Contexte académique

L’imagerie de tension (voltage imaging) est une technique puissante pour étudier l’activité neuronale, mais son efficacité est souvent limitée par un faible rapport signal sur bruit (SNR). Les méthodes traditionnelles de réduction du bruit, telles que la factorisation matricielle, imposent des hypothèses rigides sur la structure du bruit et du signal, tandis que les approches d’apprentissage profond existantes ne parviennent pas à capturer pleinement les dynamiques rapides et les dépendances complexes inhérentes aux données d’imagerie de tension. Pour résoudre ces problèmes, cet article propose une nouvelle méthode d’apprentissage profond auto-supervisée appelée CellMincer, spécialement conçue pour le débruitage des ensembles de données d’imagerie de tension. CellMincer fonctionne en masquant et en prédisant des ensembles de pixels clairsemés sur de courtes fenêtres temporelles, tout en conditionnant le débruitage sur des auto-corrélations spatio-temporelles précalculées pour modéliser efficacement les dépendances à long terme, améliorant ainsi significativement les performances de débruitage.

L’imagerie de tension utilise des marqueurs fluorescents (comme des colorants à petites molécules ou des protéines génétiquement encodées) pour mesurer le potentiel membranaire des cellules électriquement actives. Comparée à l’électrophysiologie traditionnelle par patch-clamp (EP), l’imagerie de tension offre un débit plus élevé et est moins invasive. Cependant, en raison du rendement quantique des colorants, des temps d’exposition courts ( ms) et des limitations de l’intensité d’excitation, le rapport signal sur bruit de l’imagerie de tension reste faible, ce qui peut entraîner la perte de petits événements électriques (comme les potentiels post-synaptiques sous-seuils), affectant ainsi la compréhension de la formation des circuits neuronaux et de la plasticité synaptique.

Source de l’article

Cet article a été co-écrit par Brice Wang, Tianle Ma, Theresa Chen, Trinh Nguyen, Ethan Crouse, Stephen J. Fleming, Alison S. Walker, Vera Valakh, Ralda Nehme, Evan W. Miller, Samouil L. Farhi et Mehrtash Babadi. Les auteurs sont affiliés à des institutions telles que le Broad Institute of MIT and Harvard, l’Oakland University et l’UC Berkeley. L’article a été publié en 2024 dans la revue npj Imaging.

Processus de recherche

1. Prétraitement des données et extraction des caractéristiques globales

Le pipeline de débruitage de CellMincer comprend trois étapes : le prétraitement des données, la pré-entraînement auto-supervisé et l’inférence de débruitage. Lors de l’étape de prétraitement, les chercheurs représentent les données d’imagerie de tension sous forme de tenseur tridimensionnel (temps × largeur × hauteur) et ajustent une fonction polynomiale d’ordre faible à chaque série temporelle de pixels, la décomposant en un tenseur de tendance lisse et un tenseur résiduel détendu. Le tenseur de tendance représente principalement la fluorescence de fond, tandis que le tenseur résiduel détendu représente une mesure bruyante de l’activité électrique. Grâce à cette étape, les chercheurs peuvent éliminer le bruit de fond non pertinent pour le signal d’intérêt, améliorant ainsi les performances du modèle.

2. Pré-entraînement auto-supervisé

Lors de l’étape de pré-entraînement auto-supervisé, CellMincer est entraîné en masquant et en prédisant des ensembles de pixels clairsemés. Plus précisément, les chercheurs sélectionnent aléatoirement des pixels dans une image et les remplacent par du bruit gaussien, puis entraînent un réseau neuronal à prédire les valeurs de ces pixels masqués à partir des pixels restants. Cette stratégie d’entraînement permet au modèle de débruitage de fonctionner sans nécessiter de données propres, évitant ainsi la dépendance aux données cibles propres des méthodes d’apprentissage supervisé traditionnelles.

3. Inférence de débruitage

Lors de l’étape d’inférence, CellMincer prend en entrée les données de film détendues et les traite par fenêtres glissantes pour débruitage de chaque image centrale. Pour éviter les résultats tronqués, les chercheurs appliquent un remplissage spatial approprié aux entrées du modèle pendant l’entraînement et l’inférence, et ajoutent des copies des premières et dernières images au début et à la fin du film débruité.

