The resources and expertise needed to use Deep Learning (DL) in bioimaging remain significant barriers for most laboratories. We present https://github.com/HenriquesLab/ZeroCostDL4Mic/wiki , a platform simplifying access to DL by exploiting the free, cloud-based computational resources of Google Colab. https://github.com/HenriquesLab/ZeroCostDL4Mic/wiki allows researchers to train, evaluate, and apply key DL networks to perform tasks including segmentation, detection, denoising, restoration, resolution enhancement and image-to-image translation. We demonstrate the application of the platform to study multiple biological processes.

Abstract Deep learning-based approaches are revolutionizing imaging-driven scientific research. However, the accessibility and reproducibility of deep learning-based workflows for imaging scientists remain far from sufficient. Several tools have recently risen to the challenge of democratizing deep learning by providing user-friendly interfaces to analyze new data with pre-trained or fine-tuned models. Still, few of the existing pre-trained models are interoperable between these tools, critically restricting a model’s overall utility and the possibility of validating and reproducing scientific analyses. Here, we present the BioImage Model Zoo ( https://bioimage.io ): a community-driven, fully open resource where standardized pre-trained models can be shared, explored, tested, and downloaded for further adaptation or direct deployment in multiple end user-facing tools (e.g., ilastik, deepImageJ, QuPath, StarDist, ImJoy, ZeroCostDL4Mic, CSBDeep). To enable everyone to contribute and consume the Zoo resources, we provide a model standard to enable cross-compatibility, a rich list of example models and practical use-cases, developer tools, documentation, and the accompanying infrastructure for model upload, download and testing. Our contribution aims to lay the groundwork to make deep learning methods for microscopy imaging findable, accessible, interoperable, and reusable (FAIR) across software tools and platforms.

In recent years, the development of new image analysis approaches has highlighted the possibility of recovering superresolution information from short sequences of wide-field images. Our recently developed method, SRRF (Super-Resolution Radial Fluctuations), enables long-term live-cell imaging beyond the resolution limit without specialized hardware. Here, we present eSRRF (enhanced-SRRF), a significant improvement over our initial method, enhancing image fidelity to the underlying structure and resolution. Especially, eSRRF uses automated data-driven parameter optimization, including an estimation of the number of frames necessary for optimal reconstruction. We demonstrate the improved fidelity of the images reconstructed with eSRRF and highlight its versatility and ease of use over a wide range of microscopy techniques and biological systems. We also extend eSRRF to 3D super-resolution microscopy by combining it with multi-focus microscopy (MFM), obtaining volumetric super-resolution imaging of live cells with acquisition speed of ~1 volume/second.

Super-resolution microscopy has become essential for the study of nanoscale biological processes. This type of imaging often requires the use of specialised image analysis tools to process a large volume of recorded data and extract quantitative information. In recent years, our team has built an open-source image analysis framework for super-resolution microscopy designed to combine high performance and ease of use. We named it NanoJ - a reference to the popular ImageJ software it was de-veloped for. In this paper, we highlight the current capabilities of NanoJ for several essential processing steps: spatio-temporal alignment of raw data (NanoJ-Core), super-resolution image re-construction (NanoJ-SRRF), image quality assessment (NanoJ-SQUIRREL), structural modelling (NanoJ-VirusMapper) and control of the sample environment (NanoJ-Fluidics). We expect to expand NanoJ in the future through the development of new tools designed to improve quantitative data analysis and measure the reliability of fluorescent microscopy studies.

Abstract Bacterial cell division is mediated by the tubulin-homolog FtsZ, which recruits peptidoglycan (PG) synthesis enzymes to the division site. Septal PG synthases promote inward growth of the division septum, but the mechanisms governing the spatiotemporal regulation of these enzymes are poorly understood. Recent studies on various organisms have proposed different models for the relationship between the movement and activity of septum-specific PG synthases and FtsZ treadmilling. Here, we studied the movement dynamics of conserved cell division proteins relative to the rates of septum constriction and FtsZ treadmilling in the Gram-positive pathogen Staphylococcus aureus . The septal PG synthesis enzyme complex FtsW/PBP1 and its putative activator protein, DivIB, moved processively, around the division site, with the same velocity. Impairing FtsZ treadmilling did not affect FtsW and DivIB velocities or septum constriction rates. Contrarily, inhibition of PG synthesis slowed down or completely stopped both septum constriction and the directional movement of FtsW/PBP1 and DivIB. Our findings support a model for S. aureus in which a single population of processively moving FtsW/PBP1 remains associated with DivIB to drive cell constriction independently of treadmilling FtsZ filaments.

