Une équipe internationale de chercheurs de l'Université de Californie à Los Angeles (UCLA), de l'Université Vanderbilt et de l'Université de technologie de Delft a développé une méthode d'intelligence artificielle (IA) qui tache pratiquement les images générées par l'imagerie de spectrométrie de masse (IMS). La recherche est publiée dans la revue Avancées scientifiques.
Cet effort de collaboration a atteint des améliorations significatives de la résolution spatiale et des détails au niveau cellulaire, le tout sans nécessiter une coloration chimique. En tirant parti d'un modèle génératif innovant basé sur la diffusion, l'équipe peut produire numériquement des images comparables à la coloration histochimique traditionnelle tout en préservant de précieux échantillons de tissus.
L'imagerie de la spectrométrie de masse est un outil puissant capable de cartographier des centaines à des milliers d'espèces moléculaires dans les tissus biologiques avec une spécificité chimique exceptionnelle. Cependant, l'IMS conventionnel est limitée par une résolution spatiale relativement faible et un manque de détails morphologiques cellulaires, qui sont tous deux essentiels pour interpréter avec précision les profils moléculaires dans le contexte de la structure tissulaire.
Dans cette étude collaborative, l'équipe a introduit une nouvelle approche de coloration virtuelle basée sur la diffusion pour surmonter ces défis. Leur méthode transforme numériquement les données IMS sans résolution à basse résolution en images de microscopie à haute résolution qui ressemblent étroitement à des échantillons colorés histochimiquement, en particulier ceux colorés avec un acide périodique – Schiff (PAS), qui met en évidence les polysaccharides, les glycoprotéines, les glycolipides et les mucines.
Remarquablement, le cadre AI y parvient malgré les données IMS ayant une taille de pixel près de 10 fois plus grande que les images de microscopie optique traditionnelles.
« Cette approche basée sur la diffusion améliore considérablement l'interprétabilité des images de spectrométrie de masse », a déclaré l'auteur correspondant, le professeur Aydogan Ozcan de l'UCLA. « Il introduit pratiquement les détails histologiques au niveau microscopique, combler l'écart entre la spécificité moléculaire et la morphologie cellulaire, le tout sans tacher chimiquement le tissu. »
Dans les tests aveugles sur les tissus rénaux humains, les images pratiquement colorées correspondaient étroitement à leurs homologues colorés chimiquement, permettant aux pathologistes d'identifier avec précision les structures rénales critiques et les caractéristiques de la maladie directement à partir des images virtuelles.
En outre, les chercheurs ont optimisé le processus d'échantillonnage du bruit pendant l'inférence de l'IA pour garantir des résultats de coloration hautement cohérents et fiables, soutenant potentiellement les applications cliniques et de recherche.
Cette technique offre des avantages significatifs pour la recherche biomédicale et les diagnostics axés sur l'IMS, éliminant le besoin de coloration chimique à forte intensité de main-d'œuvre et d'étapes d'enregistrement d'images complexes. Il préserve également l'intégrité des tissus pour d'autres analyses moléculaires, rationalisant et accélérant ainsi les flux de travail d'histologie moléculaire basés sur la spectrométrie de masse.
« Nous envisageons cette approche ouvrira de nouvelles possibilités en biologie spatiale et en diagnostic clinique », a ajouté le professeur Ozcan.
« En générant numériquement des images histologiques de haute qualité à partir de données de spectrométrie de masse seule, nous pouvons rationaliser les flux de travail et potentiellement faire progresser la découverte biomédicale. »
