea sia vicina al bordo reale, quelli stessi modelli hanno ottenuto ottimi risultati. Questa distinzione è fondamentale per la ricerca futura, poiché dice agli scienziati che devono scegliere lo strumento giusto per il compito, a seconda che abbiano bisogno di conoscere la forma del confine o la dimensione dell'area.

Il dataset affronta anche un problema comune nell'imaging su larga scala chiamato cucitura (stitching). Quando gli scienziati scattano un panorama di un'ampia area, devono combinare insieme molte immagini più piccole. Se il computer non le allinea perfettamente, le giunture tra le immagini possono tagliare proprio un batterio, facendolo apparire rotto o distorto. Il dataset TileBac include sia i panorami originali che i tasselli più piccoli, consentendo ai ricercatori di testare quanto bene il loro software riesca a cucire le immagini insieme senza perdere l'integrità delle cellule. Hanno scoperto che il dataset non contiene cellule sovrapposte, il che significa che è perfetto per testare come i computer separano i singoli batteri, ma non può essere usato per testare come i computer gestiscono i batteri che si trovano ammassati l'uno sull'altro. Questa onestà riguardo ai limiti del dataset è importante quanto il dato stesso, poiché impedisce ad altri scienziati di trarre conclusioni errate.

Rilasciando tutti questi dati, insieme ai modelli informatici che hanno addestrato e al codice usato per l'analisi, il team di Oak Ridge ha fornito un nuovo standard per il settore. Hanno dimostrato che è possibile raccogliere ampie aree di campioni batterici a dosaggi così bassi che prima erano considerati troppo rumorosi per essere utili. Hanno dimostrato che, con una meticolosa annotazione manuale, i computer possono imparare a trovare queste strutture deboli. E hanno fornito uno strumento flessibile che permette ai ricercatori di studiare come la qualità dell'immagine influenzi la capacità di vedere la vita alla scala nanometrica. Questo lavoro non risolve ogni problema nell'imaging batterico, ma fornisce i mattoni essenziali per la prossima generazione di strumenti. Permette agli scienziati di passare dal guardare pochi fotogrammi fortunati di alta qualità all'analizzare intere popolazioni di batteri con una confidenza statistica, aprendo la porta a una comprensione più profonda di come questi minuscoli organismi interagiscono con l'ambiente e con i materiali che toccano.