O uso de inteligência artificial (IA) para analisar imagens está emergindo como uma abordagem poderosa, menos tendenciosa e rápida em comparação com métodos comumente usados. Aqui treinamos a IA para reconhecer uma organela celular, cílios primários, e analisar propriedades como comprimento e intensidade de coloração de forma rigorosa e reprodutível.
Cília são apêndices celulares baseados em microtúbulos que funcionam como centros de sinalização para uma diversidade de vias de sinalização em muitos tipos de células de mamíferos. O comprimento de Cília é altamente conservado, fortemente regulado, e varia entre diferentes tipos de células e tecidos e tem sido implicado em impactar diretamente sua capacidade de sinalização. Por exemplo, cílios têm sido mostrados para alterar seus comprimentos em resposta à ativação de receptores ciliares de proteína G acoplado. No entanto, medir com precisão e reprodutivelmente os comprimentos de numerosos cílios é um procedimento demorado e intensivo em mão-de-obra. As abordagens atuais também são propensas a erros e viés. Programas de inteligência artificial (IA) podem ser utilizados para superar muitos desses desafios devido a capacidades que permitem assimilação, manipulação e otimização de conjuntos de dados extensos. Aqui, demonstramos que um módulo Ai pode ser treinado para reconhecer cílios em imagens tanto de amostras in vivo quanto in vitro. Depois de usar o Ai treinado para identificar cílios, somos capazes de projetar e utilizar rapidamente aplicações que analisam centenas de cílios em uma única amostra para comprimento, intensidade de fluorescência e co-localização. Essa abordagem imparcial aumentou nossa confiança e rigor ao comparar amostras de diferentes preparações neuronais primárias in vitro, bem como em diferentes regiões cerebrais dentro de um animal e entre animais. Além disso, essa técnica pode ser usada para analisar de forma confiável a dinâmica da cília de qualquer tipo de célula e tecido de forma de alto rendimento em várias amostras e grupos de tratamento. Em última análise, as abordagens baseadas em IA provavelmente se tornarão padrão à medida que a maioria dos campos se movem em direção a abordagens menos tendenciosas e mais reprodutíveis para aquisição e análise de imagens.
Cilia primária são organelas sensoriais surgindo da maioria das células mamíferastipos 1,2,3,4. Geralmente são apêndices solitários críticos para coordenar diversas vias de sinalização celular, integrando sinais extracelulares5,6,7. A cília primária desempenha papéis importantes durante o desenvolvimento embrionário e a homeostase do tecido adulto, e a interrupção de sua função ou morfologia está associada a vários distúrbios genéticos, que são coletivamente chamados de ciliopatias. Devido à natureza quase onipresente da cília, as ciliopatias estão associadas a uma ampla gama de características clínicas que podem impactar todos os sistemas de órgãos8,9,10,11,12. Em modelos animais de ciliopatias, a perda de estrutura ciliar ou capacidade de sinalização se manifesta em diversos fenótipos clinicamente relevantes, incluindo a obesidade associada à hiperfagia3,13,14,15. Em muitos sistemas de modelos, as alterações de comprimento de cílios têm sido demonstradas para impactar sua capacidade de sinalização e funções16,17,18,19. No entanto, existem vários desafios técnicos e demorados associados à avaliação precisa e reprodutível do comprimento e da composição da Cília.
O sistema nervoso central dos mamíferos adultos (SNC) é um contexto biológico que tem colocado um desafio para a compreensão da morfologia e da função da cília. Embora pareça que neurônios e células em todo o CNS possuem cílios, devido às ferramentas e habilidades limitadas para observar e analisar essas cílias, uma compreensão de suas funções permanece evasiva20. Por exemplo, o marcador de cília prototípico, acetilado α-tubulina, não rotula cília neuronal20. A dificuldade de estudar essas cílios foi parcialmente resolvida com a descoberta de vários receptores acoplados à proteína G (GPCR), máquinas de sinalização e proteínas associadas à membrana que são enriquecidas na membrana da cília neuronal21,22. Todas essas observações básicas simples sugerem a importância e a diversidade do CNS cilia, que até agora parece incomparável por outros tecidos. Por exemplo, a variação no comprimento do cílio e na localização do GPCR pode ser observada em todo o cérebro, com os comprimentos em certos núcleos neuronais sendo diferentes quando comparados com outros núcleos19,23. Da mesma forma, seu conteúdo GPCR e máquinas de sinalização mostram diversidade baseada na localização neuroanatomológica e no tipo neuronal2,24,25,26,27,28,29. Essas observações simples demonstram que o comprimento e a composição do mamífero CNS cilia são fortemente regulados, assim como em organismos modelo, como clamídomonas reinhardtii,mas o impacto dessas diferenças de comprimento na função cília, sinalização e, finalmente, comportamento permanece incerto16,30,31,32.