To overcome the challenges posed by large and complex microscopy datasets, we have developed NanoPyx, an adaptive bioimage analysis framework designed for high-speed processing. At the core of NanoPyx is the Liquid Engine, an agent-based machine-learning system that predicts acceleration strategies for image analysis tasks. Unlike traditional single-algorithm methods, the Liquid Engine generates multiple CPU and GPU code variations using a meta-programming system, creating a competitive environment where different algorithms are benchmarked against each other to achieve optimal performance under the user”s computational environment. In initial experiments focusing on super-resolution analysis methods, the Liquid Engine demonstrated an over 10-fold computational speed improvement by accurately predicting the ideal scenarios to switch between algorithmic implementations. NanoPyx is accessible to users through a Python library, code-free Jupyter notebooks, and a napari plugin, making it suitable for individuals regardless of their coding proficiency. Furthermore, the optimisation principles embodied by the Liquid Engine have broader implications, extending their applicability to various high-performance computing fields.

Deep Learning (DL) is rapidly changing the field of microscopy, allowing for efficient analysis of complex data while often out-performing classical algorithms. This revolution has led to a significant effort to create user-friendly tools allowing biomedical researchers with little background in computer sciences to use this technology effectively. Thus far, these approaches have mainly focused on analysing microscopy images from eukaryotic samples and are still underused in microbiology. In this work, we demonstrate how to use a range of state-of-the-art artificial neural-networks particularly suited for the analysis of bacterial microscopy images, using our recently developed ZeroCostDL4Mic platform. We showcase different DL approaches for segmenting bright field and fluorescence images of different bacterial species, use object detection to classify different growth stages in time-lapse imaging data, and carry out DL-assisted phenotypic profiling of antibiotic-treated cells. To also demonstrate the DL capacity to enhance low-phototoxicity live-cell microscopy, we showcase how image denoising can allow researchers to attain high-fidelity data in faster and longer imaging. Finally, artificial labelling of cell membranes and predictions of super-resolution images allow for accurate mapping of cell shape and intracellular targets. To aid in the training of novice users, we provide a purposefully-built database of training and testing data, enabling bacteriologists to quickly explore how to analyse their data through DL. We hope this lays a fertile ground for the efficient application of DL in microbiology and fosters the creation of novel tools for bacterial cell biology and antibiotic research.

The first step of cellular entry for the human immunodeficiency virus type-1 (HIV-1) occurs through the binding of its envelope protein (Env) with the plasma membrane receptor CD4 and co-receptor CCR5 or CXCR4 on susceptible cells, primarily CD4 + T cells and macrophages. Although there is considerable knowledge of the molecular interactions between Env and host cell receptors that lead to successful fusion, the precise way in which HIV-1 receptors redistribute to sites of virus binding at the nanoscale remains unknown. Here, we quantitatively examine changes in the nanoscale organisation of CD4 on the surface of CD4 + T cells following HIV-1 binding. Using single-molecule super-resolution imaging, we show that CD4 molecules are distributed mostly as either individual molecules or small clusters of up to 4 molecules. Following virus binding, we observe a local 3-to-10-fold increase in cluster diameter and molecule number for virus-associated CD4 clusters. Moreover, a similar but smaller magnitude reorganisation of CD4 was also observed with recombinant gp120. For the first time, our results quantify the nanoscale CD4 reorganisation triggered by HIV-1 on host cells. Our quantitative approach provides a robust methodology for characterising the nanoscale organisation of plasma membrane receptors in general with the potential to link spatial organisation to function.

Most super-resolution microscopy methods depend on steps that contribute to the formation of image artefacts. Here we present NanoJ-SQUIRREL, an ImageJ-based analytical approach providing a quantitative assessment of super-resolution image quality. By comparing diffraction-limited images and super-resolution equivalents of the same focal volume, this approach generates a quantitative map of super-resolution defects, as well as methods for their correction. To illustrate its broad applicability to super-resolution approaches we apply our method to Localization Microscopy, STED and SIM images of a variety of in-cell structures including microtubules, poxviruses, neuronal actin rings and clathrin coated pits. We particularly focus on single-molecule localisation microscopy, where super-resolution reconstructions often feature imperfections not present in the original data. By showing the quantitative evolution of data quality over these varied sample preparation, acquisition and super-resolution methods we display the potential of NanoJ-SQUIRREL to guide optimization of super-resolution imaging parameters.

The archaeon Sulfolobus acidocaldarius is a relative of eukaryotes known to progress orderly through its cell division cycle despite lacking obvious CDK/cyclin homologues. Here, in exploring the mechanisms underpinning archaeal cell division cycle control, we show that the proteasome of S. acidocaldarius, like its eukaryotic counterpart, regulates the transition from the end of one cell division cycle to the beginning of the next. Further, we identify the archaeal ESCRT-III homologue CdvB as a key target of the proteasome, and show that state-dependent degradation of CdvB triggers archaeal cell division by allowing constriction of a CdvB1:CdvB2 ESCRT-III division ring. These findings suggest an ancient role for proteasome-mediated degradation in resetting the cell division cycle in both archaea and eukaryotes.