Une équipe interdisciplinaire du Caltech a développé CellSAM, un algorithme d'intelligence artificielle capable d'identifier et de segmenter des cellules dans une vaste gamme d'images biologiques. Cette innovation vise à automatiser un processus traditionnellement manuel et fastidieux, permettant de distinguer et de classer des cellules individuelles dans des micrographies complexes. Le modèle résulte d'une collaboration entre les laboratoires de David Van Valen, professeur de biologie et génie biologique, et Yisong Yue, professeur de mathématiques et sciences informatiques. Ses résultats, publiés dans la revue Nature Methods, promettent de réduire considérablement le temps consacré à l'annotation manuelle des données. L'imagerie biologique est fondamentale pour des applications critiques, telles que l'identification de cellules cancéreuses dans des biopsies ou l'observation de la façon dont les cellules immunitaires, comme les macrophages, éliminent les pathogènes. Historiquement, la différenciation et l'étiquetage de ces cellules dans des images et des vidéos nécessitaient des heures de travail manuel de la part des chercheurs. Van Valen souligne que les étudiants devaient autrefois passer d'innombrables heures à identifier manuellement les cellules ou à corriger les erreurs des algorithmes existants. CellSAM remplace ces efforts par un modèle unique capable de s'adapter à diverses applications biologiques, éliminant ainsi les obstacles à l'extraction d'informations pertinentes à partir de vastes ensembles de données. Les images biologiques présentent une grande diversité, allant des cellules tumorales enfouies dans des tissus aux bactéries sécrétant des substances antibiotiques résistantes. Avec l'avènement des technologies générant des données massives, la capacité de traiter cette variété devient essentielle. CellSAM est le premier modèle capable de s'appliquer à de multiples cas d'utilisation, permettant aux chercheurs d'identifier différents types de cellules, de localiser leur position et d'analyser leurs interactions avec leurs voisins. Caractériser ces dynamiques complexes est crucial pour comprendre des situations cliniques variées, telles que les raisons pour lesquelles une immunothérapie contre le cancer peut être efficace chez un patient mais pas chez un autre. L'algorithme a été entraîné sur un nombre considérable d'images biologiques préalablement étiquetées par des experts humains. L'équipe prévoit d'améliorer continuellement CellSAM en l'entraînant sur de nouveaux types de données biologiques. L'outil est désormais disponible gratuitement pour les chercheurs du monde entier. Yisong Yue explique que des approches comme CellSAM ne se contentent pas de rendre les flux de travail d'analyse d'images plus efficaces ; elles rendent possible l'exploration de questions biologiques à des échelles auparavant impraticables. La capacité à suivre des millions de cellules dans de nombreuses conditions permet désormais d'examiner des phénomènes auparavant inaccessibles, tels que l'apparition de rares états cellulaires ou l'impact de changements subtils dans la forme cellulaire sur la réponse aux traitements. En supprimant les goulots d'étranglement analytiques, CellSAM ouvre la voie à de nouvelles découvertes fascinantes et accélère la progression de la recherche en biologie. Les chercheurs espèrent que cette méthode permettra de collecter des données riches et de résoudre progressivement les défis complexes liés à la découverte scientifique.