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

Om de bacteriële wereld te begrijpen, moeten wetenschappers vaak kijken naar de uiterste randen van een cel. Bacteriën zijn minuscule, eencellige organismen die ziekenhuizen hardnekkig kunnen besmetten of industriële leidingen kunnen verstoppen. Veel van hen, zoals de Gram-negatieve variant, zijn gehuld in twee beschermende lagen: een binnenmembraan en een buitenmembraan. Tussen deze lagen ligt een dunne ruimte die van vorm kan veranderen wanneer de bacterie gestrest is of een antibioticum bestrijdt. Om deze delicate structuren duidelijk te zien, gebruiken onderzoekers een techniek genaamd cryo-elektronenmicroscopie. Deze methode vriest bacteriën razendsnel in in een dun laagje ijs, waardoor ze in een bijna natuurlijke staat worden bewaard zodat ze afgebeeld kunnen worden zonder de zware chemische kleurstoffen die hun vorm gewoonlijk vervormen. Er is echter een addertje onder het gras. Deze bevroren monsters zijn ongelooflijk fragiel. Als de elektronenbundel die wordt gebruikt om de foto te maken te sterk is, verbrandt het monster en worden de details die wetenschappers juist willen zien, vernietigd. Als de bundel te zwak is, is de afbeelding te korrelig om de dunne membranen of de zweepachtige staarten, flagellen genoemd, die bacteriën helpen zwemmen, te onderscheiden.

Dit delicate evenwicht heeft wetenschappers lang beperkt in hoeveel ze kunnen leren over bacteriële populaties. Ze kunnen ofwel een snelle foto met een lage dosis van een groot gebied maken en heel weinig detail zien, of ze kunnen een foto met een hoge dosis van een minuscuul puntje maken en veel detail zien, maar het grotere plaatje missen. Een nieuwe dataset genaamd TileBac, gemaakt door onderzoekers van het Oak Ridge National Laboratory, biedt een manier om deze afweging te doorbreken. Het team verzamelde een enorme bibliotheek aan afbeeldingen van een specifieke bacterie, Pantoea sp. YR343, die leeft in de bodem rond de wortels van populieren. Dit deden ze door breedveld-panorama's van de bevroren bacteriën te maken en deze vervolgens in kleinere, hanteerbare stukjes te snijden. Cruciaal was dat ze elk stukje met de hand annoteerden, door nauwkeurige contouren te tekenen rond de binnen- en buitenmembranen en de flagellen. Dit creëert een trainingsgrond voor computers, waardoor kunstmatige intelligentie kan leren hoe het deze zwakke structuren kan herkennen, zelfs in de korreligste afbeeldingen met de laagste dosis.

De onderzoekers benaderden deze uitdaging door twee afzonderlijke datasets te creëren, elk ontworpen om computers iets anders te leren. De eerste set richt zich op de bacteriële omhulsels. Ze namen breedveldbeelden van de bacteriën bij een extreem lage stralingsdosis, slechts vier elektronen per vierkante angstrom. Op dit niveau zijn de afbeeldingen erg ruisachtig en zijn de membranen nauwelijks zichtbaar voor het menselijk oog. Om er zin van te krijgen, tekende het team handmatig polygonen rond de binnen- en buitenmembranen op duizenden beeldtegels. Vervolgens gebruikten ze deze handgetekende kaarten om vijf verschillende soorten computer vision-modellen te trainen. Het doel was om te zien of een machine kon leren de twee membraanlagen te onderscheiden, zelfs wanneer het signaal extremer zwak was. De resultaten lieten zien dat hoewel sommige modellen moeite hadden, andere, met name de modellen die ontworpen zijn om gevulde regio's te vinden in plaats van alleen lijnen, erin slaagden de membranen succesvol te identificeren. Dit bewijst dat computers, met de juiste trainingsdata, kunnen leren structuren te zien die voor ons bijna onzichtbaar zijn.

Het tweede deel van de dataset pakt het probleem van bacteriële beweging en hechting aan. Bacteriën gebruiken lange, dunne flagellen om te zwemmen, en deze structuren zijn essentieel voor hoe ze aan oppervlakken blijven plakken. De onderzoekers verzamelden afbeeldingen van bacteriën met flagellen bij een iets hogere dosis, veertig elektronen per vierkante angstrom, wat nog steeds als een lage dosis wordt beschouwd maar veel duidelijkere details biedt. Ze legden deze zelfde gezichtsvelden ook vast als films, waarbij ze veertig afzonderlijke frames per afbeelding vastlegden. Dit is een krachtige functie, omdat het wetenschappers in staat stelt de afbeelding te reconstrueren op welk doseelniveau ze ook kiezen. Ze kunnen één frame optellen om te zien hoe de bacteriën eruitzien bij de laagst mogelijke dosis, of alle veertig frames optellen om de duidelijkste versie te zien. Door exact dezelfde bacteriën in dezelfde positie te houden over al deze doses heen, creëerden de onderzoekers een perfect testbed om te zien hoe goed computermodellen presteren naarmate de beeldkwaliteit verandert van zeer wazig naar zeer helder.

