Identificação de padrões fenotípicos de células em imagens de microscopia de campo claro utilizando deep-learning

• Ano de defesa: 2024
• Autor(a) principal: Angonezi, Angelo Luiz
• Orientador(a): Lenz, Guido
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Fenótipo; Microscopia; Células
• Palavras-chave em Inglês: Microscopy; Cells; Phenotypic
• Link de acesso: http://hdl.handle.net/10183/281715

Análises de células únicas em imagens de microscopia de campo claro são essenciais para a pesquisa biomédica, permitindo a visualização de células vivas sem marcações fluorescentes, preservando suas funções biológicas. Apesar disso, devido ao menor contraste entre célula e fundo da imagem, a automatização da análise dessas imagens é mais desafiadora. Este projeto teve por objetivo aplicar redes neurais profundas para detectar e classificar fenótipos de células em imagens de microscopia de campo claro. Para tanto, células expressando marcadores fluorescentes foram monitoradas simultaneamente no canal fluorescente e campo claro. Uma rede neural profunda (R2CNN) foi treinada para automatizar a detecção de núcleos celulares usando as imagens da etapa anterior, a partir de dados anotados automaticamente com base no canal de fluorescência. Esses dados, pareados com a imagem original de campo claro, foram usados para treinar o modelo para obter coordenadas nucleares em novas imagens. Métricas como precisão, sensibilidade e F1-Score atingiram 0.75, 0.87 e 0.79, respectivamente, indicando a capacidade do modelo em detectar núcleos celulares em imagens de microscopia de campo claro. Além da detecção de núcleos celulares, outra etapa do projeto envolveu o treinamento de modelos de classificação fenotípica, a fim de verificar o potencial da imagem em campo claro de conter informações suficientes acerca dos fenótipos de ciclo celular, dano ao DNA e autofagia. Novamente, as imagens do canal fluorescente foram utilizadas para obter a anotação de cada núcleo, de acordo com o racional de cada marcador. Dos três modelos treinados, o preditor de dano ao DNA foi o que obteve maior acurácia, chegando em 79%. Já os modelos de classificação de etapa do ciclo celular e nível de autofagia ambos atingiram aproximadamente 60% de acurácia de classificação. Estes valores indicam o potencial da imagem em campo claro de conter informações relevantes para análise de imagens de microscopia celular, desde a detecção de núcleos celulares à classificação multi-fenótipo.