Een onderzoeksgroep onder leiding van Anna Kreshuk, een computerwetenschapper en expert in machine learning, heeft met een consortium van plantenbiologen en computerwetenschappers werkt aan een hulpmiddel op basis van deep learning om een complexe biologische cellulaire legpuzzel op te lossen.
Stel je voor dat je aan een legpuzzel werkt met zoveel stukjes dat zelfs de randen niet te onderscheiden lijken van andere in het midden van de puzzel. De oplossing lijkt bijna onmogelijk. En om het nog erger te maken: deze puzzel bevindt zich in een futuristische setting waar de stukjes niet alleen talrijk zijn, maar ook steeds veranderen. In feite moet je niet alleen de puzzel oplossen, maar deze ook “ongedaan maken” om te ontleden hoe elk stuk de afbeelding volledig in beeld brengt.
Uitdaging
Dat is de uitdaging waarmee moleculaire en cellulaire biologen worden geconfronteerd bij het doorzoeken van cellen om de structurele oorsprong van een organisme en de manier waarop het zich ontwikkelt te bestuderen, ook wel bekend als morfogenese. Was er maar een tool die kon helpen. Een eLife-paper die deze week uitkwam, laat zien dat er nu is.
Oplossen
Een EMBL-onderzoeksgroep onder leiding van Anna Kreshuk, een computerwetenschapper en expert in machine learning, sloot zich aan bij het door de DFG gefinancierde FOR2581-consortium van plantenbiologen en computerwetenschappers om een hulpmiddel te ontwikkelen dat deze cellulaire legpuzzel zou kunnen oplossen. Beginnend met computercode en vervolgens naar een gebruiksvriendelijkere grafische interface genaamd PlantSeg, bouwde het team een eenvoudige open-access-methode om de meest nauwkeurige en veelzijdige analyse van de ontwikkeling van plantenweefsel tot nu toe te bieden. De groep omvatte expertise van EMBL, Universiteit van Heidelberg, de Technische Universiteit van München en het Max Planck Instituut voor Onderzoek naar Plantenveredeling in Keulen.
Deep learning
“Het bouwen van zoiets als PlantSeg dat een 3D-perspectief van cellen kan aannemen en ze eigenlijk allemaal kan scheiden, is verrassend moeilijk om te doen, gezien hoe gemakkelijk het is voor mensen”, zegt Kreshuk. “Computers zijn in de regel niet zo goed als mensen als het gaat om de meeste vision-gerelateerde taken. Met alle recente ontwikkelingen op het gebied van deep learning en kunstmatige intelligentie in het algemeen, zijn we nu dichter bij het oplossen van dit probleem, maar het is nog steeds niet opgelost. – niet voor alle omstandigheden. Dit document is de presentatie van onze huidige aanpak, die enkele jaren heeft gekost om te bouwen. ”
Cellen
Als onderzoekers de morfogenese van weefsels op cellulair niveau willen bekijken, moeten ze individuele cellen in beeld brengen. Veel cellen betekent dat ze ze ook moeten scheiden of “segmenteren” om elke cel afzonderlijk te zien en de veranderingen in de tijd te analyseren. “In planten heb je cellen die er extreem regelmatig uitzien, die in dwarsdoorsnede op rechthoeken of cilinders lijken”, zegt Kreshuk. “Maar je hebt ook cellen met een zogenaamde ‘hoge lobbenheid’ die uitsteeksels hebben, waardoor ze meer op puzzelstukjes lijken. Deze zijn door hun onregelmatigheid moeilijker te segmenteren.”
Plantenmodel
Het team van Kreshuk trainde PlantSeg op 3D-microscoopbeelden van voortplantingsorganen en de ontwikkeling van zijwortels van een algemeen plantenmodel, Arabidopsis thaliana, ook wel bekend als zandraket. Het algoritme moest rekening houden met de inconsistenties in celgrootte en vorm. Soms waren cellen regelmatiger, soms minder. Zoals Kreshuk opmerkt, is dit de aard van weefsel.
Zien
Een mooie kant van dit onderzoek kwam van de microscopie en de afbeeldingen die het aan het algoritme leverde. De resultaten kwamen tot uiting in kleurrijke weergaven die de cellulaire structuren afbakenen, waardoor het gemakkelijker werd om segmentatie echt te “zien”. “We hebben gigantische puzzelborden met duizenden cellen en dan kleuren we in wezen elk van deze puzzelstukken met een andere kleur”, zegt Kreshuk.
Gereedschap
Plantenbiologen hebben dit soort gereedschap lang nodig gehad, aangezien morfogenese de kern vormt van veel ontwikkelingsbiologische vragen. Dit soort algoritme maakt allerlei vormgerelateerde analyses mogelijk, bijvoorbeeld analyse van vormveranderingen door ontwikkeling of onder een verandering in omgevingscondities, of tussen soorten. Het artikel geeft enkele voorbeelden, zoals het karakteriseren van ontwikkelingsveranderingen in eitjes, het bestuderen van de eerste asymmetrische celdeling die de vorming van de zijwortel initieert, en het vergelijken en contrasteren van de vorm van bladcellen tussen twee verschillende plantensoorten.
Algoritmen
Hoewel deze tool momenteel specifiek op planten is gericht, wijst Kreshuk erop dat het kan worden aangepast om ook voor andere levende organismen te worden gebruikt. Op machine learning gebaseerde algoritmen, zoals die in de kern van PlantSeg worden gebruikt, worden getraind op basis van correcte segmentatievoorbeelden. De groep heeft PlantSeg op veel plantweefselvolumes getraind, zodat het nu vrij goed generaliseert naar ongeziene plantgegevens. De onderliggende methode is echter toepasbaar op elk weefsel met celgrenskleuring en men zou het gemakkelijk kunnen herscholen voor dierlijk weefsel.
Weefsel
“Als je weefsel hebt waar je een grensverkleuring hebt, zoals celwanden in planten of celmembranen bij dieren, kan dit hulpmiddel worden gebruikt”, zegt Kreshuk. “Met deze kleuring en met een resolutie die hoog genoeg is, lijken plantencellen erg op onze cellen, maar ze zijn niet helemaal hetzelfde. De tool is nu echt geoptimaliseerd voor planten. Voor dieren zouden we waarschijnlijk delen ervan moeten omscholen, maar het zou werken. ”
Momenteel is PlantSeg een onafhankelijke tool, maar een die het team van Kreshuk uiteindelijk zal samenvoegen met een andere tool waar haar lab aan werkt, de ilastik Multicut-workflow.
Beeld: Kreshuk group/EMBL and Hamprecht lab/HCI Heidelberg University
