DeLTA : Segmentation automatisée des cellules, suivi et reconstruction des lignées à l'aide de l'apprentissage profond

L'analyse d'images par microscopie constitue un goulot d'étranglement majeur dans la quantification des données de microscopie à cellule unique, nécessitant généralement une supervision et une curation humaines, ce qui limite à la fois la précision et le débit. Pour remédier à cela, nous avons développé un pipeline d'analyse d'images basé sur l'apprentissage profond qui effectue la segmentation, le suivi et la reconstruction des lignées. Notre analyse se concentre sur des films en temps réel de cellules d'Escherichia coli piégées dans un dispositif microfluidique "mother machine", une plateforme évolutive pour l'analyse à long terme des cellules uniques largement utilisée dans le domaine. Bien que l'apprentissage profond ait déjà été appliqué à des problèmes de segmentation cellulaire, notre approche est fondamentalement innovante en ce sens qu'elle utilise également l'apprentissage automatique pour effectuer le suivi des cellules et la reconstruction des lignées. Avec ce cadre, nous sommes en mesure d'obtenir des résultats de haute fidélité (taux d'erreur de 1 %), sans intervention humaine. De plus, l'algorithme est rapide, avec une analyse complète d'une image classique contenant environ 150 cellules prenant moins de 700 ms. Le cadre n'est pas contraint à un dispositif expérimental particulier et a le potentiel de se généraliser aux images en temps réel d'autres organismes ou de différentes configurations expérimentales. Ces avancées ouvrent la porte à une myriade d'applications, notamment le suivi en temps réel de l'expression génique et l'analyse à haut débit des bibliothèques de souches à résolution de cellule unique.