Identificação de padrões fenotípicos de células em imagens de microscopia de campo claro utilizando deep-learning

Abstract

Análises de células únicas em imagens de microscopia de campo claro são essenciais para a pesquisa biomédica, permitindo a visualização de células vivas sem marcações fluorescentes, preservando suas funções biológicas. Apesar disso, devido ao menor contraste entre célula e fundo da imagem, a automatização da análise dessas imagens é mais desafiadora. Este projeto teve por objetivo aplicar redes neurais profundas para detectar e classificar fenótipos de células em imagens de microscopia de campo claro. Para tanto, células expressando marcadores fluorescentes foram monitoradas simultaneamente no canal fluorescente e campo claro. Uma rede neural profunda (R2CNN) foi treinada para automatizar a detecção de núcleos celulares usando as imagens da etapa anterior, a partir de dados anotados automaticamente com base no canal de fluorescência. Esses dados, pareados com a imagem original de campo claro, foram usados para treinar o modelo para obter coordenadas nucleares em novas imagens. Métricas como precisão, sensibilidade e F1-Score atingiram 0.75, 0.87 e 0.79, respectivamente, indicando a capacidade do modelo em detectar núcleos celulares em imagens de microscopia de campo claro. Além da detecção de núcleos celulares, outra etapa do projeto envolveu o treinamento de modelos de classificação fenotípica, a fim de verificar o potencial da imagem em campo claro de conter informações suficientes acerca dos fenótipos de ciclo celular, dano ao DNA e autofagia. Novamente, as imagens do canal fluorescente foram utilizadas para obter a anotação de cada núcleo, de acordo com o racional de cada marcador. Dos três modelos treinados, o preditor de dano ao DNA foi o que obteve maior acurácia, chegando em 79%. Já os modelos de classificação de etapa do ciclo celular e nível de autofagia ambos atingiram aproximadamente 60% de acurácia de classificação. Estes valores indicam o potencial da imagem em campo claro de conter informações relevantes para análise de imagens de microscopia celular, desde a detecção de núcleos celulares à classificação multi-fenótipo.

Single-cell analyses in brightfield microscopy images are essential for biomedical research, as they allow for the visualization of live cells without fluorescent markers, thereby preserving their biological functions. Nevertheless, due to the lower contrast between the cell and the background, automating the analysis of these images is more challenging. This project aimed to utilize deep neural networks to detect and classify cell phenotypes in brightfield microscopy images. To this end, cells expressing fluorescent markers were simultaneously monitored in both the fluorescent and brightfield channels. A deep neural network (R2CNN) was trained to automate the detection of cell nuclei using images from the previous step, based on data automatically annotated using the fluorescence channel. This data, paired with the original brightfield image, were used to train the model to obtain nuclear coordinates in new images. Metrics such as precision, recall, and F1-Score reached 0.75, 0.87, and 0.79, respectively, indicating the model's ability to detect cell nuclei in brightfield microscopy images. In addition to cell nuclei detection, another focus of this project involved training phenotypic classification models to verify the potential of brightfield images to contain sufficient information regarding phenotypes such as cell cycle, DNA damage, and autophagy. Again, the fluorescent channel images were used to annotate each nucleus according to the rationale of the respective marker. Of the three models trained, the DNA damage predictor achieved the highest accuracy, reaching 79%. As for the models classifying cell cycle stage and autophagy level, both achieved approximately 60% classification accuracy. These values indicate the potential of brightfield images to contain relevant information for cellular microscopy image analysis, spanning from cell nuclei detection to multi-phenotype classification.