Josh Dorlington est déjà doué pour observer les rapides. A cartographié des rivières d'air à flux rapide à différentes altitudes atmosphériques et a placé les cartes côte à côte. "Vous serez très bon pour observer toutes ces sections et calculer ce qu'elles signifient", a déclaré Dorlington, physicien atmosphérique à l'Université d'Oxford au Royaume-Uni. Mais cette approche « manuelle » est plus lente et « moins interactive » que la visualisation informatisée.
Par conséquent, lorsqu'il s'agit de visualiser des événements de blocage atmosphérique, c'est-à-dire des masses d'air stationnaires à haute pression déviant les rapides et causant des événements météorologiques extrêmes, Dorlington a essayé une autre approche. À l'aide du visionneur d'images napari, il a utilisé des animations 3D pour créer des cours d'eau qui traversent l'hémisphère nord – souvent, mais pas toujours, synchronisés les uns avec les autres. « En un après-midi, j'ai passé beaucoup de temps ensemble à étudier des choses et j'ai eu une brève impression visuelle des basses altitudes et des rapides de haut niveau de l'Atlantique! » A tweeté en août.
Napari est un visionneur d'images libre, open source et extensible qui peut afficher des données complexes arbitraires ("n-dimensionnelles") étroitement couplées au langage de programmation Python (voir napari.org). A été créé par Loïck Royer, microscopiste au Chen Zuckerberg Biological Center à San Francisco, en Californie; Juan Núñez-Iglesias, qui a développé l'analyse d'images à l'Université Monash de Melbourne, en Australie; Et Nicholas Sofronev, qui dirige l'équipe de technologie d'imagerie de la Chan Zuckerberg Initiative (CZI) à Redwood City, en Californie.
L'équipe a créé le logiciel en 2018 pour combler les lacunes de l'écosystème scientifique Python. Bien que Python soit un langage commun pour le calcul scientifique, il n'a pas d'outils de visualisation capables de traiter des ensembles de données à n dimensions. Par conséquent, l'analyse de données nécessite souvent des allers-retours fastidieux entre Python et d'autres outils (comme le package d'analyse d'image basé sur Java ImageJ), car les chercheurs manipulent alternativement leurs données et les visualisent pour voir ce qui se passe.
Ten computer codes that transformed science
napari — the name refers to a Pacific island village midway between the developers’ bases in San Francisco and Melbourne — features a simple graphical interface with a built-in Python console in which images can be rendered, rotated and manipulated in 2D or 3D, with additional dimensions, such as the succession of temporal ‘slices’ in a time series, accessible using sliders beneath the image window. Une unité de traitement graphique peut être utilisée pour accélérer le logiciel, le cas échéant. "Nous nous assurons de tirer le meilleur parti des capacités de l'ordinateur", a expliqué Royer. (Les utilisateurs d'ImageJ peuvent aussi utiliser PyimageJ pour travailler en Python; Voir pypi.org/project/pyimagej).
Les couches de type Adobe Photoshop permettent aux utilisateurs de superposer des points, des vecteurs, des pistes, des surfaces, des polygones, des commentaires ou d'autres images. Par exemple, les chercheurs peuvent ouvrir une image de tissu dans un napari, identifier le noyau d'un clic de souris, récupérer ces points en Python et les utiliser pour « semer » un algorithme de segmentation cellulaire qui reconnaît les limites cellulaires. Le résultat est ensuite poussé à napari comme une nouvelle couche sur l'image originale, et ils peuvent évaluer l'effet du processus de segmentation.
Xavier Casas Moreno, physicien appliqué à l'Institut royal de technologie de Stockholm, a intégré le napari dans un système de contrôle instrumental appelé ImSwitch, qu'il a construit pour contrôler les microscopes à super-résolution de son laboratoire. À l'aide de couches, les chercheurs peuvent superposer des images prises par plusieurs caméras et capteurs sous différents angles. « C'est un défi que nous ne pouvions pas relever auparavant», a déclaré Moreno. ImSwitch intègre un panneau de contrôle napari personnalisé ou « widget » qui permet à l'utilisateur de se déplacer par rapport à une autre image pour les aligner.
Les utilisateurs peuvent également utiliser des plugins pour étendre napari: Plus de 100 espèces sont disponibles sur le hub napari (voir napari-hub.org). S'agit notamment de plug-ins pour lire et écrire des fichiers, contrôler le microscope et segmenter les cellules. Carsen Stringer, a computational neuroscientist at the Howard Hughes Medical Institute’s Janelia Research Campus near Ashburn, Virginia, created a cell-segmentation plug-in called CellPose, which makes the power of Python deep-learning algorithms available through a simple graphical interface. Stringer et ses collègues utilisent la posture cellulaire pour mesurer l'expression génique et les cellules de signalisation calcique dans le tissu nerveux.
Robert Haas, qui développe l'analyse d'images biologiques à l'Université technique de Dresde en Allemagne, a construit plusieurs plug-ins pour Napari. S'agit notamment de son assistant py-clEsperanto, qui vise à accélérer le traitement des images et à éliminer les barrières linguistiques de programmation entre les différents systèmes de visualisation d'images, et d'un jeu appelé natari, un projet collaboratif entre napari et Atari (développeurs de jeux vidéo) dans lequel l'utilisateur retire des cellules du champ de vision en tirant.
NatureTech hub
Nunez-Iglesias has even written a plug-in that allows users to control napari through a music instrument digital interface (MIDI) board, which typically would be used to tailor digital audio output. Dans une présentation vidéo, Nunez-Iglesias combine un contrôleur MIDI et un iPad d'Apple pour diviser manuellement les cellules en dessinant des images sur une tablette avec un stylo Apple et en se déplaçant d'une couche à l'autre dans un napari en tournant les cadrans du contrôleur MIDI. « Je préfère les contrôleurs matériels et les feedbacks physiques aux interfaces utilisateur virtuelles », explique-t-il.
Dans la version 0.4.12, napari est toujours en cours de développement, soutenu par le programme d'imagerie scientifique du CZI, qui héberge le centre napari et qui a fourni plusieurs collaborateurs pour le projet, ainsi que le code fourni par de nombreux développeurs de la communauté scientifique. Le CZI a également alloué 1 million de dollars des États-Unis pour soutenir le programme de subventions de l'accélérateur de plug-in napari: Quarante et un prix ont été annoncés le mois dernier.
Les principaux objectifs de développement comprennent l'amélioration de l'installation, de la documentation, des interfaces de plug-in et du traitement des grands ensembles de données 3D. Selon Nunez-Iglesias, certaines expériences, telles que les études neurologiques, produisent des ensembles de données si importants que le logiciel est trop lent pour ramper. A déclaré que le "chargement paresseux" schéma de chargement des données à la demande devrait atténuer ce goulot d'étranglement.
Nunez-Iglesias estime que la base d'utilisateurs de Napari est de « milliers ». Se développe rapidement, même chez les non-microscopistes. Par exemple, les utilisateurs ont montré des applications en géophysique et en biologie structurale. DeepLabCut, un outil populaire pour capturer les positions mobiles des animaux, a annoncé son intention de remplacer sa visionneuse par Napari.
Hung-Yi Wu, biologiste des systèmes qui travaillait à l'époque à la Harvard Medical School de Boston, Massachusetts, a résumé l'excitation générée par le projet dans un tweet en 2020.“@napari_imaging is awesome,” he wrote: “I felt like [I was] using the first iPhone”.
