В исследовании представлен CiliAI — веб-ориентированный рабочий процесс на базе глубокого обучения, предназначенный для автоматизации анализа первичных ресничек. Система решает проблему трудоемкости ручного анализа 3D-изображений конфокальной микроскопии, обеспечивая автоматическое обнаружение и сегментацию ключевых субструктур: базального тела, переходной зоны и аксонемы. В ходе тестирования на клетках линии NIH-3T3 автоматизированные измерения длины ресничек показали высокую точность, практически идентичную ручному методу (средняя разница составила всего -0,214 мкм при p = 0,213). Алгоритм успешно воспроизвел биологические эффекты, зафиксировав снижение интенсивности сигнала белка Cep290 в клетках с дефицитом Rpgrip1l, что подтверждает его валидность для изучения молекулярных механизмов. Использование CiliAI позволяет сократить время анализа с нескольких дней ручной работы до считанных минут. Данный инструмент представляет значительную ценность для клеточной биологии и биомедицинских исследований, ускоряя изучение механизмов клеточной пролиферации и дифференцировки.
Виртуальное окрашивание (virtual staining) — перспективный метод, позволяющий заменить дорогостоящую флуоресцентную микроскопию на дешёвую label-free микроскопию с последующей генерацией окрашенных изображений с помощью нейросетей. Однако его практическое применение зависит от способности моделей к обобщению на новые данные. В данном исследовании авторы систематически проверили, насколько семь широко используемых метрик оценки качества изображений (IQA) — MAE, PSNR, SSIM, foreground PSNR и SSIM, LPIPS и DISTS — пригодны для оценки виртуального окрашивания. Они применили контролируемые деградации (изменение интенсивности, текстуры, морфологии) к изображениям Cell Painting, охватывающим 18 клеточных линий, различные плотности посева и флуоресцентные каналы. Оказалось, что канал, клеточная линия и плотность посева объясняют значительную часть вариаций метрик даже после учёта степени деградации. Метрики DISTS и foreground-метрики показали лучший баланс между чувствительностью к деградации и инвариантностью к биологическому контексту, однако ни одна метрика не была полностью независима от биологических условий. При постепенном ухудшении изображений большинство метрик использовали лишь малую часть своего номинального диапазона значений и часто выходили на плато, тогда как визуальное качество продолжало падать. Далее авторы обучили три популярные архитектуры (UNet, WGAN-GP, UNeXt) на пяти плотностях посева клеток U2-OS и оценили их предсказания на 17 ранее не встречавшихся клеточных линиях. Архитектура и плотность посева вместе объясняли менее 2% вариаций метрик, а визуальный анализ показал, что одинаковые значения метрик могут соответствовать качественно разным ошибкам (например, различиям в морфологии клеток и интенсивности маркеров). Авторы делают вывод, что традиционные IQA-метрики плохо переносятся на задачи виртуального окрашивания, и рекомендуют выбирать и оптимизировать модели, ориентируясь на конкретное приложение, например, на высокопроизводительный скрининг лекарств без меток.
Исследование посвящено проблеме «осиротевшего» научного программного обеспечения, которое перестаёт поддерживаться после ухода разработчиков, что ведёт к потере ценных вычислительных методов и предметных знаний. Авторы продемонстрировали систематический подход к реинжинирингу заброшенного MATLAB-инструментария NuMorph для анализа изображений световой листовой микроскопии, преобразовав его в рабочий процесс nf-core/lsmquant на платформе Nextflow. Новый пайплайн разработан в соответствии с руководящими принципами сообщества nf-core, что обеспечило соответствие принципам FAIR (Findable, Accessible, Interoperable, Reusable) для исследовательского программного обеспечения. Реинжиниринг сохранил оригинальные научные методы при сопоставимых вычислительных затратах, одновременно улучшив переносимость, воспроизводимость и поддерживаемость кода. Интеграция в экосистему nf-core создала основу для распределённой поддержки через сообщество разработчиков, а модульная архитектура упростила адаптацию workflow к дополнительным наборам данных микроскопии. Работа показывает практическую стратегию восстановления осиротевшего исследовательского ПО и его интеграции в современные переиспользуемые исследовательские экосистемы. Ключевые технологии включают Nextflow для управления рабочими процессами и стандарты сообщества nf-core для обеспечения устойчивости программного обеспечения.
