Améliorer la visibilité des images AFM pour faire apparaitre les structures moléculaires

PELLEQUER Jean-Luc — 2020-10-19T12:43:54Z

Pour rendre les caractéristiques de surface du TMV visibles dans l'image AFM, le traitement de l'intensité a impliqué la réduction des bruits de bande, l'égalisation de l'histogramme et le calcul de la dérivée partielle mixte de l'intensité au pixel, c'est-à-dire Dxy2I(x,y) = d2I(x,y)/dxdy, où I(x,y) est l'intensité au pixel (x,y).
Grâce à ce traitement d'image dédié, nous avons constaté qu'à basse résolution (c'est-à-dire 1,95 nm par pixel), les caractéristiques de surface extraites de TMV peuvent être interprétées comme une répétition hélicoïdale partielle ou complète (trois tours complets d'une longueur de 7,0 nm), alors que les sous-unités protéiques individuelles ( 2,5 nm) n'étaient perceptibles qu'à haute résolution.
Le traitement analytique des images AFM a été développé par Wendy Chen. Les mesures AFM ont été effectuées par Michael Odorico et Jean-Marie Teulon. Les surfaces SAM ont été réalisées par Matthieu Meillan sous la supervision de Luc Vellutini.

Chen S-wW, et al. (2013) Nanoscale structural features determined by AFM for single virus particles. Nanoscale 22 : 10877-10886.

De la nécessité de décrire le traitement d'images AFM

2018-08-23T11:48:57Z

Existe-t-il (ou existera-t-il) une méthode universelle de traitement d'images AFM ?

Il y a une grande différence entre les images AFM et les images photographiques. Alors que les deux sont composées de pixels, les images AFM brutes comportent des valeurs numériques réelles (32 bits) alors que les images photographiques sont pour la plupart une combinaison de trois couleurs codée sur 8 bits chacune. Par conséquent, il y a beaucoup plus d'information dans les images AFM que le simple rendu chromographique qui en est le plus souvent exporté. Une autre conséquence de cette différence est que les outils traditionnels de traitement d'images ne sont pas forcement le mieux adapté pour les images AFM. Probablement encore plus important : l'œil humain, au travers de la conversion 32 bits -> 16 bits, n'est pas un bon filtre de données AFM !
Dans cette étude nous avons utilisé un traitement d'images classique, l'opérateur Laplacien, sur deux jeux de données AFM : une protéine isolée (image ci-dessous : a) image originale, b) image plus un masque laplacien x1, c) image avec un poids laplacien, d) image plus un masque laplacien x5) et le TMV. Grâce à un calcul spécifique de l'évaluation de la "visibilité" d'une image, on montre que les meilleurs traitements sur ces deux types de molécules sont différents. Par conséquent, bien qu'un traitement d'images apparaisse classique aux yeux des spécialistes, il n'en demeure pas moins de tester différentes variantes de traitements d'images et qu'il est extrêmement important de le reporter dans les publications.
Le formalisme du filtre laplacien a été développé par Wendy Chen et les images AFM des protéines ont été obtenues pendant l'action Cost TD1002 par Jean-Marie Teulon et Christian Godon.

Chen SWW, Teulon JM, Godon C and Pellequer JL (2016) Atomic Force Microscope, Molecular Imaging, and Analysis. J. Mol. Recognit. 29 : 51–55.

IBS - Institut de Biologie Structurale - Grenoble / France

Améliorer la visibilité des images AFM pour faire apparaitre les structures moléculaires

De la nécessité de décrire le traitement d'images AFM