Když mikroskop vyprodukuje víc dat, než dokážete přečíst

Moderní fluorescenční mikroskop dokáže během jednoho experimentu pořídit desítky tisíc snímků. High-content screeningové kampaně jich vygenerují i miliony. Projít takový objem dat ručně je prakticky nemožné — a právě tady nastupuje umělá inteligence.

Jak shrnul aktuální přehledový článek publikovaný na Technology Networks, hluboké učení v posledních letech nahradilo manuální a prahové metody jako výchozí přístup pro segmentaci buněk, detekci objektů, sledování v čase i obnovu obrazu. Neznamená to, že by biologický úsudek ztratil význam — AI identifikuje struktury a vzory, ale co tyto vzory znamenají v kontextu konkrétního experimentu, musí stále rozhodnout člověk.

Segmentace buněk: Základní kámen, na kterém stojí všechno ostatní

Segmentace buněk — tedy přesné vyznačení hranic jednotlivých buněk, jejich jader nebo membrán — byla historicky nejpracnějším krokem kvantitativní mikroskopie. Právě její kvalita určuje strop pro veškerou navazující analýzu.

Cellpose, vyvinutý v Janelia Research Campus (USA), ukázal, že jediný model hlubokého učení natrénovaný na více než 70 000 segmentovaných objektech dokáže přesně segmentovat buňky napříč širokým spektrem zobrazovacích modalit bez nutnosti přetrénování. Tato generalizační schopnost — nikoliv výkon v jediném benchmarku — odlišuje Cellpose od starších specializovaných nástrojů a stojí za jeho masivní adopcí. Publikováno v Nature Methods (2021). Nejnovější verze Cellpose-SAM kombinuje původní architekturu se schopnostmi segmentačních foundation modelů.

StarDist přistupuje ke stejnému problému odlišně — reprezentuje buněčná jádra jako hvězdicově konvexní polygony namísto pixelových masek. Tento přístup exceluje zejména u hustě naskládaných jader, kde metody založené na obdélníkových ohraničeních či shlukování pixelů často slučují sousední objekty. Rozšíření na 3D hvězdicově konvexní polyedry (publikováno na WACV 2020) umožnilo aplikaci na volumetrická mikroskopická data. StarDist má na GitHubu 1 200 hvězdiček a aktivní komunitu.

Oba nástroje ilustrují širší trend: architektonická rozhodnutí jsou méně důležitá než diverzita a rozsah trénovacích dat. Směr od specialistických, jedno-modalitních nástrojů k široce použitelným modelům hlubokého učení bude segmentační výzkum definovat i nadále.

Sledování buněk v čase: Když statický snímek nestačí

Segmentace v jednom časovém bodě je jen začátek. Skutečný průlom přichází, když dokážeme sledovat jednotlivé buňky, organely nebo částice napříč časosběrnými sekvencemi a rekonstruovat jejich trajektorie, rodokmeny a dynamické chování.

TrackMate, open-source plugin pro platformu Fiji vyvinutý v Institut Pasteur v Paříži, integroval ve verzi 7 (publikováno v Nature Methods, 2022) algoritmy Cellpose, StarDist a ilastik přímo do sledovací pipeline. To znamená, že výzkumníci mohou nyní sledovat i nepravidelně tvarované nebo hustě uspořádané objekty, které dřívější metody nebyly schopny zachytit. Praktickou hodnotu to má zejména ve vývojové biologii a studiích buněčné migrace — včetně výzkumu rakovinných metastází, kde vědci potřebují kvantifikovat migrační dynamiku stovek buněk současně.

Vidět víc s menším osvětlením: AI obnova obrazu

Fluorescenční mikroskopie vždy vyžadovala kompromis mezi rychlostí snímání, prostorovým rozlišením a světelnou dávkou, kterou vzorek snese bez poškození (fototoxicita) nebo vyblednutí (fotobleaching). Hluboké učení tento kompromis neodstranilo, ale posunulo hranici.

Techniky obnovy obrazu založené na obsahu (content-aware restoration) trénují neuronové sítě na párech snímků s nízkou a vysokou kvalitou. Síť se naučí obnovit signál, který by jinak vyžadoval více světla nebo pomalejší akvizici. Metoda DeepCAD-RT, publikovaná v Nature Biotechnology (2022), jde ještě dál — využívá samoučící se (self-supervised) odšumování a umožňuje snímat s 10× méně fotony při současném 20× zrychlení zpracování a 27× nižší paměťové náročnosti. To vše v reálném čase přímo na dvoufotonovém mikroskopu.

Pro vědce pracující s živými buňkami to znamená možnost pozorovat citlivé organismy po delší dobu, aniž by je světlo mikroskopu zabilo — klíčová výhoda pro výzkum embryonálního vývoje nebo neurovědy.

High-content screening: Miliony buněk, tisíce příznaků

High-content screening generuje jedny z největších obrazových datasetů v biologickém výzkumu — jednotlivé kampaně produkují miliony snímků jednotlivých buněk. V tomto měřítku není AI pohodlná, ale jediná prakticky použitelná cesta k převodu surových snímků na interpretovatelná data.

Nejvýraznějším příkladem fenotypového profilování je Cell Painting assay vyvinutá na Broad Institute (MIT a Harvard). Současná verze protokolu (publikovaná v Nature Protocols, 2023) používá šest barviv napříč pěti kanály k označení osmi buněčných komponent zároveň. Z každé buňky pak vytěží tisíce kvantitativních příznaků — od tvaru jádra po texturu cytoskeletu. Tento datově bohatý, nezkreslený přístup umožňuje porovnávat účinky tisíců chemických či genetických perturbací, aniž byste předem věděli, co přesně hledáte. Jak poznamenal přehled v Nature Reviews Drug Discovery (2021), strojové učení tuto oblast aktivně obnovuje — zejména pro předpovídání mechanismu účinku nových léčiv.

Pět nástrojů, které by měl znát každý bioimaging vědec

Čtyři open-source nástroje tvoří páteř většiny deep learningových workflow v biologickém zobrazování. Každý zabírá specifickou niku:

• Cellpose — generalistická segmentace buněk a jader napříč modalitami. Vyvinuto v Janelia Research Campus (USA), Python/GPU, zdarma.
• StarDist — specializovaná segmentace hustě uspořádaných jader pomocí hvězdicově konvexních tvarů. Podporuje 2D i 3D. Zdarma.
• ilastik — interaktivní pixelová klasifikace a sledování objektů bez nutnosti programování. Vyvinuto v EMBL Heidelberg (Německo). Zdarma.
• CellProfiler — modulární pipeline builder pro vysokokapacitní obrazovou analýzu. Broad Institute (USA). Verze 4 přinesla 10× zrychlení CPU času oproti předchozí verzi. Zdarma.
• TrackMate — detekce a sledování objektů v časosběrných sériích. Institut Pasteur, Paříž (Francie). Plugin pro Fiji. Zdarma.

Tyto nástroje se typicky používají společně, nikoliv jako alternativy. Běžná moderní pipeline může použít Cellpose pro segmentaci, výsledky poslat do CellProfileru pro extrakci příznaků a ilastik pro úkoly vyžadující interaktivní klasifikaci.

Pro české vědce je klíčové, že hned dva z těchto nástrojů vznikly v evropských institucích — ilastik v německém EMBL a TrackMate ve francouzském Institut Pasteur. Česká bioimagingová komunita je s nimi úzce propojena prostřednictvím infrastruktury Czech-BioImaging, jež je součástí panevropské sítě Euro-BioImaging ERIC. Výzkumníci z BIOCEV, CEITEC nebo Ústavu molekulární genetiky AV ČR tyto nástroje běžně používají ve svých zobrazovacích jádrech.

Co si z toho odnést

Nejdůležitější poselství pro každého, kdo s biologickým zobrazováním pracuje: začáteční bariéra pro AI-asistovanou obrazovou analýzu je nejnižší v historii. Generalistické open-source nástroje fungují napříč modalitami bez přetrénování a často ani nevyžadují znalost programování.

Největší užitek z těchto nástrojů mají ti, kteří rozumějí, na čem byl model trénován, za jakých podmínek může selhat a jak validovat výstup proti reálným datům, než se na něj spolehnou v publikaci. Automatizace změnila mechanickou část analýzy obrazu — tu interpretační nikoliv.