4. Cadre de simulation basé sur la physique

Pour optimiser l’architecture et les hyperparamètres de CellMincer, les chercheurs ont développé un cadre de simulation basé sur la physique appelé OptoSynth, qui génère des ensembles de données d’imagerie de tension synthétiques hautement réalistes. OptoSynth simule des lectures d’imagerie de tension sans bruit en utilisant des reconstructions morphologiques de neurones uniques et des mesures EP appariées, puis ajoute du bruit de Poisson et du bruit thermique gaussien pour générer des données bruyantes réalistes. Ces données synthétiques sont utilisées pour des optimisations rigoureuses des hyperparamètres et des études d’ablation, révélant le rôle crucial des auto-corrélations spatio-temporelles précalculées dans le débruitage.

Principaux résultats

1. Performances de débruitage

Les tests de référence complets sur des données simulées et réelles montrent que CellMincer excelle en termes de gain de rapport signal sur bruit, de réduction du bruit haute fréquence, de détection d’événements sous-seuils et de récupération des signaux électrophysiologiques. Par rapport aux méthodes existantes, CellMincer améliore le gain de SNR de 0,5 à 2,9 dB et réduit la variabilité du SNR de 17 à 55 %. En particulier, pour le bruit haute fréquence (>100 Hz), CellMincer réalise une réduction de 14 dB, surpassant les meilleures méthodes existantes de 3 à 10,5 dB.

2. Détection d’événements sous-seuils

Sur des données réelles d’imagerie de tension, CellMincer améliore significativement la précision de détection des événements sous-seuils. Par rapport aux méthodes de référence, CellMincer augmente le score F1 de détection des événements sous-seuils de 2 à 6 points de pourcentage dans la plage de 0,5 à 10 mV. De plus, CellMincer améliore la corrélation croisée entre les enregistrements EP à faible bruit et l’imagerie de tension de 8 %.

3. Segmentation des neurones et identification des phénotypes fonctionnels

L’introduction de CellMincer améliore considérablement la segmentation des neurones, la détection des pics et l’identification des phénotypes fonctionnels. Dans l’imagerie de tension de neurones dérivés de hPSC traités chroniquement à la tétrodotoxine (TTX) et non perturbés, CellMincer permet d’identifier près de deux fois plus de neurones que dans les données brutes et améliore significativement la séparation statistique entre les deux phénotypes fonctionnels.

Conclusion

CellMincer est une méthode d’apprentissage profond auto-supervisée spécialement conçue pour le débruitage des ensembles de données d’imagerie de tension. En masquant et en prédisant des ensembles de pixels clairsemés et en conditionnant le débruitage sur des auto-corrélations spatio-temporelles précalculées, CellMincer améliore significativement les performances de débruitage. Ses performances sur des données simulées et réelles surpassent celles des méthodes existantes, en particulier en termes de gain de SNR, de réduction du bruit haute fréquence et de détection d’événements sous-seuils. L’introduction de CellMincer améliore non seulement la qualité des données d’imagerie de tension, mais fournit également de nouveaux outils pour l’étude des circuits neuronaux et de la plasticité synaptique.

Points forts de la recherche

1. Méthode innovante : CellMincer utilise l’apprentissage auto-supervisé et des auto-corrélations spatio-temporelles précalculées pour améliorer significativement le débruitage des données d’imagerie de tension.
2. Application étendue : Les performances de CellMincer sur des données simulées et réelles surpassent celles des méthodes existantes, en particulier pour la réduction du bruit haute fréquence et la détection d’événements sous-seuils.
3. Valeur pratique : L’introduction de CellMincer améliore considérablement la segmentation des neurones, la détection des pics et l’identification des phénotypes fonctionnels, offrant de nouveaux outils pour la recherche sur les circuits neuronaux et la plasticité synaptique.

Autres informations utiles

La publication du code de CellMincer est conçue pour être facile à utiliser et à déployer, offrant divers mécanismes de retour d’information diagnostique et une image Docker stable pour un usage public. De plus, les chercheurs ont fourni des modèles pré-entraînés de CellMincer, réduisant davantage les coûts de calcul associés à l’utilisation de cette méthode.