Sistema de análisis basado en aprendizaje profundo de micrografías electrónicas de células infectadas con SARS-CoV-2 y ZIKV

Abstract

A lo largo de la historia, se han reportado varios virus que afectan a los humanos, muchos de los cuales son patógenos que causan una variedad de enfermedades e incluso la muerte. En algunos casos, estos virus han resultado en emergencias de salud de nivel pandémico (p. ej. Virus de la viruela, la influenza y la poliomielitis). En los últimos 15 años, se han experimentado epidemias y pandemias mundiales causadas por el virus del Zika (ZIKV) y el SARS-CoV-2, respectivamente. Ambos son virus de ARN monocatenario de sentido positivo [(+)ssRNA] que afectan la arquitectura celular a través de su interacción. Un organelo esencial para el estudio de las interacciones célula-virus y la respuesta inmune durante una infección es la mitocondria. Se ha demostrado que las mitocondrias exhiben diferentes respuestas a las infecciones virales, y los cambios en su morfología pueden usarse para predecir la respuesta inmune generada, dando lugar a la obtención de blancos terapéuticos. Esto se logra mediante el análisis de la morfología mitocondrial en imágenes obtenidas a través de Microscopía Electrónica de Transmisión de Electrones (TEM por sus siglas en inglés) en Secciones Ultrafinas, realizando la segmentación y toma de métricas para su posterior estudio. Sin embargo, este proceso es altamente laborioso, requiriendo un tiempo considerable por parte del microscopista experto y está sujeto a la experiencia del investigador para la identificación de las mitocondrias. Por lo tanto, tiene un sesgo de subjetividad alto. Para abordar lo mencionado, este trabajo se centra en desarrollar una herramienta de Aprendizaje Profundo (AP) basada en una Red Neuronal Convolucional (CNN por sus siglas en inglés) con arquitectura U-Net, diseñada para el análisis automático de mitocondrias en cultivos celulares no infectados y en cultivos celulares infectados con el virus SARS-CoV-2 o el ZIKV en micrografías TEM. Los resultados obtenidos muestran que la herramienta desarrollada alcanza una precisión superior al 85% en la identificación, segmentación y caracterización de mitocondrias, lo que permite una detección más rápida de mitocondrias dañadas. Reduciendo significativamente la carga de trabajo y disminuyendo el sesgo en los resultados causado por la subjetividad del observador, facilitando estudios sobre la remodelación mitocondrial en contextos de infección viral, con implicaciones significativas para comprender mejor las respuestas celulares a patógenos emergentes.

Throughout history several viruses that affect humans have been reported, many of them being pathogenic, causing a range of diseases and even death. In some cases, these viruses have resulted in pandemic-level health emergencies (i.e., smallpox, influenza, and polio). In the last 15 years, worldwide epidemics and pandemics caused by the Zika virus (ZIKV) and SARS-CoV-2, respectively, have been experienced. Both are positive-sense single-stranded RNA [(+)ssRNA] viruses that affect the cell architecture through their interaction. One essential organelle in studying cell-virus interactions and the immune response during an infection is the mitochondria. It has been shown that the mitochondria exhibit different responses to viral infections, and the changes in its morphology can be used to predict the generated immune response, leading to the identification of therapeutic targets. This is achieved through a mitochondrial morphology analysis using images obtained via Transmission Electron Microscopy (abbreviated as TEM) in ultrathin sections, involving segmentation and metric measurements for subsequent study. However, this process is highly labour-intensive, requiring considerable time from the expert microscopist, and it is subject to the researcher's experience for the mitochondria morphology analysis, leading to a wide subjectivity bias. To cope with the aforementioned, this work is focused on developing a Deep Learning tool based on a Convolutional Neural Network (abbreviated as CNN) with a U-Net architecture, designed for the automatic mitochondria analysis in both uninfected and SARS-CoV-2 or ZIKV infected cell cultures in TEM images. The results obtained show that the developed tool achieves over 85% accuracy in the mitochondria identification, segmentation, and characterization, allowing a faster damaged mitochondria detection. Thus, enabling a large workload reduction and subjectivity bias minimization in the obtained results, and facilitating studies on mitochondrial remodelling in viral infection contexts, which have significant implications for better understanding cellular responses to emerging pathogens.