Wat deze dataset werkelijk uniek maakt, is het niveau van detail in de annotaties. In eerdere studies markeerden wetenschappers misschien alleen waar een bacterie zich bevond. Hier tekenden de onderzoekers specifieke vormen rond het binnenmembraan en het buitenmembraan als afzonderlijke entiteiten. Ze ontdekten dat de binnen- en buitenmembranen gebieden omsluiten die aanzienlijk overlappen, waarbij het binnenste gebied netjes binnen het buitenste ligt. Dit niveau van precisie is zeldzaam in openbare databases. Het team ontdekte ook dat verschillende computermodellen de wereld op verschillende manieren "zien". Sommige modellen, zoals de modellen gebaseerd op een systeem genaamd YOLO, leerden het buitenmembraan als een zeer dunne lijn te tekenen, bijna als een draadmodel. Andere modellen, zoals U-Net en SAM, leerden het hele gebied binnen het membraan in te vullen. Beide benaderingen zijn geldig, maar ze vereisen verschillende manieren om succes te meten. De onderzoekers toonden aan dat als je alleen kijkt naar hoeveel gebied het model beslaat, de modellen met de dunne lijn lijken te falen. Maar als je meet hoe dicht de lijn bij de werkelijke rand ligt, presteren diezelfde modellen erg goed. Dit onderscheid is cruciaal voor toekomstig onderzoek, omdat het wetenschappers vertelt dat ze het juiste instrument moeten kiezen voor de taak, afhankelijk van of ze de vorm van de grens of de grootte van het gebied willen weten.

De dataset adresseert ook een veelvoorkomend probleem bij grootschalige beeldvorming, namelijk het samenvoegen (stitching). Wanneer wetenschappers een panorama van een groot gebied maken, moeten ze veel kleinere afbeeldingen bij elkaar voegen. Als de computer ze niet perfect uitlijnt, kunnen de naden tussen de afbeeldingen dwars door een bacterie snijden, waardoor deze er gebroken of vervormd uitziet. De TileBac-dataset bevat zowel de originele grote panorama's als de kleinere tegels, waardoor onderzoekers kunnen testen hoe goed hun software afbeeldingen samenvoegt zonder de integriteit van de cellen te verliezen. Ze ontdekten dat de dataset geen overlappende cellen bevat, wat betekent dat het perfect is om te testen hoe computers individuele bacteriën scheiden, maar het kan niet worden gebruikt om te testen hoe computers omgaan met bacteriën die bovenop elkaar liggen. Deze eerlijkheid over de beperkingen van de dataset is net zo belangrijk als de data zelf, omdat het andere wetenschappers voorkomt onjuiste conclusies te trekken.

Door al deze data vrij te geven, samen met de getrainde computermodellen en de gebruikte code voor de analyse, hebben de onderzoekers van Oak Ridge een nieuwe standaard voor het vakgebied neergelegd. Ze hebben aangetoond dat het mogelijk is om grote gebieden met bacteriële monsters te verzamelen bij doses die zo laag zijn dat ze voorheen als te ruisachtig werden beschouwd om bruikbaar te zijn. Ze hebben bewezen dat met zorgvuldige handmatige annotatie computers kunnen leren om deze zwakke structuren te vinden. En ze hebben een flexibele tool geleverd die onderzoekers in staat stelt om te bestuderen hoe beeldkwaliteit de mogelijkheid beïnvloedt om leven op nanoschaal te zien. Dit werk lost niet alle problemen op met betrekking tot bacteriële beeldvorming, maar het biedt de essentiële bouwstenen voor de volgende generatie instrumenten. Het stelt wetenschappers in staat om over te stappen van het kijken naar een paar gelukkige, hoogwaardige afbeeldingen naar het analyseren van volledige bacteriële populaties met statistische zekerheid, wat de deur opent naar een dieper begrip van hoe deze minuscule organismen interageren met hun omgeving en met de materialen waar ze mee in contact komen.