Medir com precisão o comprimento e a composição da cília prova ser um desafio técnico propenso a erros e irreproducibilidade do usuário. Atualmente, cilia in vivo e in vitro são mais frequentemente identificadas usando abordagens imunofluorescentes que rotulam proteínas ciliares ou alelos fluorescentes enriquecidos com cílios33,34,35. Os comprimentos desses cílios fluorescentes são então medidos a partir de uma imagem bidimensional (2D) usando ferramentas de medição de linha em programas de análise de imagem, como ImageJ36. Este processo não é apenas tedioso e trabalhoso, mas também propenso a viés e erro. Esses mesmos obstáculos surgem ao medir as intensidades de cílios, que ajudam a indicar mudanças na estrutura cílio37. Para minimizar as inconsistências nesses tipos de análises de imagem, os programas de inteligência artificial (IA) estão se tornando opções mais prevalentes e acessíveis38.
Ai é o avanço de sistemas de computador que usam a vantagem de algoritmos de computador e programação para executar tarefas que normalmente exigiriam inteligência humana39. Os dispositivos de IA são ensinados a perceber padrões, parâmetros e características recorrentes e tomar ações para maximizar as chances de criar resultados bem-sucedidos. A IA é versátil e pode ser treinada para reconhecer objetos ou estruturas de interesse específicas, como cílios, e depois ser programada para executar uma variedade de análises sobre os objetos identificados. Portanto, dados de imagem complexos podem ser gerados de forma rápida e reprodutiva pela Ai38. A análise de automação e IA das imagens capturadas aumentará a eficácia e a eficiência, limitando qualquer erro humano potencial e viés39. Estabelecer uma metodologia baseada em IA para identificação de cílios cria uma maneira consistente para todos os grupos de pesquisa analisarem e interpretarem dados de ília.
Aqui utilizamos um módulo Ai para identificar cilia tanto in vivo quanto in vitro em imagens 2D. Usando um conjunto de imagens de amostra, o Ai é treinado para identificar cílios. Uma vez que o treinamento é concluído, o Ai designado é usado para aplicar uma máscara binária sobre Ai identificado cílio em uma imagem. Os binários aplicados pela IA são modificáveis, se necessário, para garantir que todas as cílios nas imagens sejam devidamente identificadas e a identificação não específica seja eliminada. Depois de utilizar o IA para identificar cílios, os programas de análise geral (GA) personalizados são usados para realizar diferentes análises, como medir o comprimento do cílio e a intensidade da fluorescência. Os dados coletados são exportados para uma tabela que pode ser facilmente lida, interpretada e utilizada para análises estatísticas(Figura 1). O uso de tecnologia automatizada e Ai para identificar cílios e obter medições específicas entre grupos experimentais ajudará em estudos futuros que visam compreender o impacto da função cília do CNS e da morfologia na comunicação e comportamento celular-celular.
Medidas de comprimento e intensidade são formas comuns de análise da cília primária, porém, não há um método convencional padronizado utilizado no campo. A identificação e quantificação de cílios primários usando softwares como ImageJ é demorado e propenso a viés e erro do usuário. Isso dificulta a análise precisa de grandes conjuntos de dados. Aqui mostramos que o uso de um programa de IA pode superar muitos desses desafios tornando a análise de alto rendimento do ília primário alcançável. Aqui descrevemos o procedimento para o treinamento de um aplicativo baseado em IA para reconhecer cílios primários e delinear as etapas necessárias para analisar o comprimento e a intensidade.
