LIONESS redéfinit l’imagerie des tissus cérébraux

[ad_1]

Le tissu cérébral est l’un des spécimens les plus complexes que les scientifiques aient jamais traités. Rempli d’une quantité d’informations actuellement incommensurable, le cerveau humain est le dispositif informatique le plus sophistiqué avec son réseau d’environ 86 milliards de neurones. Comprendre une telle complexité est une tâche difficile, et donc faire des progrès nécessite des technologies pour démêler les interactions minuscules et complexes qui se déroulent dans le cerveau à des échelles microscopiques. L’imagerie est donc un outil habilitant en neurosciences.

La nouvelle technologie d’imagerie et de reconstruction virtuelle développée par le groupe de Johann Danzl à l’ISTA est un grand pas en avant dans l’imagerie de l’activité cérébrale et porte bien son nom LIONESS – Live Information Optimized Nanoscopy Enabling Saturated Segmentation. LIONESS est un pipeline permettant d’imager, de reconstruire et d’analyser des tissus cérébraux vivants avec une exhaustivité et une résolution spatiale impossibles jusqu’à présent.

« Avec LIONESS, pour la première fois, il est possible d’obtenir une reconstruction complète et dense du tissu cérébral vivant. En imageant le tissu plusieurs fois, LIONESS nous permet d’observer et de mesurer la biologie cellulaire dynamique dans le cerveau suivre son cours. dit le premier auteur Philipp Velicky. “Le résultat est une image reconstruite des arrangements cellulaires en trois dimensions, le temps constituant la quatrième dimension, car l’échantillon peut être imagé sur des minutes, des heures ou des jours”, ajoute-t-il.

Avec LIONESS, les neuroscientifiques peuvent imager des tissus cérébraux vivants et obtenir des images 3D haute résolution sans endommager l’échantillon vivant.

Collaboration et IA la clé

La force de LIONESS réside dans une optique raffinée et dans les deux niveaux d’apprentissage en profondeur — une méthode d’Intelligence Artificielle — qui constituent son cœur : le premier améliore la qualité de l’image et le second identifie les différentes structures cellulaires dans l’environnement neuronal dense .

Le pipeline est le résultat d’une collaboration entre le groupe Danzl, le groupe Bickel, le groupe Jonas, le groupe Novarino et les unités de service scientifique de l’ISTA, ainsi que d’autres collaborateurs internationaux. “Notre approche consistait à rassembler un groupe dynamique de scientifiques dotés d’une expertise combinée unique au-delà des frontières disciplinaires, qui travaillent ensemble pour combler un fossé technologique dans l’analyse des tissus cérébraux”, a déclaré Johann Danzl de l’ISTA.

Franchir les obstacles

Auparavant, il était possible d’obtenir des reconstructions de tissu cérébral en utilisant la microscopie électronique. Cette méthode image l’échantillon en fonction de ses interactions avec les électrons. Malgré sa capacité à capturer des images à une résolution de quelques nanomètres – un millionième de millimètre -, la microscopie électronique nécessite qu’un échantillon soit fixé dans un état biologique, qui doit être physiquement sectionné pour obtenir des informations 3D. Par conséquent, aucune information dynamique ne peut être obtenue.

Une autre technique précédemment connue de microscopie optique permet d’observer des systèmes vivants et d’enregistrer des volumes de tissus intacts en les découpant “optiquement” plutôt que physiquement. Cependant, la microscopie optique est gravement entravée dans son pouvoir de résolution par les propriétés mêmes des ondes lumineuses qu’elle utilise pour générer une image. Sa résolution dans le meilleur des cas est de quelques centaines de nanomètres, beaucoup trop grossière pour capturer des détails cellulaires importants dans le tissu cérébral.

