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

Para compreender o mundo bacteriano, os cientistas frequentemente precisam olhar para as extremidades de uma célula. As bactérias são organismos unicelulares minúsculos que podem causar contaminação persistente em hospitais ou obstruir tubulações industriais. Muitas delas, como a variedade Gram-negativa, são envoltas em duas camadas protetoras: uma membrana interna e uma membrana externa. Entre essas camadas existe um espaço fino que pode mudar de forma quando a bactéria está estressada ou combatendo um antibiótico. Para visualizar essas estruturas delicadas com clareza, os pesquisadores utilizam uma técnica chamada criomicroscopia eletrônica. Este método congela rapidamente as bactérias em uma fina camada de gelo, preservando-as em um estado quase natural para que possam ser imagens sem os corantes químicos pesados que geralmente distorcem sua forma. No entanto, há um problema. Essas amostras congeladas são incrivelmente frágeis. Se o feixe de elétrons usado para tirar a foto for muito forte, ele queima a amostra e destrói os próprios detalhes que os cientistas tentam ver. Se o feixe for muito fraco, a imagem fica granulada demais para distinguir as membranas finas ou as caudas chicoteantes, chamadas flagelos, que ajudam as bactérias a nadar.

Este delicado equilíbrio tem limitado há muito tempo o quanto os cientistas podem aprender sobre as populações bacterianas. Eles podem ou tirar uma foto rápida de baixa dose de uma grande área e ver poucos detalhes, ou podem tirar uma foto de alta dose de um ponto minúsculo e ver grandes detalhes, mas perder a visão do todo. Um novo conjunto de dados chamado TileBac, criado por pesquisadores do Oak Ridge National Laboratory, oferece uma maneira de quebrar essa troca. A equipe coletou uma biblioteca massiva de imagens de uma bactéria específica, Pantoea sp. YR343, que vive no solo ao redor das raízes de árvores poplars. Eles fizeram isso tirando panoramas de campo amplo das bactérias congeladas e, em seguida, cortando-os em pedaços menores e mais manejáveis. Crucialmente, eles anotaram cada peça manualmente, desenhando contornos precisos ao redor das membranas interna e externa e dos flagelos. Isso cria um campo de treinamento para computadores, permitindo que a inteligência artificial aprenda a detectar essas estruturas tênues mesmo nas imagens mais granuladas e de menor dose.

Os pesquisadores abordaram este desafio criando dois conjuntos distintos de dados, cada um projetado para ensinar algo diferente aos computadores. O primeiro conjunto foca nos envelopes bacterianos. Eles tiraram imagens de campo amplo das bactérias em uma dose de radiação extremamente baixa, apenas quatro elétrons por angstrom quadrado. Nesse nível, as imagens são muito ruidosas e as membranas são quase invisíveis ao olho humano. Para dar sentido a elas, a equipe desenhou manualmente polígonos ao redor das membranas interna e externa em milhares de fragmentos de imagem. Eles então usaram esses mapas desenhados à mão para treinar cinco tipos diferentes de modelos de visão computacional. O objetivo era ver se uma máquina poderia aprender a distinguir as duas camadas de membrana mesmo quando o sinal era incrivelmente fraco. Os resultados mostraram que, embora alguns modelos tivessem dificuldades, outros, particularmente aqueles projetados para encontrar regiões preenchidas em vez de apenas linhas, conseguiram identificar as membranas com sucesso. Isso prova que, com os dados de treinamento corretos, os computadores podem aprender a ver estruturas que são quase invisíveis para nós.

