fishROI: A specialized workflow for semi-automated muscle morphometry analysis in teleosts

Este estudo apresenta o fishROI, um plugin para FIJI2 que utiliza aprendizado profundo e coloração citoplasmática para automatizar a análise morfométrica e a visualização da organização espacial das fibras musculares em teleósteos, superando as limitações das ferramentas existentes focadas em modelos mamíferos.

O essencial

Imagine que você é um biólogo tentando entender como os músculos de um peixe (como o famoso peixe-zebra) crescem. Antigamente, para contar quantas "fibras" musculares existiam e medir o tamanho de cada uma, você teria que pegar uma lupa, olhar para cada imagem microscópica e fazer isso manualmente, fibra por fibra. Seria como tentar contar os grãos de areia de uma praia um por um, com uma caneta e papel. É exaustivo, demorado e sujeito a erros.

Além disso, as ferramentas automáticas que já existiam eram feitas pensando em músculos de mamíferos (como humanos e camundongos). O problema é que os músculos dos peixes são muito diferentes: eles crescem de uma forma especial, adicionando novas fibras o tempo todo, o que cria uma mistura de fibras gigantes e minúsculas. As ferramentas antigas ficavam confusas com essa mistura, achando que as fibras pequenas eram apenas "sujeira" na imagem e ignorando-as.

Aqui entra o "fishROI":

Os autores deste estudo criaram um novo "super-ajudante" digital, que é um plugin (um pequeno programa extra) para o software gratuito FIJI (usado por cientistas para analisar imagens). Eles chamaram essa ferramenta de fishROI.

Vamos usar algumas analogias para entender como ela funciona:

1. A Troca de Lente (A Pintura)

Antes, os cientistas usavam "tintas" (corantes) que pintavam apenas a borda das células (como desenhar o contorno de um desenho). Mas em peixes jovens, essas bordas são muito finas e difíceis de ver.
O fishROI sugere usar uma "tinta" diferente que preenche o interior da célula (o citoplasma). É como se, em vez de tentar desenhar o contorno de uma bolha de sabão que está prestes a estourar, você simplesmente pintasse a bolha inteira de vermelho. Agora, fica muito mais fácil ver onde cada fibra termina e começa, mesmo que elas estejam apertadas umas contra as outras.

2. O Olho de Águia (Inteligência Artificial)

Uma vez que a imagem está pintada, o fishROI usa "olhos de águia" treinados por Inteligência Artificial (Deep Learning) para contar as fibras.

• O jeito antigo (Shallow Learning): Era como tentar ensinar uma criança a contar separando as coisas apenas por cor. Funciona se tudo for igual, mas falha se as coisas forem bagunçadas.
• O jeito novo (Deep Learning/Cellpose): É como treinar um especialista que já viu milhares de peixes. Ele sabe que, mesmo que as fibras estejam grudadas ou de tamanhos diferentes, elas ainda são fibras. O programa consegue separar fibras que parecem um emaranhado de espaguete, algo que os métodos antigos não conseguiam fazer.

3. O Mapa de Calor (Visualização)

Depois de contar e medir, o fishROI não apenas dá números em uma planilha chata. Ele cria mapas de calor.
Imagine que você tem um mapa de uma cidade. Em vez de apenas dizer "tem 100 casas", o mapa pinta as ruas de azul onde as casas são pequenas e de vermelho onde são grandes.
No caso do peixe, isso é crucial. Os peixes crescem adicionando novas fibras pequenas em áreas específicas (como uma "zona de construção" no músculo). O fishROI consegue identificar essas "zonas de construção" colorindo-as de forma diferente, permitindo que os cientistas vejam exatamente onde o peixe está crescendo mais rápido.

4. A Caixa de Ferramentas Modular

O grande diferencial é que o fishROI é como um kit de ferramentas de LEGO.

• Você pode usar a ferramenta rápida (para quem tem pouco tempo ou computador fraco).
• Você pode usar a ferramenta super precisa (para quem quer o máximo de detalhe).
• Você pode misturar as duas.
• E o melhor: se você quiser analisar um peixe diferente ou usar uma corante diferente, você pode "treinar" o robô com suas próprias fotos, e ele aprende a fazer o trabalho para você.

Resumo da Ópera:
Este estudo apresentou um novo método para analisar músculos de peixes que é mais rápido, mais preciso e mais inteligente do que os antigos. Ele transforma um trabalho manual e cansativo em um processo quase automático, permitindo que cientistas descubram como os peixes crescem, envelhecem ou se recuperam de lesões com muito mais facilidade. É como ter um assistente pessoal que não apenas conta as fibras, mas também entende a história que elas contam sobre o crescimento do peixe.

Resumo técnico

Título do Estudo

fishROI: Um fluxo de trabalho especializado para análise semi-automática de morfometria muscular em teleósteos.

