L’analyse par imagerie microscopique est un élément crucial de la biochimie et de la médecine, avec des progrès significatifs en termes de précision et de vitesse grâce aux méthodes d’apprentissage automatique et à l’amélioration du calcul. Ces avancées techniques peuvent aider les chercheurs à adapter en ligne les plans expérimentaux de microscopie pour obtenir des informations en temps réel sur les observations expérimentales. Dans une nouvelle étude publiée aujourd’hui dans Communication NatureZachary R. Fox et une équipe de scientifiques interdisciplinaires en France et aux États-Unis ont développé MicroMator, un logiciel ouvert et flexible intégré à Python conduire des expériences de microscopie réactive. À l’aide du cadre expérimental, ils ont effectué une adaptation dynamique de la microscopie à fluorescence sur des bactéries pour montrer le potentiel de MicroMator pour le suivi en temps réel et les expériences de ciblage au niveau de la cellule unique dans deux études de cas principales.
Logiciel pour la microscopie réactive
L’automatisation de la microscopie peut être régulé avec un logiciel intelligent pour soutenir des expériences reproductibles de microscopie à haut débit. Cependant, de nombreuses expériences de ce type ne peuvent pas être modifiées par des interventions humaines ou informatiques, tant que l’expérience est en cours. Par exemple, lors d’une expérience réactive, un chercheur peut avoir besoin de déclencher une mise au point automatique lors de la perte de mise au point, de détecter des événements rares et d’adapter la routine d’imagerie ou même d’envoyer un e-mail pour mettre en évidence la détection d’anomalies intéressantes nécessitant une intervention humaine non planifiée. Alors que la technologie d’analyse d’images a fait de grands progrès avec logiciel d’apprentissage en profondeur, la portée complète de l’automatisation de la microscopie reste à explorer. Dans ce travail, Fox et al ont présenté MicroMator, un logiciel qui prend en charge les expériences de microscopie réactive et ont exploré deux études de cas comme preuve de concept.
Implémentation du logiciel MicroMator
Lors des expérimentations, l’équipe a utilisé MicroMator pour définir des analyses microscopiques via une boucle principale d’acquisition d’images qui servait de colonne vertébrale aux expérimentations, pour créer des fonctions et mettre en œuvre la réactivité. En conséquence, l’équipe a modifié la boucle d’acquisition principale par rapport aux effets des événements au cours de l’expérience. Ils ont conçu le logiciel en utilisant Python 3, un algorithme open-source avec une conception modulaire, où MicroMator a fourni un logiciel en ligne de commande pour lire les fichiers de configuration définissant les expériences réactives. MicroMator a également inclus des fichiers générés par Micro-Manager pour spécifier les positions d’intérêt au cours de l’expérience. L’équipe a créé des événements après chaque acquisition d’image pour concevoir des expériences très complexes, ils ont eu besoin de compétences en programmation Python dans un premier temps pour développer le logiciel, pour le débogage, la maintenance et la réutilisation. Au cours de l’étude, Fox et al ont conçu des expériences pour réguler les processus cellulaires en temps réel, inspirées par études précédentes.
Études de cas : Expériences en temps réel sur des bactéries
En utilisant la configuration expérimentale, Fox et al ont étudié le Corynebacterium glutamicum souches, un organisme modèle pour comprendre Mycobacterium tuberculosis. Après avoir cultivé les cellules d’intérêt sur des tampons de gélose, les cellules ont exprimé marqueur du cycle cellulaire Wag31 fusionné à la protéine fluorescente mNeonGreen et le Colorant lipolytique rouge du Nil de la membrane cellulaire.
En règle générale, la complexité de l’expérience peut être surveillée via différents paramètres d’acquisition pour différentes périodes de temps, cependant, dans ce cas, pour surmonter de tels défis, Fox et al ont inclus MicroMator pour obtenir des valeurs de fluorescence ciblées pour les canaux rouges et verts, et ont acquis un certain nombre des positions et leur exposition respective au cours des expériences. L’équipe a ensuite mesuré la fluorescence intracellulaire pour effectuer une segmentation bactérienne sensible au temps via Cellpose—un algorithme généraliste basé sur le deep learning. Dans la deuxième étude de cas, l’équipe a utilisé un système optogénétique et le Journaliste de fluorescence mScarlet1 pour construire des cellules de levure sensibles à la lumière. Pour cela, l’équipe a stimulé différentes cellules dans le champ de vision via un dispositif de micromiroir numérique avec une segmentation d’imagerie en temps réel et des fonctionnalités de suivi des cellules pour réguler les niveaux d’expression des protéines dans une population cellulaire. Fox et al ont utilisé l’analyse d’image SegMator disponible dans la configuration, pour segmenter et suivre les cellules dans le champ de vision en temps réel et ont estimé le temps de fluorescence de la détection du rapporteur pour tenir compte du décalage entre la stimulation cellulaire et la détection de la fluorescence pendant l’expérience. Dans la troisième étude de cas, Fox et al ont construit un système de recombinaison artificielle chez la levure et ont utilisé différentes stratégies de stimulation lumineuse pour acquérir diverses structures de cellules recombinées. Les travaux ont montré comment certaines cellules étaient ciblées par erreur pour la recombinaison et ont vérifié la nécessité d’un logiciel réactif pour l’analyse d’images en temps réel à une résolution de cellule unique.
Perspectives
De cette façon, Zachary R. Fox et ses collègues ont présenté le logiciel MicroMator pour aider les plates-formes de microscopie automatisées à atteindre leur plein potentiel. La plate-forme peut être utilisée pour mener des expériences très complexes, cependant, l’équipe s’attend à automatiser principalement des expériences classiques, pour mettre en évidence la réactivité en microscopie. Le logiciel MicroMator est relativement simple et applicable dans la plupart des laboratoires de biologie quantitative dans le monde.
Zachary R. Fox et al, Activation de la microscopie réactive avec MicroMator, Communication Nature (2022). DOI : 10.1038/s41467-022-29888-z
Michael Eisenstein, Solutions intelligentes pour l’imagerie automatisée, Méthodes naturelles (2020). DOI : 10.1038/s41592-020-00988-2
© 2022 Réseau Science X