En utilisant la microscopie optique à super-résolution, les scientifiques peuvent briser cette barrière de résolution. Des travaux récents dans ce domaine, baptisés SUSHI (Super-resolution Shadow Imaging), ont montré que l’application de molécules de colorant dans les espaces autour des cellules et l’application de la technique de super-résolution lauréate du prix Nobel STED (Stimulated Emission Depletion) révèlent des ombres super-résolues. ‘ de toutes les structures cellulaires et les visualise ainsi dans le tissu. Néanmoins, il a été impossible d’imager des volumes entiers de tissu cérébral avec une amélioration de la résolution qui correspond à l’architecture 3D complexe du tissu cérébral. En effet, l’augmentation de la résolution implique également une forte charge de lumière d’imagerie sur l’échantillon, ce qui peut endommager ou “faire frire” les tissus vivants subtils.

C’est là que réside la prouesse de LIONESS, ayant été développé pour, selon les auteurs, des conditions d’imagerie “rapides et douces”, gardant ainsi l’échantillon en vie. La technique le fait tout en fournissant une super-résolution isotrope – ce qui signifie qu’elle est également bonne dans les trois dimensions spatiales – qui permet la visualisation des composants cellulaires du tissu dans des détails résolus à l’échelle nanométrique 3D.

LIONESS ne collecte que le peu d’informations nécessaires sur l’échantillon au cours de l’étape d’imagerie. Ceci est suivi par la première étape d’apprentissage en profondeur pour fournir des informations supplémentaires sur la structure du tissu cérébral dans un processus appelé restauration d’image. De cette manière innovante, il atteint une résolution d’environ 130 nanomètres, tout en étant suffisamment doux pour l’imagerie des tissus cérébraux vivants en temps réel. Ensemble, ces étapes permettent une deuxième étape d’apprentissage en profondeur, cette fois pour donner un sens aux données d’imagerie extrêmement complexes et identifier les structures neuronales de manière automatisée.

Accueil dans

“L’approche interdisciplinaire nous a permis de briser les limites entrelacées du pouvoir de résolution et de l’exposition à la lumière du système vivant, de donner un sens aux données 3D complexes et de coupler l’architecture cellulaire du tissu avec des mesures moléculaires et fonctionnelles”, explique Danzl.

Pour la reconstruction virtuelle, Danzl et Velicky se sont associés à des experts en informatique visuelle : le groupe Bickel à l’ISTA et le groupe dirigé par Hanspeter Pfister à l’Université de Harvard, qui ont apporté leur expertise dans la segmentation automatisée – le processus de reconnaissance automatique des structures cellulaires dans le tissu. — et la visualisation, avec le soutien supplémentaire du scientifique de l’équipe d’analyse d’images de l’ISTA, Christoph Sommer. Pour des stratégies de marquage sophistiquées, des neuroscientifiques et des chimistes d’Edimbourg, de Berlin et de l’ISTA ont contribué. Par conséquent, il a été possible de relier les mesures fonctionnelles, c’est-à-dire de lire les structures cellulaires avec l’activité de signalisation biologique dans le même circuit neuronal vivant. Cela a été fait en imageant les flux d’ions calcium dans les cellules et en mesurant l’activité électrique cellulaire en collaboration avec le groupe Jonas de l’ISTA. Le groupe Novarino a fourni des organoïdes cérébraux humains, souvent surnommés des mini-cerveaux qui imitent le développement du cerveau humain. Les auteurs soulignent que tout cela a été facilité grâce au soutien expert des unités de service scientifique de premier ordre de l’ISTA.

La structure et l’activité cérébrales sont très dynamiques; ses structures évoluent au fur et à mesure que le cerveau exécute et apprend de nouvelles tâches. Cet aspect du cerveau est souvent appelé « plasticité ». Par conséquent, l’observation des changements dans l’architecture tissulaire du cerveau est essentielle pour percer les secrets de sa plasticité. Le nouvel outil développé à l’ISTA montre un potentiel pour comprendre l’architecture fonctionnelle du tissu cérébral et potentiellement d’autres organes en révélant les structures subcellulaires et en capturant comment celles-ci pourraient changer au fil du temps.

[ad_2]

Loading

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

*