1. O Problema

A análise quantitativa de morfometria muscular (tamanho, número e forma das fibras) é crucial para entender a fisiologia, crescimento, regeneração e envelhecimento muscular. No entanto, existem desafios significativos ao aplicar ferramentas automatizadas existentes em modelos de peixes (teleósteos), como o zebrafish:

• Incompatibilidade de Modelos: A maioria das ferramentas de segmentação automatizada foi desenvolvida para mamíferos, assumindo fibras musculares uniformes e dependendo de marcadores de matriz extracelular (ECM) ou membrana específicos.
• Limitações de Coloração: Em teleósteos, especialmente em estágios larvais e juvenis, a coloração de ECM/membrana (ex: WGA) é frequentemente fraca ou inconsistente, tornando a segmentação baseada em bordas ineficaz.
• Heterogeneidade e Hiperplasia: Os teleósteos exibem crescimento hiperplástico (adição contínua de novas fibras pequenas), resultando em uma distribuição ampla de tamanhos de fibras. Algoritmos otimizados para mamíferos tendem a classificar erroneamente essas novas fibras pequenas como artefatos de imagem.
• Falta de Ferramentas de Visualização: Há uma carência de ferramentas eficazes para visualizar a organização espacial e a variabilidade morfológica específica dos teleósteos, como a dinâmica da hiperplasia mosaica.

2. Metodologia

Os autores desenvolveram um plugin para a plataforma ImageJ2/FIJI (chamado fishROI) que integra coloração citoplasmática, aprendizado de máquina e análise estatística espacial.

• Abordagem de Coloração: Substituição de marcadores de membrana/ECM pela coloração citoplasmática usando Falaoidina (Phalloidin), que oferece sinal robusto em todas as etapas do desenvolvimento do zebrafish, permitindo a visualização de fibras pequenas e nascentes.
• Segmentação por Aprendizado de Máquina:
  • Aprendizado Superficial (Shallow Learning): Uso do algoritmo Labkit para treinamento rápido em laptops, útil para conjuntos de dados menores ou geração de anotações iniciais.
  • Aprendizado Profundo (Deep Learning): Uso do modelo Cellpose (especificamente o modelo cyto3). Os autores compararam o modelo pré-treinado com um modelo personalizado treinado especificamente para zebrafish ("rerio model").
• Fluxo de Trabalho do Plugin (fishROI):
  1. Segmentação: Suporte para Labkit e Cellpose (com scripts de conversão de anotações ROI do FIJI para o formato do Cellpose).
  2. Limpeza Manual de ROI: Ferramentas integradas para corrigir fusões de fibras, remover ROIs indesejadas em massa e salvar automaticamente o progresso.
  3. Quantificação e Visualização: Geração de mapas de calor baseados em parâmetros morfológicos (área, circularidade, intensidade).
  4. Análise de Variabilidade Espacial: Implementação de um script em Julia (acessado via plugin) para calcular o Coeficiente de Variação (CoV) da área das fibras em janelas deslizantes ao redor do miotomo, quantificando a heterogeneidade local.

3. Resultados Principais

• Superioridade da Falaoidina + Deep Learning: A combinação de coloração citoplasmática com o modelo Cellpose (cyto3) superou significativamente o Labkit, especialmente em tecidos larvais onde as fibras são densamente empacotadas. O Cellpose pré-treinado já alcançou ~80% de precisão na detecção de fibras sem necessidade de re-treinamento.
• Melhoria com Modelos Personalizados: O treinamento de um modelo específico para zebrafish ("rerio") não aumentou drasticamente a taxa de verdadeiros positivos, mas reduziu significativamente a taxa de falsos positivos (rejeitando melhor artefatos e regiões não musculares) em todas as etapas de desenvolvimento.
• Validação da Hiperplasia Mosaica: O uso do Coeficiente de Variação (CoV) local permitiu identificar quantitativamente zonas de crescimento hiperplástico. Peixes juvenis (com hiperplasia ativa) mostraram CoV elevado no miotomo profundo, enquanto larvas iniciais (sem hiperplasia) apresentaram CoV baixo, validando a métrica como um indicador robusto de dinâmica de crescimento.
• Flexibilidade do Plugin: O plugin foi testado com sucesso em diferentes estágios de desenvolvimento (larval a juvenil) e suporta múltiplos formatos de arquivo e protocolos de coloração.

4. Contribuições Chave

1. Plugin fishROI: Uma ferramenta de código aberto (disponível no GitHub) que unifica a segmentação, limpeza de dados, quantificação e visualização de morfometria muscular em teleósteos dentro do ecossistema FIJI.
2. Protocolo Otimizado: Demonstração de que a coloração citoplasmática (Falaoidina) combinada com modelos de segmentação de aprendizado profundo é a abordagem mais robusta para peixes, superando as limitações dos marcadores de membrana.
3. Nova Métrica Quantitativa: Introdução de uma metodologia padronizada para quantificar a heterogeneidade espacial de fibras (via CoV local), permitindo a análise objetiva da hiperplasia mosaica, anteriormente avaliada apenas qualitativamente.
4. Arquitetura Modular: O design do plugin permite a integração de novos algoritmos de segmentação e é adaptável a diferentes espécies e condições experimentais, não sendo restrito apenas ao zebrafish.

5. Significância

Este trabalho preenche uma lacuna crítica na biologia muscular de vertebrados não mamíferos. Ao fornecer um fluxo de trabalho acessível, automatizado e adaptável, o fishROI permite que pesquisadores realizem análises de morfometria em larga escala em teleósteos com precisão anteriormente inatingível. Isso facilita estudos sobre crescimento muscular, regeneração e doenças musculares em modelos peixes, além de oferecer uma base para a análise de outras espécies com heterogeneidade muscular complexa. A ferramenta democratiza o uso de inteligência artificial na biologia, permitindo que biólogos realizem análises complexas sem depender exclusivamente de especialistas em ciência de dados.