mAIcrobe: an open-source framework for high-throughput bacterial image analysis

기술 요약: mAIcrobe – 고처리량 박테리아 이미지 분석을 위한 오픈 소스 프레임워크

문제 제기
박테리아 현미경 분석에서의 정량적 분석은 인구 통계학적 이질성, 박테리아 세포의 작은 크기, 종에 따른 다양한 형태학, 그리고 사용되는 다양한 이미징 기술로 인해 상당한 어려움에 직면해 있습니다. 수동 분석은 시간 소모적이고 주관적이며 인간의 오류에 취약하여 연구 처리량을 제한하는 병목 현상으로 남아 있습니다. MicrobeJ, SuperSegger, Oufti 및 저자들의 이전 도구인 eHooke와 같은 기존 도구들이 특정 틈새 영역을 해결해 왔으나, 종종 구조적 제약이 따랐습니다. 구체적으로, eHooke는 구형 박테리아(cocci)에 최적화되어 있어 다른 형태를 다루거나 현대적인 딥러닝 모델을 통합하는 데 어려움이 있었습니다. 또한, 생체 이미지 분석의 급격한 진화와 napari 생태계의 채택은 현대적인 과학적 Python 스택을 기반으로 한 더욱 다재다능하고 확장 가능한 프레임워크를 설계할 기회를 제공했습니다.

방법론
저자들은 napari 플러그인으로 설계된 종합적인 오픈 소스 프레임워크인 mAIcrobe를 개발했습니다. 이 시스템은 이미지 분할(segmentation), 정량적 형태학적 측정, 그리고 적응형 분류를 단일 워크플로로 통합합니다.

• 분할 엔진 (Segmentation Engine): 단일 알고리즘 도구와 달리, mAIcrobe는 사용자가 특정 실험 조건에 최적의 알고리즘을 선택할 수 있도록 멀티 모델 전략을 포함합니다. 다음을 지원합니다:
  • StarDist: 스타-볼록 다각형(star-convex polygon) 검출용.
  • CellPose: 세포 분할을 위한 범용 알고리즘.
  • Custom U-Net 모델: 배경, 세포 가장자리, 세포 내부를 식별할 수 있도록 ZeroCostDL4Mic 플랫폼을 통해 학습되었으며, watershed 분할을 통한 후처리를 지원함.
• 형태학적 프로파일링 (Morphological Profiling): 세포가 분할되면, 프레임워크는 세포 면적, 둘레, 편심도(eccentricity) 및 다채널 형광 강도를 포함한 정량적 파라미터를 추출합니다. 모든 결과는 하위 통계 분석을 위해 표준 형식(예: CSV)으로 내보낼 수 있습니다.
• 분류 시스템 (Classification System): 프레임워크는 분류를 위해 합성곱 신경망(CNN)을 활용합니다. 시스템은 유연성을 갖도록 설계되었습니다. 사전 학습된 모델(예: S. aureus 세포 주기 분석용)은 새로운 작업을 위해 미세 조정(fine-tuning)될 수 있습니다. 기술적 장벽을 낮추기 위해, 저자들은 깊은 계산 전문 지식이 없어도 모델을 재학습하고 미세 조정할 수 있는 코드 없는 Jupyter 노트북(로컬 환경 또는 Google Colal 호환)을 제공합니다.
• 생태계 통합: napari를 기반으로 구축된 mAIcrobe는 모듈형 아키텍처와 대화형 시각화 기능을 활용하여, 다양한 박테리아 종과 현미경 모달리티 전반에 걸쳐 실시간 파라미터 조정 및 동적 최적화를 가능하게 합니다.

주요 결과 및 응용
mAIcrobe의 유용성은 서로 다른 종과 현미경 모달리티에 걸친 여러 생물학적 응용을 통해 입증되었습니다:

1. 다재다능한 분할: 프레임워크는 다양한 박테리아 형태와 이미징 유형을 성공적으로 분할했습니다:
   • 구조 조명 현미경(SIM) 이미지 내의 Staphylococcus aureus(구형)를 StarDist를 사용하여 분할.
   • 위상차 이미지 내의 Streptococcus pneumoniae(구형)를 ZeroCostDL4Mic로 학습된 U-Net을 사용하여 분할.
   • 광시야 형광 이미지 내의 FtsZ-GFP를 발현하는 Bacillus subtilis(막대 모양)를 ZeroCostDL4Mic로 학습된 U-Net을 사용하여 분할.
2. 표현형 약물 스크리닝: PC190723(FtsZ 억제제)으로 처리된 S. aureus에서, mAIcrobe는 형태학적 변화를 정확하게 감지하고 정량화하여, 특히 세포 주기의 첫 번째 단계에서 정지된 커지고 둥글어진 세포를 식별했습니다.
3. 세포 주기 분석: 프레임워크는 CRISPR 간섭(CRISPRi)을 통해 필수 DNA 복제 개시 단백질인 DnaA가 결핍된 S. aureus 균주를 분석했습니다. 시스템은 세포를 세 가지 뚜렷한 세포 주기 단계(둥근 형태, 열린 격벽을 가진 신장 형태, 완전히 닫힌 격벽)로 분류하여, 대조군과 비교했을 때 세포 분열 타이밍의 정량적 차이를 밝혀냈습니다.
4. 모델 적응성: 저자들은 S. aureus 세포 주기 분류 모델을 재학습시켜 Escherichia coli의 항생제 표현형 분석을 수행하는 것을 입증했습니다. 미세 조정된 모델은 E. coli 세포를 대조군, mecillinam 처리군, nalidixic acid 처리군으로 성공적으로 분류했습니다.

의의 및 주장
본 논문은 mAIcrobe를 기존의 파편화된 소프트웨어 솔루션보다 진일보한 성과로 위치시킵니다. 주요 의의는 다음과 같습니다:

• 통합 플랫폼: 구형 S. aureus부터 막대 모양의 E. coli에 이르기까지, 다양한 박테리아 형태나 분할 알고리즘을 위해 서로 다른 소프트웨어 패키지를 전환할 필요 없이 단일 환경을 제공함으로써 분절된 문제를 해결합니다.
• 접근성 및 재현성: napari와의 통합 및 모델 학습을 위한 Jupyter 노트북 제공을 통해, mAIcrobe는 미생물학 분야에서 딥러닝의 진입 장벽을 낮추어 더 넓은 커뮤니티가 맞춤형 분석 파이프라인을 개발할 수 있게 합니다.
• 확장성: 모듈형 설계는 프레임워크가 이미지 분석 분야의 발전에 따라 진화하고 보완적인 도구들과 통합될 수 있도록 하여 장기적인 지속 가능성을 보장합니다.
• 검증: S. aureus, E. coli, S. pneumoniae, B. subtilis에 걸친 경험적 검증은 멀티 모델 접근 방식이 높은 분할 정확도를 유지하면서 세포 주기 조절부터 항생제 표현형 분석에 이르기까지 다양한 생물학적 질문을 해결할 수 있음을 보여줍니다.

저자들은 mAIcrobe가 현재의 분석 능력과 미래의 적응성을 결합하여 박테리아 세포 생물학의 발견을 가속화할 수 있는 차세대 박테리아 현미경 분석의 견고한 토대를 제공한다고 결론짓습니다.