顯微鏡是表徵細胞和亞細胞結構和動力學的有力工具。雖然顯微鏡技術的進步為在細菌的單細胞水平上定量和精確地測量形態和分子現象提供了巨大的希望，但對於顯微鏡圖像的定量分析仍然是一個挑戰，因為許多細菌只能在可見光波長的範圍內被顯現。
兩年前，科學家們開發出一種基於深度學習的分割方法，名為Cellpose，它可以從各種圖像類型中精確分割細胞，並且不需要模型重新訓練或進行參數調整。然而，該方法仍受到獨立於細胞形態或光學特性方法的限制。
近日，發表在《Nature Methods》上的一項新研究中，來自華盛頓大學的研究團隊開發了深度神經網路圖像分割演算法——Omnipose。經過大型細菌圖像資料庫訓練的Omnipose在描述和量化混合微生物培養物中的各種細菌方面表現良好，並消除了使用其前身工具Cellpose時可能出現的錯誤。
眾所周知，細菌除了身材微小以外，還具有多種形態。雖然普遍研究的細菌基本都近似於棒狀或球狀，但還有的細菌是其他形態，如螺旋狀。此外，微流體裝置使研究人員可以捕捉細菌對抗生素等各種治療的反應，但在這一過程中通常能導致細菌產生不規則的形態。這些形態特性會使現有深度學習工具很難從顯微圖像中判斷出存在哪些細菌。
在這項新研究中，該團隊開發了深度神經網路圖像分割演算法Omnipose。獨特的網路輸出（例如距離場的梯度）允許Omnipose準確分割現有演算法（包括其前身 Cellpose）產生錯誤的細胞。
研究表明，Omnipose在混合細菌培養物、抗生素處理的細胞，以及細長或分支形態的細胞上實現了前所未有的分割性能。此外，Omnipose在克服由於不同細菌的光學特性差異而造成的識別問題方面做得更出色。 該演算法增強的細胞分割性能促進了對微生物系統的獨特見解。
Omnipose可以準確識別中毒的大腸桿菌細胞
不過，在將擁擠的微生物群落3D樣本以2D方式再現時，Omnipose還存在一些限制。例如，圖像中的元素重疊會產生錯覺效果。此外，當細菌大小低於某個閾值時，Omnipose很難檢測出來。
儘管如此，在分析快速生長的擬南芥根原始數據集中的細胞時，Omnipose可以顯示出一些在3D樣本中優於現有方法的優勢。
雖然還存在一些缺點，但是研究人員認為，Omnipose可以是一種幫助解答細菌細胞生物學中各種問題的解決方案。
為了驗證Omnipose是否也能成為其他依賴顯微鏡的生物科學甚至非生命科學領域的多功能工具，該團隊嘗試用Omnipose對秀麗隱桿線蟲（C.elegans）的顯微鏡圖像進行分析。C.elegans是遺傳學、神經科學、發育和微生物行為研究中一種重要的模式生物。C.elegans以細菌為食，如同一些細菌一樣，C. elegans也是線狀，可以自由扭曲成各種形態。
測試顯示，無論是伸展、收縮還是其他各種運動，Omnipose都能識別出C.elegans。研究人員表示，這種能力在延時追蹤線蟲運動期間的神經研究中可能會非常有用。
目前，該團隊已經公開了Omnipose的源代碼、訓練數據和模型，還提供了關於安裝和使用Omnipose的完整文檔。
他們預計，Omnipose在不同的細胞形態和模式下的優秀表現，可能會從顯微鏡圖像中解鎖以前無法獲得的信息。Omnipose甚至可能會改變生物圖像分析的遊戲規則。
論文鏈接：
https://www.nature.com/articles/s41592-022-01639-4
Omnipose完整文檔：
https://omnipose.readthedocs.io/
