Abstract Three-dimensional microscopy is increasingly prevalent in biology due to the development of techniques such as multiphoton, spinning disk confocal, and light sheet fluorescence microscopies. These methods enable unprecedented studies of life at the microscale, but bring with them larger and more complex datasets. New image processing techniques are therefore called for to analyze the resulting images in an accurate and efficient manner. Convolutional neural networks are becoming the standard for classification of objects within images due to their accuracy and generalizability compared to traditional techniques. Their application to data derived from 3D imaging, however, is relatively new and has mostly been in areas of magnetic resonance imaging and computer tomography. It remains unclear, for images of discrete cells in variable backgrounds as are commonly encountered in fluorescence microscopy, whether convolutional neural networks provide sufficient performance to warrant their adoption, especially given the challenges of human comprehension of their classification criteria and their requirements of large training datasets. We therefore applied a 3D convolutional neural network to distinguish bacteria and non-bacterial objects in 3D light sheet fluorescence microscopy images of larval zebrafish intestines. We find that the neural network is as accurate as human experts, outperforms random forest and support vector machine classifiers, and generalizes well to a different bacterial species through the use of transfer learning. We also discuss network design considerations, and describe the dependence of accuracy on dataset size and data augmentation. We provide source code, labeled data, and descriptions of our analysis pipeline to facilitate adoption of convolutional neural network analysis for three-dimensional microscopy data. Author summary The abundance of complex, three dimensional image datasets in biology calls for new image processing techniques that are both accurate and fast. Deep learning techniques, in particular convolutional neural networks, have achieved unprecedented accuracies and speeds across a large variety of image classification tasks. However, it is unclear whether or not their use is warranted in noisy, heterogeneous 3D microscopy datasets, especially considering their requirements of large, labeled datasets and their lack of comprehensible features. To asses this, we provide a case study, applying convolutional neural networks as well as feature-based methods to light sheet fluorescence microscopy datasets of bacteria in the intestines of larval zebrafish. We find that the neural network is as accurate as human experts, outperforms the feature-based methods, and generalizes well to a different bacterial species through the use of transfer learning.

Abstract The microbial communities resident in animal intestines are composed of multiple species that together play important roles in host development, health and disease. Due to the complexity of these communities and the difficulty of characterizing them in situ, the determinants of microbial composition remain largely unknown. Further, it is unclear for many multi-species consortia whether their species-level makeup can be predicted based on an understanding of pairwise species interactions, or whether higher-order interactions are needed to explain emergent compositions. To address this, we examine commensal intestinal microbes in larval zebrafish, initially raised germ-free to allow introduction of controlled combinations of bacterial species. Using a dissection and plating assay, we demonstrate the construction of communities of one to five bacterial species and show that the outcomes from the two-species competitions fail to predict species abundances in more complex communities. With multiple species present, inter-bacterial interactions become weaker and more cooperative, suggesting that higher-order interactions in the vertebrate gut may stabilize complex communities.

Light sheet fluorescence microscopy enables fast, minimally phototoxic, three-dimensional imaging of live specimens, but is currently limited by low throughput and tedious sample preparation. Here, we describe an automated high-throughput light sheet fluorescence microscope in which specimens are positioned by and imaged within a fluidic system integrated with the sheet excitation and detection optics. We demonstrate the ability of the instrument to rapidly examine live specimens with minimal manual intervention by imaging fluorescent neutrophils over a nearly 0.3 mm³ volume in dozens of larval zebrafish. In addition to revealing considerable inter-individual variability in neutrophil number, known previously from labor-intensive methods, three-dimensional imaging allows assessment of the correlation between the bulk measure of total cellular fluorescence and the spatially resolved measure of actual neutrophil number per animal. We suggest that our simple experimental design should considerably expand the scope and impact of light sheet imaging in the life sciences.

The capacity to associate symbiotic bacteria with vital aspects of plant and animal biology is outpacing our understanding of the mechanisms shaping these interactions. A major barrier to mechanistic studies is the paucity of tools for genetically manipulating wild and diverse bacterial isolates. Solving this problem is crucial to elucidating the cellular and molecular rules that govern symbiotic relationships and ultimately harnessing them for agricultural and biomedical applications. Therefore, we constructed a series of vectors that expedite genetic knock-in and knock-out procedures across a range of bacterial lineages. This was accomplished by developing strategies for domestication-free bacterial conjugation, designing plasmids with customizable features, and streamlining allelic exchange using visual markers of homologous recombination. These tools enabled a comparative study based on live imaging of diverse bacterial symbionts native to the zebrafish intestine, with which we discovered heterogeneous colonization patterns and a striking correlation between bacterial population biogeography and cellular behavior.