Una nueva forma de mejorar las imágenes del SARS-CoV-2

Los investigadores han informado de un método para eliminar el ruido de imágenes de microscopía electrónica de transmisión de alta resolución utilizando modelos generativos probabilísticos.

La microscopía electrónica (EM) es una técnica que se utiliza para ver los virus y sus procesos de infección, lo que nos permite ver cómo se adhieren a las células y se propagan por el cuerpo. La microscopía electrónica de transmisión (TEM) puede proporcionar imágenes nanométricas de alta resolución, pero estas imágenes con poca luz generalmente contienen una gran cantidad de ruido. Las imágenes de virus suelen aparecer planas o en 2D.

Varios algoritmos de reducción de ruido han ayudado a mejorar la calidad de la imagen, lo que permite una mejor interpretación de los datos. Para el síndrome respiratorio agudo severo coronavirus 2 (SARS-CoV-2), las imágenes EM también se han utilizado para reconstruir imágenes tridimensionales (3D) del virus.

Esto generalmente implica el uso de una gran cantidad de imágenes TEM, por ejemplo, para crear estructuras 3D a partir de proteínas. Un estudio utilizó tomografía de electrones fríos para registrar múltiples imágenes TEM del virus a medida que la muestra se inclina a lo largo del eje y se combinan las imágenes obtenidas con el software. Si solo hay disponibles imágenes borrosas, los métodos típicos como las redes neuronales de alimentación directa no se pueden utilizar porque requieren una gran cantidad de pares de imágenes limpias y ruidosas.

Reducir el ruido de una sola imagen TEM

En un nuevo estudio publicado en bioRxiv* En un servidor de preimpresión, investigadores de la Universidad Carl von Ossietzky Oldenburg informaron sobre un método para obtener imágenes en 3D del virus utilizando una sola imagen TEM.

Imagen de virus SARS-CoV-2 en cultivos de células Vero. Utilizamos los datos facilitados por Laue et al. (2021) que utilizó un microscopio electrónico de transmisión para particiones de plástico ultradelgadas. Basándonos en los datos, estimamos las variaciones de píxeles mientras aplicamos algoritmos probabilísticos de aprendizaje automático para reducir el ruido (Sheikh et al., 2014; Monk et al., 2018; Drefs et al., 2020). La imagen resultante de estas diferencias da una impresión espacial (ver también la Fig.1 complementaria, que muestra una comparación cercana entre una sección de la imagen EM ruidosa y las anomalías de píxeles estimadas correspondientes). La imagen que se muestra aquí se obtuvo después de mejorar el contraste y la tinción: las estructuras que identificamos manualmente como pertenecientes a una célula fueron coloreadas de azul (región inferior derecha) y el resto fueron coloreadas de amarillo.

Primero utilizaron modelos generativos probabilísticos para aprender la representación de datos de imágenes TEM. Estos métodos no están supervisados ​​y generalmente necesitan menos datos para ver las representaciones adecuadas. Si solo hay una imagen disponible para aprender, el procesamiento de imágenes es complicado. Sin embargo, los conocimientos esenciales de imágenes a menudo contienen información de alta calidad que se puede utilizar.

READ  Del mundo del ARN-péptido: condiciones de reacción prebióticas compatibles con membranas lipídicas para la formación de péptidos lipófilos aleatorios en presencia de oligonucleótidos cortos, y más.

Los investigadores utilizaron una imagen TEM disponible gratuitamente de SARS-CoV-2 en cultivos de células Vero y utilizaron datos ruidosos en forma de manchas extraídas de la imagen. Después de cortar la imagen a un tamaño más pequeño, redujeron a la mitad la densidad de píxeles eliminando cada segundo píxel para reducir la demanda computacional. Su enfoque para crear la imagen sin ruido fue estimando la media de cada píxel.

También procesaron la misma imagen utilizando otros modelos de probabilidad. El uso del modelo de mezcla Gamma-Poisson altera la apariencia espacial y, en menor grado, la apariencia de una imagen que tradicionalmente se ha reducido en ruido. Los modelos que dan una distribución de probabilidad explícita de los puntos de la imagen son importantes, mientras que los métodos de procesamiento de imágenes no locales eran menos apropiados.

La inspección óptica de la imagen con cancelación de ruido demostró que la calidad era comparable a la obtenida con algoritmos de última generación y una supresión de ruido efectiva en imágenes EM de alta resolución.

Imagen mejorada de microscopía electrónica «sin disparos» de los virus SARS-CoV-2 utilizando algoritmos probabilísticos de aprendizaje automático para reducir el ruido. La entrada (arriba a la izquierda) es una versión recortada y escalada del archivo de libre acceso Dataset 07 SARS-CoV-2 077.tif de Laue et al. (2020, 2021). Usando correcciones cortadas de la entrada ruidosa, aprendemos una representación probabilística de una imagen EM usando un modelo de codificación lineal disperso. Entonces podemos aplicar la representación adquirida para reconstruir probabilísticamente cada corrección de imagen EM. Finalmente, generamos imágenes EM reconstruidas (centro superior y derecha) calculando las medias y las anomalías de las estimaciones de píxeles de diferentes correcciones. El enfoque de mejora de la imagen EM no requiere datos de entrenamiento (limpios) y se puede aplicar directamente a una sola imagen ruidosa

Ventajas y desventajas

El equipo también analizó las estadísticas de reconstrucción. Las estimaciones de contraste de píxeles también se pueden utilizar para proporcionar una impresión espacial de un área de lesión. Aunque una reconstrucción de TC previa puede proporcionar imágenes de alta calidad, requiere muchas imágenes TEM para un solo virus, lo cual es difícil de obtener. Este método no puede reconstruir imágenes en 3D de una escena de lesión completa.

READ  El lanzamiento del módulo de aterrizaje lunar IM-1 está previsto para el miércoles por la mañana.

Cada método utilizado para el renderizado 3D puede presentar sus propios artefactos. Por ejemplo, pueden existir artefactos en el nuevo método debido a una menor representación de estructuras raras. Además, dado que la reconstrucción se basa en una sola imagen, no se aprecian las superficies reales.

La ventaja del nuevo método es que las superficies no impiden otras estructuras, pero la desventaja es que las estructuras internas del virus pueden entrelazarse con las estructuras de la superficie. Dado que los diferentes métodos tienen diferentes ventajas, se pueden combinar en sistemas híbridos.

Generalmente se utilizan métodos diferentes para datos diferentes. Por ejemplo, el método de reconstrucción de proteínas del que se informó anteriormente combina imágenes TEM de muchas moléculas de proteínas de diferentes virus, lo que el nuevo método no puede hacer. El nuevo enfoque no puede combinar varias imágenes TEM del mismo virus para crear una imagen 3D. Pero los otros métodos no pueden restaurar la impresión espacial a partir de una sola imagen borrosa.

Aunque se informaron imágenes espaciales de la infección por virus antes del uso de imágenes de microscopía electrónica, son de baja resolución y no se muestran detalles del virus. Las imágenes obtenidas con el nuevo método tienen un alto nivel de detalle para el SARS-CoV-2, lo que puede comprender mejor la infección.

La imagen original y en color está disponible para descargar En este almacén.

*Nota IMPORTANTE

bioRxiv Publica informes científicos preliminares que no han sido revisados ​​por pares y, por lo tanto, no deben considerarse concluyentes, que dirigen la práctica clínica / comportamiento relacionado con la salud, ni deben tratarse como información estática.

READ  Los tardígrados atrapados en ámbar revelan secretos de hace millones de años: ScienceAlert

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *