Approches de l’intelligence artificielle pour évaluer les cils primaires

Les cils sont des appendices cellulaires à base de microtubules qui fonctionnent comme des centres de signalisation pour une diversité de voies de signalisation dans de nombreux types de cellules de mammifères. La longueur des cils est hautement conservée, étroitement régulée et varie entre différents types de cellules et de tissus et a été impliquée dans l’impact direct sur leur capacité de signalisation. Par exemple, il a été démontré que les cils modifient leur longueur en réponse à l’activation des récepteurs couplés à la protéine G ciliaire. Cependant, mesurer avec précision et de manière reproductible les longueurs de nombreux cils est une procédure longue et laborieuse. Les approches actuelles sont également sujettes aux erreurs et aux biais. Les programmes d’intelligence artificielle (IA) peuvent être utilisés pour surmonter bon nombre de ces défis en raison de capacités qui permettent l’assimilation, la manipulation et l’optimisation de vastes ensembles de données. Ici, nous démontrons qu’un module d’IA peut être formé pour reconnaître les cils dans des images provenant d’échantillons in vivo et in vitro. Après avoir utilisé l’IA entraînée pour identifier les cils, nous sommes en mesure de concevoir et d’utiliser rapidement des applications qui analysent des centaines de cils dans un seul échantillon pour la longueur, l’intensité de fluorescence et la colocalisation. Cette approche impartiale a augmenté notre confiance et notre rigueur lors de la comparaison d’échantillons de différentes préparations neuronales primaires in vitro ainsi que dans différentes régions du cerveau au sein d’un animal et entre les animaux. De plus, cette technique peut être utilisée pour analyser de manière fiable la dynamique des cils de n’importe quel type de cellule et de tissu de manière élevée sur plusieurs échantillons et groupes de traitement. En fin de compte, les approches basées sur l’IA deviendront probablement la norme à mesure que la plupart des domaines évolueront vers des approches moins biaisées et plus reproductibles pour l’acquisition et l’analyse d’images.