El software inteligente soluciona un rompecabezas con células vegetales

Imagina trabajar en un rompecabezas con tantas piezas que incluso los bordes parecen indistinguibles de otros en el centro del rompecabezas. La solución parece casi imposible. Y, para empeorar las cosas, este rompecabezas está en un escenario futurista donde las piezas no sólo son numerosas, sino que cambian constantemente. De hecho, no sólo debes resolver el puzle, sino también “des-resolverlo” para analizar cómo cada pieza enfoca la imagen por completo.

Ese es el desafío que enfrentan los biólogos moleculares y celulares al clasificar las células para estudiar el origen estructural de un organismo y la forma en que se desarrolla, conocido como morfogénesis. Si tan sólo hubiera una herramienta que pudiera ayudar. Un artículo de eLife publicado esta semana muestra que ahora la hay.

Un grupo de investigación del LEBM dirigido por Anna Kreshuk, científica en computación y experta en aprendizaje de máquinas, se unió al consorcio FOR2581 financiado por el DFG de biólogos de plantas y científicos en computación para desarrollar una herramienta que pudiera resolver este rompecabezas celular. Comenzando con un código informático y pasando a una interfaz gráfica más fácil de usar llamada PlantSeg, el equipo construyó un método sencillo de acceso abierto para proporcionar el análisis más preciso y versátil del desarrollo de tejidos vegetales hasta la fecha. El grupo incluía expertos del EMBL, la Universidad de Heidelberg, la Universidad Técnica de Munich, y el Instituto Max Planck de Investigación de Mejora de Plantas en Colonia.

“Construir algo como PlantSeg que pueda tomar una perspectiva tridimensional de las células y realmente separarlas todas es sorprendentemente difícil de hacer, considerando lo fácil que es para los humanos”, dice Kreshuk. “Los ordenadores no son tan buenos como los humanos cuando se trata de la mayoría de las tareas relacionadas con la visión, por regla general. Con todos los recientes desarrollos en aprendizaje profundo e inteligencia artificial en general, estamos más cerca de resolver esto ahora, pero aún no está resuelto… no para todas las condiciones. Este documento es la presentación de nuestro enfoque actual, que tomó algunos años para construir”.

Si los investigadores quieren mirar la morfogénesis de los tejidos a nivel celular, necesitan tomar imágenes de las células individuales. Muchas células significa que también tienen que separarlas o “segmentarlas” para ver cada célula individualmente y analizar los cambios a lo largo del tiempo.

“En las plantas, tienes células que parecen extremadamente regulares que en un corte transversal parecen rectángulos o cilindros”, dice Kreshuk. “Pero también tienes células con los llamados ‘lóbulos altos’ que tienen protuberancias, haciéndolas parecer más como piezas de rompecabezas. Son más difíciles de segmentar debido a su irregularidad”.

El equipo de Kreshuk entrenó a PlantSeg en imágenes microscópicas en 3D de los órganos reproductivos y en el desarrollo de las raíces laterales de un modelo de planta común, Arabidopsis thaliana, también conocida como berro de Thale. El algoritmo necesitaba tener en cuenta las inconsistencias en el tamaño y la forma de las células. A veces las células eran más regulares, a veces menos. Como señala Kreshuk, esta es la naturaleza del tejido.

Un lado hermoso de esta investigación provino de la microscopía y las imágenes que proporcionó al algoritmo. Los resultados se manifestaron en coloridas representaciones que delinearon las estructuras celulares, haciendo más fácil “ver” realmente la segmentación.

“Tenemos tableros de rompecabezas gigantes con miles de células y luego estamos esencialmente coloreando cada una de estas piezas de rompecabezas con un color diferente”, dice Kreshuk.

Los biólogos de plantas han necesitado durante mucho tiempo este tipo de herramienta, ya que la morfogénesis está en el centro de muchas cuestiones de la biología del desarrollo. Este tipo de algoritmo permite todo tipo de análisis relacionado con la forma, por ejemplo, el análisis de los cambios de forma a través del desarrollo o bajo un cambio en las condiciones ambientales, o entre especies. En el documento se dan algunos ejemplos, como la caracterización de los cambios de desarrollo en los óvulos, el estudio de la primera división celular asimétrica que inicia la formación de la raíz lateral, y la comparación y el contraste de la forma de las células de las hojas entre dos especies de plantas diferentes.

Aunque esta herramienta actualmente se dirige específicamente a las plantas, Kreshuk señala que podría ser ajustada para ser utilizada también por otros organismos vivos.

Los algoritmos basados en el aprendizaje automático, como los que se utilizan en el núcleo de PlantSeg, se entrenan a partir de ejemplos de segmentación correcta. El grupo ha entrenado a PlantSeg en muchos volúmenes de tejido vegetal, de modo que ahora generaliza bastante bien los datos de plantas no vistas. Sin embargo, el método subyacente es aplicable a cualquier tejido con tinción de los límites celulares y se podría volver a entrenar fácilmente para el tejido animal.

“Si tienes un tejido en el que tienes una tinción de frontera, como las paredes celulares en las plantas o las membranas celulares en los animales, esta herramienta puede ser utilizada”, dice Kreshuk. “Con esta tinción y a una resolución suficientemente alta, las células vegetales se ven muy similares a nuestras células, pero no son exactamente lo mismo. La herramienta ahora mismo está realmente optimizada para las plantas. Para los animales, probablemente tendríamos que volver a entrenar partes de ella, pero funcionaría”.

Actualmente, PlantSeg es una herramienta independiente pero que el equipo de Kreshuk eventualmente se fusionará con otra herramienta en la que su laboratorio está trabajando, el flujo de trabajo de ilastik Multicut.