Abstract Major depressive disorder (MDD) is the leading cause of disability worldwide. However, 30-50% of patients are unresponsive to commonly prescribed antidepressants, highlighting untapped causal biological mechanisms. Dysfunction in the microbiota-gut-brain axis, the bidirectional communications between the central nervous system and gastrointestinal tract that are modulated by gut microorganisms, has been implicated in MDD pathogenesis. Exposure to chronic stress disrupts blood-brain barrier integrity, still, little is known about intestinal barrier function in these conditions particularly for the small intestine where most food and drug absorption takes place. Thus, here we investigate how chronic social or variable stress, two mouse models of depression, impact the jejunum (JEJ) intestinal barrier in males and females. Mice were subjected to stress paradigms followed by analysis of gene expression profiles of intestinal barrier-related targets, fecal microbial composition, and blood-based markers. Altered microbial populations as well as changes in gene expression of JEJ tight junctions were observed depending on the type and duration of stress, with sex-specific effects. We took advantage of machine learning to characterize in detail morphological tight junction properties identifying a cluster of ruffled junctions in stressed animals. Junctional ruffling is associated with inflammation, so we evaluated if LPS injection recapitulates stress-induced changes in the JEJ and observed profound sex differences. Finally, LPS-binding protein (LBP), a marker of gut barrier leakiness, was associated with stress vulnerability in mice and translational value was confirmed on blood samples from women with MDD. Our results provide evidence that chronic stress disrupts intestinal barrier homeostasis in conjunction with the manifestation of depressive-like behaviors in a sex-specific manner in mice and possibly, human depression.

Abstract The nanoscale organization of the F-actin cytoskeleton in neurons comprises membrane-associated periodical rings, bundles, and longitudinal fibers. The F-actin rings have been observed predominantly in axons but only sporadically in dendrites, where fluorescence nanoscopy reveals various patterns of F-actin arranged in mixed patches. These complex dendritic F-actin patterns pose a challenge for investigating quantitatively their regulatory mechanisms. We developed here a weakly supervised deep learning segmentation approach of fluorescence nanoscopy images of F-actin in cultured hippocampal neurons. This approach enabled the quantitative assessment of F-actin remodeling, revealing the disappearance of the rings during neuronal activity in dendrites, but not in axons. The dendritic F-actin cytoskeleton of activated neurons remodeled into longitudinal fibers. We show that this activity-dependent remodeling involves Ca 2+ and NMDA-dependent mechanisms. This highly dynamic restructuring of dendritic F-actin based submembrane lattice into longitudinal fibers may serve to support activity-dependent membrane remodeling, protein trafficking and neuronal plasticity.

Abstract High throughput quantitative analysis of microscopy images presents a challenge due to the complexity of the image content and the difficulty to retrieve precisely annotated datasets. In this paper we introduce a weakly-supervised MICRoscopy Analysis neural network (MICRA-Net) that can be trained on a simple main classification task using image-level annotations to solve multiple the more complex auxiliary semantic segmentation task and other associated tasks such as detection or enumeration. MICRA-Net relies on the latent information embedded within a trained model to achieve performances similar to state-of-the-art architectures when no precisely annotated dataset is available. This learnt information is extracted from the network using gradient class activation maps, which are combined to generate detailed feature maps of the biological structures of interest. We demonstrate how MICRA-Net significantly alleviates the Expert annotation process on various microscopy datasets and can be used for high-throughput quantitative analysis of microscopy images.

Abstract We introduce a deep learning model that predicts super-resolved versions of diffraction-limited microscopy images. Our model, named Task- Assisted Generative Adversarial Network (TA-GAN), incorporates an auxiliary task (e.g. segmentation, localization) closely related to the observed biological nanostructures characterization. We evaluate how TA-GAN improves generative accuracy over unassisted methods using images acquired with different modalities such as confocal, brightfield (diffraction-limited), super-resolved stimulated emission depletion, and structured illumination microscopy. The generated synthetic resolution enhanced images show an accurate distribution of the F-actin nanostructures, replicate the nanoscale synaptic cluster morphology, allow to identify dividing S. aureus bacterial cell boundaries, and localize nanodomains in simulated images of dendritic spines. We expand the applicability of the TA-GAN to different modalities, auxiliary tasks, and online imaging assistance. Incorporated directly into the acquisition pipeline of the microscope, the TA-GAN informs the user on the nanometric content of the field of view without requiring the acquisition of a super-resolved image. This information is used to optimize the acquisition sequence, and reduce light exposure. The TA-GAN also enables the creation of domain-adapted labeled datasets requiring minimal manual annotation, and assists microscopy users by taking online decisions regarding the choice of imaging modality and regions of interest.

Ca 2+ imaging methods are widely used for studying cellular activity in the brain, allowing detailed analysis of dynamic processes across various scales. Enhanced by high-contrast optical microscopy and fluorescent Ca 2+ ...

The integration of artificial intelligence (AI) into microscopy systems significantly enhances performance, optimizing both the image acquisition and analysis phases. Development of AI-assisted super-resolution microscopy is often limited by the access to large biological datasets, as well as by the difficulties to benchmark and compare approaches on heterogeneous samples. We demonstrate the benefits of a realistic STED simulation platform, pysted, for the development and deployment of AI-strategies for super-resolution microscopy. The simulation environment provided by pysted allows the augmentation of data for the training of deep neural networks, the development of online optimization strategies, and the training of reinforcement learning models, that can be deployed successfully on a real microscope.

Abstract Correct spatiotemporal distribution of organelles and vesicles is crucial for healthy cell functioning and is regulated by intracellular transport mechanisms. Controlled transport of bulky mitochondria is especially important in polarized cells such as neurons that rely on these organelles to locally produce energy and buffer calcium. Mitochondrial transport requires and depends on microtubules which fill much of the available axonal space. How mitochondrial transport is affected by their position within the microtubule bundles is not known. Here, we found that anterograde transport, driven by kinesin motors, is susceptible to the molecular conformation of tubulin both in vitro and in vivo . Anterograde velocities negatively correlate with the density of elongated tubulin dimers, similar to GTP-tubulin, that are more straight and rigid. The impact of the tubulin conformation depends primarily on where a mitochondrion is positioned, either within or at the rim of microtubule bundle. Increasing elongated tubulin levels lowers the number of motile anterograde mitochondria within the microtubule bundle and increases anterograde transport speed at the microtubule bundle rim. We demonstrate that the increased kinesin step processivity on microtubules consisting of elongated dimers underlies increased mitochondrial dynamics. Our work indicates that the molecular conformation of tubulin controls mitochondrial motility and as such locally regulates the distribution of mitochondria along axons.