Les microglies activées présentent des caractéristiques morphologiques qui les distinguent des microglies au repos (par exemple , des processus plus courts et plus denses, une forme améboïde, etc.). Nous avons utilisé l’apprentissage supervisé pour développer un modèle de vision par ordinateur d’apprentissage automatique (ML) qui classe l’état d’activation de chaque cellule microgliale en fonction de ces caractéristiques morphologiques.

Pour classer l’état d’activation de la microglie, nous segmentons d’abord le corps cellulaire à l’aide du canal Iba-1, et nous utilisons la coloration DAPI colocalisée pour délimiter le soma et séparer la microglie individuelle. Chaque cellule microgliale est squelettisée et ses processus sont séparés du soma pour extraire un grand nombre de caractéristiques morphologiques, telles que la taille de la cellule, la taille du soma, le nombre de points de ramification dans le squelette, etc. Ces caractéristiques sont ensuite utilisées par un modèle d’apprentissage automatique qui attribue un score d’activation à chaque cellule, puis classe cette cellule comme activée ou non activée. 

Les valeurs de Shapley représentent les effets additifs des différentes caractéristiques et peuvent être utilisées pour expliquer comment le modèle d’apprentissage automatique classe une cellule. Chaque point du graphique représente la valeur du paramètre d’une cellule donnée indiquée par une couleur, le rouge correspondant à des valeurs supérieures à la moyenne, et son impact sur la décision, où des valeurs de Shapley plus faibles tendent à classer les cellules comme activées. Par exemple, une cellule microgliale de type améboïde (non allongée) avec beaucoup de processus (faible fraction de la surface occupée par le soma) et une solidité élevée sera classée comme activée.

Le modèle d’apprentissage automatique génère un score d’activation compris entre 0 et 1 pour chaque microglie, où 1 représente l’état le plus activé. Il est possible de binariser la prédiction en seuillant l’activation à 0,5. Nous pouvons également utiliser directement le score d’activation continue pour mettre en évidence de fines différences morphologiques qui peuvent ne pas être capturées avec une simple prédiction binaire.