Исследователи из Сколтеха, Курчатовского института и РАН провели работу по изучению структуры панциря микроводорослей с использованием методов сверхвысокого разрешения. В ходе эксперимента ученым удалось увеличить элементы микроскопического панциря в тысячи раз, что позволило обнаружить уникальные оптические свойства материала. Ключевым результатом стало выявление специфического оптического эффекта, который может быть адаптирован для создания новых инструментов медицинской визуализации. Данная технология потенциально позволит повысить точность и детализацию при проведении неинвазивных диагностических процедур. Методология исследования базируется на сочетании нанотехнологий и передовых методов оптической микроскопии. Полученные данные открывают перспективы для разработки новых биомиметических материалов, способных улучшить качество визуализации биологических структур на клеточном уровне.
В исследовании представлен LiFT — автоматизированный конвейер анализа изображений на базе Python, разработанный для точного количественного анализа кинетики двухцепочечных разрывов ДНК (DSB), вызванных радиацией. Традиционный ручной анализ данных микроскопии в реальном времени является трудоемким и подвержен субъективности оператора, что снижает воспроизводимость результатов в онкологических исследованиях. Алгоритм LiFT позволяет сегментировать и отслеживать ядра клеток без необходимости использования специальных красителей, а также корректировать межфреймовое движение с помощью регистрации изображений. Система автоматически обнаруживает и отслеживает фокусы белков репарации внутри ядер, что дает возможность напрямую измерять динамику отдельных событий восстановления ДНК. Эффективность метода была подтверждена на клеточных линиях PLC/PRF/5 и U2OS-SSTR2, продемонстрировав высокую масштабируемость и универсальность для различных конфигураций микроскопии. Разработчики выпустили LiFT как open-source пакет с графическим интерфейсом пользователя (GUI), что значительно упрощает внедрение инструмента в повседневную лабораторную практику.
Статья представляет OMIO (Open Microscopy Image I/O) — новую легковесную библиотеку на языке Python, разработанную для решения критических проблем в рабочих процессах флуоресцентной и мультифотонной микроскопии. Основная проблема современных методов заключается в гетерогенности форматов файлов и несоответствии стандартов метаданных, что приводит к ошибкам в интерпретации осей и потере данных о размере вокселей. OMIO внедряет слой ввода-вывода, который принудительно приводит данные к каноническому представлению, совместимому со стандартом OME, разделяя низкоуровневый доступ к форматам и семантическую нормализацию. Библиотека использует существующие ридеры в качестве взаимозаменяемых бэкендов, но централизует управление осями (стандарт TZCYX) и метаданными в проверяемом слое политик. Архитектура поддерживает работу с большими объемами данных через Zarr-бэкенды и позволяет структурировать проекты по принципу BIDS. Итоговые стандартизированные выходы в формате OME-TIFF обеспечивают бесшовную интеграцию с инструментами количественного анализа, такими как Napari и ImageJ, гарантируя воспроизводимость научных исследований.
Исследователи представили Static2Dynamic — инновационный фреймворк, предназначенный для реконструкции динамических биологических процессов на основе набора статических изображений. Методология решает проблему невозможности непрерывного наблюдения за развитием тканей или прогрессированием заболеваний в реальном времени. Алгоритм работает в три этапа: восстановление непрерывного псевдовремени (pseudotime) в глубоком репрезентативном пространстве, обучение генеративной модели изображений и последующая реконструкция временно согласованных видеороликов. В ходе количественной валидации на двух масштабных наборах данных микроскопических видео, созданных специально для бенчмаркинга, метод продемонстрировал высокую точность сопоставления траекторий псевдовремени с реальной биологической динамикой. Технология позволяет моделировать прошлое и будущее состояния клеток, расширяя границы наблюдаемого пространства живых систем. Статическое изображение теперь может служить отправной точкой для симуляции полных траекторий развития, которые ранее были недоступны для прямой записи.