Embora o treinamento inicial da IA para reconhecer cilia exija tempo significativo do usuário, uma vez concluído pode ser usado em qualquer conjunto de dados adquirido com os mesmos parâmetros. A máscara binária gerada pela IA é modificável para que quaisquer erros possam ser corrigidos. No entanto, erros na identificação de cílios devem sinalizar ao usuário que o Ai precisa ser mais treinado com imagens adicionais. Uma grande vantagem deste método é que o IA pode ser treinado para reconhecer cílios em diferentes tipos de amostra em 2D e 3D. Métodos de análise anteriores gerados dentro dos laboratórios têm várias limitações, incluindo a necessidade de limiares manuais para identificação e problemas de identificação de imagens de cílios de seções teciduais onde a densidade celular é alta36,46,47. Esses métodos também são especializados para análise de cílios, enquanto a análise utilizando o software NIS Elements pode avaliar vários aspectos das imagens simultaneamente. Como o Ai descrito aqui faz parte do pacote de software NIS Elements, as imagens adquiridas usando um microscópio Nikon podem ser facilmente continuadas até a análise. No entanto, não é necessário fazer imagens com Nikon para o uso deste método. Independentemente do formato de arquivo de dados brutos capturado, os arquivos “.tif” podem ser abertos pela NIS Elements para usar na IA.
Este aplicativo de IA dentro do NIS Elements está amplamente disponível e possivelmente já faz parte do software de análise de imagem em uso por laboratórios que estudam cílios primários. Com a prevalência da expansão da tecnologia de IA, outros softwares de imagem podem expandir suas opções de análise para incluir um módulo de IA semelhante. A aplicação da análise de IA à identificação de cílios pode ser utilizada para vários aspectos diferentes da análise de cílios. Embora tenhamos delineado métodos para algumas análises simples, como comprimento (Figura 2 e 3),intensidade(Figura 4) e colocalização(Figura 5)análises mais sofisticadas podem ser adicionadas ao fluxo de trabalho de análise GA3 como na Figura 6. Por exemplo, em vez de medir a intensidade de um cílio completo, as diferenças de intensidade dentro de uma sub-região de um círio podem ser de interesse para avaliar a localização sub-ciliar. Diferenças de intensidade dentro de uma sub-região de um círio podem indicar que a proteína está se acumulando na ponta ou na base do círio, como como as proteínas Gli são enriquecidas na ponta da cília48. Além disso, esta aplicação de IA pode ser usada para identificar facilmente diferenças entre genótipos ou grupos de tratamento. Embora nosso laboratório use principalmente este método para analisar imagens de cílios de seções cerebrais ou culturas neuronais, ele pode ser aplicado a imagens adquiridas de várias linhas celulares ou outros tipos de tecidos. A flexibilidade do tipo de amostra em que esta aplicação pode ser usada torna este método de análise valioso para muitos grupos diferentes que estudam cílios primários ou qualquer organela discreta que está sendo avaliada, como mitocôndrias, núcleo ou ER.
The authors have nothing to disclose.
Este trabalho foi financiado pelo National Institute of Diabetes and Digestive and Kidney Diseases R01 DK114008 para a NFB e o American Heart Association Fellowship Grant #18PRE34020122 à RB. Agradecemos a Rich Gruskin Gerente Geral da Nikon Software, Melissa Bentley, Courtney Haycraft e Teresa Mastracci por comentários perspicazes sobre o manuscrito.
Intel Xeon, 3.6 GHz, 32GB RAM | Intel Corporation | W-2123 | Processor used for running NIS Elements. |
Nikon Elements Software | Nikon Instruments Inc. | – | Ai and GA3 software |
Quadro RTX 4000 Graphics card | NVIDIA Corporation | Quadro RTX 4000 | |
Windows 10 Professional 64-bit | Microsoft Inc. | – | Operating system used for running NIS Elements |
Workstation | HP Development Company, L.P. | HP Z4G4 | Workstation used for running NIS Elements |