Contexto: detectar cambios antes de que aparezcan los agregados

Las imágenes iniciales de poblaciones de la bacteria del suelo Myxococcus xanthus contenían indicios que permitían predecir si más adelante se produciría agregación. El estudio, publicado en Proceedings of the National Academy of Sciences (PNAS), utilizó aprendizaje profundo para cuantificar patrones espaciales sutiles en imágenes microscópicas y extraer información asociada con los resultados del desarrollo antes de que aparecieran agregados visibles.

Cuando se agotan los nutrientes, esta bacteria inicia un proceso de desarrollo multicelular en el que las células se agrupan para formar cuerpos fructíferos. Estudios anteriores habían cuantificado la estructura de los agregados y el momento de su formación, pero era difícil comparar con los mismos criterios los flujos celulares previos a la agregación, los agregados inmaduros con límites poco definidos y los mutantes que no se agregaban en absoluto. Como los cambios aparecían en momentos distintos según la cepa, la comparación de trayectorias completas de desarrollo, en lugar de imágenes de un único momento, fue el punto de partida del estudio.

Hallazgos principales: comprimir imágenes de poblaciones en características de 13 dimensiones

El equipo obtuvo 937 secuencias de imágenes de campo claro tomadas a intervalos regulares, correspondientes a 292 cepas genéticamente distintas. La captura comenzó dentro de los primeros 15 minutos desde el inicio de la privación de nutrientes y continuó cada minuto durante 24 horas. La unidad de análisis fue el patrón de imagen de la población, no la trayectoria de movimiento de cada célula.

El modelo combinó una red neuronal residual (ResNet), que extrae características de las imágenes, y StyleGAN2, un modelo generativo de imágenes, dentro de un autocodificador variacional (VAE). También se entrenó conjuntamente una red siamesa para aprender la similitud fenotípica entre pares de imágenes. Cada imagen se comprimió en un vector de características de 13 dimensiones; sus cambios a lo largo del tiempo representaban la trayectoria de desarrollo. Las características aprendidas también se asociaron con el área y el número de agregados.

¿Podían estas características distinguir distintos defectos de motilidad? Los investigadores utilizaron un clasificador de máquina de vectores de soporte (SVM) para diferenciar el grupo con defectos de motilidad A del grupo con defectos de motilidad S. En una validación cruzada de tres particiones dividida por cepa, el área bajo la curva de características operativas del receptor (ROC-AUC), usando la primera imagen observada, fue de 0,91 ± 0,06. Esta cifra mide la capacidad para distinguir los dos grupos de defectos; no significa que se puedan identificar todas las variantes genéticas.

De 352 secuencias de imágenes de tipo silvestre, 220 mostraron agregados visibles a más tardar a las 24 horas y 132 no los formaron. En una validación cruzada de tres particiones dividida por réplica experimental, la ROC-AUC para distinguir la presencia o ausencia de agregación posterior usando solo la primera imagen observada fue de 0,82 ± 0,04. En ambos análisis se informaron las medias y los intervalos de confianza del 95 %. La ROC-AUC mide la capacidad para discriminar entre grupos y no equivale a la exactitud.

Significado y perspectivas: capacidad predictiva de los patrones tempranos y preguntas pendientes

Las imágenes reconstruidas a partir de las características iniciales mostraron diferencias sutiles en la densidad y la disposición local de las células. Los investigadores las interpretaron como información temprana asociada con el desarrollo posterior, pero sigue sin saberse si esos patrones inducen directamente la agregación o si son marcadores de estados celulares preexistentes o de diferencias ambientales.

Los resultados de agregación de tipo silvestre tendían a ser similares entre experimentos realizados el mismo día con el mismo lote de agar y el mismo cultivo de partida. No se han identificado las condiciones que generan las diferencias, por lo que es difícil afirmar que los patrones iniciales sean un mecanismo causal que determine el destino del desarrollo. Cambiar las características latentes para modificar las formas de las imágenes generadas tampoco demuestra que se hayan diseñado poblaciones con las características deseadas mediante modificaciones genéticas reales.

Este método podría servir como herramienta de investigación para comparar trayectorias de desarrollo de mutantes y detectar fenotipos anómalos que pueden pasar inadvertidos a simple vista. Su extensión a imágenes de otras biopelículas o de tejidos requerirá una validación específica para cada caso. Los métodos y resultados del estudio están disponibles en el texto completo del artículo de PNAS.