Forestil dig at arbejde på et puslespil med så mange brikker, at selv kanterne ikke kan skelnes fra andre i puslespillets centrum. Løsningen virker næsten umulig. Og for at gøre tingene værre, er dette puslespil i en futuristisk setting, hvor brikkerne ikke kun er talrige, men altid skiftende. Faktisk skal du ikke kun løse puslespillet, men også "afløse" det for at analysere, hvordan hver brik bringer billedet helt i fokus.
Det er den udfordring, molekylær- og cellebiologer står over for, når de sorterer gennem celler for at studere en organismes strukturelle oprindelse og den måde, den udvikler sig på, kendt som morfogenese. Hvis bare der var et værktøj, der kunne hjælpe. Et eLife-avis, der udkom i denne uge, viser, at der er det nu.
En EMBL-forskningsgruppe ledet af Anna Kreshuk, en datalog og ekspert i maskinlæring, sluttede sig til det DFG-finansierede FOR2581-konsortium af plantebiologer og dataforskere for at udvikle et værktøj, der kunne løse dette cellulære puslespil. Startende med computerkode og videre til en mere brugervenlig grafisk grænseflade kaldet PlantSeg, byggede teamet en simpel åben adgangsmetode til at give den mest nøjagtige og alsidige analyse af plantevævsudvikling til dato. Gruppen omfattede ekspertise fra EMBL, Heidelberg Universitet, Münchens Tekniske Universitet og Max Planck Institute for Plant Breeding Research i Köln.
"At bygge noget som PlantSeg, der kan tage et 3D-perspektiv af celler og faktisk adskille dem alle, er overraskende svært at gøre, i betragtning af hvor nemt det er for mennesker," siger Kreshuk. "Computere er som regel ikke så gode som mennesker, når det kommer til de fleste synsrelaterede opgaver. Med al den seneste udvikling inden for deep learning og kunstig intelligens som helhed er vi tættere på at løse dette nu, men det er stadig ikke løst - ikke under alle forhold. Dette papir er præsentationen af vores nuværende tilgang, som det tog nogle år at bygge."
Hvis forskere ønsker at se på morfogenesen af væv på celleniveau, er de nødt til at afbilde individuelle celler. Masser af celler betyder, at de også skal adskille eller "segmentere" dem for at se hver celle individuelt og analysere ændringerne over tid.
"I planter har du celler, der ser ekstremt regelmæssige ud, som i et tværsnit ligner rektangler eller cylindre," siger Kreshuk. "Men du har også celler med såkaldt 'høj lobeness', der har fremspring, hvilket får dem til at ligne mere puslespilsbrikker. Disse er sværere at segmentere på grund af deres uregelmæssighed."
Kreshuks team trænede PlantSeg i 3D-mikroskopbilleder af reproduktive organer og udviklende siderødder af en almindelig plantemodel, Arabidopsis thaliana, også kendt som thale karse. Algoritmen var nødvendig for at tage højde for uoverensstemmelserne i cellestørrelse og form. Nogle gange var celler mere regelmæssige, nogle gange mindre. Som Kreshuk påpeger, er dette vævets natur.
En smuk side af denne forskning kom fra mikroskopi og billeder, den gav til algoritmen. Resultaterne manifesterede sig i farverige gengivelser, der afgrænsede de cellulære strukturer, hvilket gør det nemmere at virkelig "se" segmentering.
"Vi har gigantiske puslespilstavler med tusindvis af celler, og så farver vi i det væsentlige hver enkelt af disse puslespilsbrikker med en anden farve," siger Kreshuk.
Plantebiologer har længe haft brug for denne form for værktøj, da morfogenese er kernen i mange udviklingsbiologiske spørgsmål. Denne form for algoritme giver mulighed for alle former for formrelateret analyse, for eksempel analyse af formændringer gennem udvikling eller under en ændring i miljøforhold, eller mellem arter. Artiklen giver nogle eksempler, såsom karakterisering af udviklingsændringer i æggene, undersøgelse af den første asymmetriske celledeling, som initierer dannelsen af sideroden, og sammenligning og kontrast af bladcellernes form mellem to forskellige plantearter.
Mens dette værktøj i øjeblikket er specifikt rettet mod planter, påpeger Kreshuk, at det kunne justeres til også at blive brugt til andre levende organismer.
Machine learning-baserede algoritmer, som dem der bruges i kernen af PlantSeg, trænes ud fra korrekte segmenteringseksempler. Gruppen har trænet PlantSeg på mange plantevævsvolumener, så det nu generaliserer ganske godt til usete plantedata. Den underliggende metode er dog anvendelig til ethvert væv med cellegrænsefarvning, og man kunne nemt genoptræne det til dyrevæv.
"Hvis du har væv, hvor du har en grænsefarvning, som cellevægge i planter eller cellemembraner hos dyr, kan dette værktøj bruges," siger Kreshuk. "Med denne farvning og i høj nok opløsning ligner planteceller meget vores celler, men de er ikke helt ens. Værktøjet lige nu er virkelig optimeret til planter. For dyr ville vi nok skulle genoptræne dele af det, men det er en god ide." men det ville virke."
PlantSeg er i øjeblikket et uafhængigt værktøj, men et som Kreshuks team med tiden vil fusionere til et andet værktøj, hendes laboratorium arbejder på, ilastik Multicut workflow.