A segunda parte do conjunto de dados aborda o problema do movimento e da adesão bacteriana. As bactérias usam flagelos longos e finos para nadar, e essas estruturas são vitais para como elas aderem às superfícies. Os pesquisadores coletaram imagens de bactérias com flagelos em uma dose ligeiramente superior, quarenta elétrons por angstrom quadrado, o que ainda é considerado baixa dose, mas fornece detalhes muito mais claros. Eles também registraram esses mesmos campos de visão como filmes, capturando quarenta quadros separados para cada imagem. Esta é uma característica poderosa porque permite que os cientistas reconstruam a imagem em qualquer nível de dose que escolherem. Eles podem somar apenas um quadro para ver como as bactérias parecem na dose mais baixa possível, ou somar todos os quarenta quadros para ver a versão mais clara possível. Ao manter exatamente as mesmas bactérias na mesma posição em todas essas doses, os pesquisadores criaram um campo de teste perfeito para ver como o desempenho dos modelos computacionais muda conforme a qualidade da imagem varia de muito borrada para muito clara.

O que torna este conjunto de dados verdadeiramente único é o nível de detalhe nas anotações. Em estudos anteriores, os cientistas poderiam apenas marcar onde uma bactéria estava. Aqui, os pesquisadores desenharam formas específicas ao redor da membrana interna e da membrana externa como entidades separadas. Eles descobriram que a membrana interna e a externa envolvem áreas que se sobrepõem significamente, com a área interna situada perfeitamente dentro da externa. Este nível de precisão é raro em bancos de dados públicos. A equipe também descobriu que diferentes modelos computacionais "veem" o mundo de maneiras diferentes. Alguns modelos, como os baseados em um sistema chamado YOLO, aprenderam a desenhar a membrana externa como uma linha muito fina, quase como uma estrutura de arame. Outros modelos, como o U-Net e o SAM, aprenderam a preencher toda a área dentro da membrana. Ambas as abordagens são válidas, mas exigem formas diferentes de medir o sucesso. Os pesquisadores mostraram que, se você observar apenas quanta área o modelo cobre, os modelos de linha fina parecem ter falhado. Mas, se você medir o quão próxima a linha está da borda real, esses mesmos modelos tiveram um excelente desempenho. Essa distinção é crítica para pesquisas futuras, pois diz aos cientistas que eles devem escolher a ferramenta certa para o trabalho, dependendo se precisam saber a forma do limite ou o tamanho da área.

O conjunto de dados também aborda um problema comum em imagens de larga escala chamado costura (stitching). Quando os cientistas tiram um panorama de uma grande área, eles precisam combinar muitas imagens menores. Se o computador não as alinhar perfeitamente, as costuras entre as imagens podem cortar justamente uma bactéria, fazendo com que ela pareça quebrada ou distorcida. O conjunto de dados TileBac inclui tanto os panoramas originais quanto os fragmentos menores, permitindo que os pesquisadores testem o quão bem seu software pode costurar as imagens sem perder a integridade das células. Eles descobriram que o conjunto de dados não contém células sobrepostas, o que significa que é perfeito para testar como os computadores separam bactérias individuais, mas não pode ser usado para testar como os computadores lidam com bactérias que estão amontoadas umas sobre as outras. Essa honestidade sobre os limites do conjunto de dados é tão importante quanto os próprios dados, pois evita que outros cientistas tirem conclusões falsas.

Ao liberar todos esses dados, juntamente com os modelos computacionais que treinaram e o código usado para analisá-los, a equipe da Oak Ridge forneceu um novo padrão para a área. Eles demonstraram que é possível coletar grandes áreas de amostras bacterianas em doses tão baixas que anteriormente eram consideradas ruidosas demais para serem úteis. Demonstraram que, com anotação manual cuidadosa, os computadores podem aprender a encontrar essas estruturas tênues. E forneceram uma ferramenta flexível que permite aos pesquisadores estudar como a qualidade da imagem afeta a capacidade de ver a vida na escala nanométrica. Este trabalho não resolve todos os problemas da imagem bacteriana, mas fornece os blocos de construção essenciais para a próxima geração de ferramentas. Ele permite que os cientistas pasam de observar algumas poucas imagens de alta qualidade sorteadas para analisar populações inteiras de bactérias com confiança estatística, abrindo as portas para uma compreensão mais profunda de como esses organismos minúsculos interagem com o ambiente e com os materiais que tocam.