《npj Imaging》：Bioimage analysis for multiplexed FUCCI acquisitions powered by deep learning
编辑推荐：
为应对多重活细胞成像中常见的低信噪比条件对FUCCI传感器准确解码细胞周期带来的挑战，研究人员利用深度学习网络，整合了FUCCI信号与细胞质α-微管蛋白荧光报告基因。该方法在细胞核分割与分类上均优于现有方案，其高精度分割为实现稳健的自动化追踪奠定了基础。研究者进一步引入了动态时间规整分析，可从非完整轨迹中推断细胞周期伪时间，并能检测细胞周期阻滞。该研究为癌症研究、发育和力生物学等领域提供了强有力的预训练网络工具。
细胞如何精确地复制和分裂，是生命科学的核心谜题之一。在活细胞中可视化这一过程，对于理解发育、疾病乃至药物作用机制至关重要。荧光泛素化细胞周期指示器（Fluorescent Ubiquitination-based Cell Cycle Indicator, FUCCI）技术的出现，犹如为研究者安装了一台“细胞周期监视器”。它通过荧光蛋白的合成与降解，让处于细胞周期不同阶段（如G1期、S/G2/M期）的细胞核发出不同颜色的光，从而实现对细胞周期进程的实时、动态观测。
然而，科学的道路上总伴随着挑战。当研究者希望“一石多鸟”，在观察细胞周期的同时，利用其他荧光报告基因探究细胞的结构（如细胞骨架）或功能时，就需要进行多重成像。这种多重采集为了减少对细胞的光损伤，往往使用低功率曝光，导致图像的信噪比（Signal-to-Noise Ratio, SNR）很低。此外，不同荧光通道之间的光谱串扰也进一步干扰了信号。在这种“雾里看花”的条件下，传统生物图像分析工具难以准确分割出细胞核，更遑论对其进行精确的细胞周期分类了。不准确的分割会导致后续的细胞追踪失败，使得基于单细胞轨迹的深入分析（如检测细胞周期阻滞）变得不可靠。因此，开发一种能够稳健处理低信噪比多重FUCCI成像数据的分析方法，成为了连接先进成像技术与可靠生物学洞见之间的关键瓶颈。
为了解决这一难题，一项发表于《npj Imaging》的研究提出了一种基于深度学习的创新解决方案。该研究没有引入全新的网络架构，而是致力于构建一个经过验证、可重复的工作流程，专门用于处理低信噪比和光谱串扰条件下的多重FUCCI数据。研究团队的核心思路颇为巧妙：他们注意到，在多重成像中常与FUCCI共同使用的结构标记物（如α-微管蛋白）仅表达于细胞质。那么，细胞质标记所形成的“负空间”是否隐含了细胞核的位置信息？基于此，他们假设细胞质信号可以辅助、甚至独立完成细胞核分割任务。
为了验证这一想法，研究人员构建了一个包含人癌细胞系（HT-1080）和角质形成细胞系（HaCaT）的多样化数据集，这些细胞均表达了定制的FUCCI传感器、α-微管蛋白和肌动蛋白报告基因。数据集涵盖了不同的细胞密度、放大倍数和曝光条件，包含了从高对比度到极低信噪比的各类图像，总计注释了来自超过15个不同样本的约5000个细胞核实例。
研究者选择了StarDist这一先进的卷积神经网络（Convolutional Neural Network, CNN）架构，并针对不同输入通道配置训练了定制化网络，以充分利用多重采集信息。他们训练了三种配置的网络：仅使用α-微管蛋白通道（1-CH）、仅使用两个FUCCI通道（2-CH）以及同时使用两个FUCCI通道和α-微管蛋白通道（3-CH）。在验证数据上，2-CH和3-CH网络都达到了约0.9的高精度，显著优于仅使用细胞质信号的1-CH网络（精度0.77）。如图1所示，在低信噪比条件下，3-CH网络能检测到2-CH网络遗漏的细胞核，并且能避免将串扰伪影误认为细胞核。这表明，整合细胞质结构信息能显著提升在挑战性成像条件下的分割鲁棒性。
研究进一步将定制网络与几种现有方案进行了基准测试，包括将FUCCI通道合并为类DAPI通道后用预训练StarDist或CellPose分割的方法、ConfluentFUCCI工作流以及新兴的通道不变网络InstanSeg。结果显示，在高质量、高信噪比数据上，多种方法表现相当；但在低信噪比数据上，定制训练的2-CH和3-CH网络显著优于所有基准方法。此外，研究还证明了网络在已发表的、使用不同FUCCI传感器（如原始FUCCI传感器、PIP-FUCCI）的其他细胞系数据上也具有良好的泛化能力。
分类细胞周期阶段
在实现准确分割的基础上，研究探索了利用深度学习对单个时间点采集的图像中的细胞核进行细胞周期阶段（G1, G1/S, S/G2/M）分类。多重采集带来的光谱串扰会使传统基于FUCCI强度阈值的方法产生误分类，例如，有丝分裂时细胞变圆导致细胞质信号串入核通道，可能将S/G2/M期细胞误判为G1/S期。
为此，研究者训练了能够同时完成实例分割和语义分类的StarDist网络。结果表明，深度学习分类器在匹配了真实分割掩码的细胞核上，分类准确率几乎达到完美，显著优于传统的强度阈值法。如图2所示，即使仅使用α-微管蛋白通道的1-CH网络，在识别G1和S/G2/M期细胞核方面也优于强度法，尽管对G1/S期的识别不佳。有趣的是，通过交换两个FUCCI输入通道的实验发现，网络决策主要依赖于细胞核的FUCCI强度与颜色组合，而非特定通道的形态特征。这使得研究者能够通过重新映射颜色与阶段的对应关系，将该分类网络成功地“移植”到另一种工作原理的PIP-FUCCI传感器数据上，而无需重新训练，展示了其潜在通用性。
通过追踪检测细胞周期状态
高精度的分割为实现可靠的自动化细胞追踪铺平了道路。研究者利用3-CH网络处理了低信噪比的HT1080细胞时间序列图像，并引入动态时间规整（Dynamic Time Warping, DTW）分析方法。DTW通过扭曲时间轴，使被追踪细胞的FUCCI强度曲线与一条代表标准细胞周期进程的参考曲线之间的欧氏距离最小化，从而为细胞分配一个细胞周期百分比作为“伪时间”。这一方法的强大之处在于，它不需要追踪覆盖完整的细胞周期。通过量化DTW对齐过程中的“相对时间扭曲值”，研究者能够量化被追踪曲线与参考曲线的匹配程度。如图3所示，通过对该指标设定阈值，他们成功从混合细胞群中自动识别出了G1期阻滞的细胞。这为研究癌细胞群体异质性、药物对不同周期阶段细胞的差异影响等提供了新工具。
关键技术方法
本研究主要应用了以下几项关键技术：1. 使用表达定制FUCCI传感器（mTurquoise2和miRFP670）、α-微管蛋白-EGFP和LifeAct-RFP的HaCaT细胞系，以及表达类似报告基因的HT1080细胞系，构建了包含不同信噪比、放大倍数和细胞密度的多样化训练与测试数据集。2. 采用基于StarDist架构的卷积神经网络，针对1、2、3种输入通道配置分别进行定制化训练，实现细胞核的实例分割与分类。3. 利用动态时间规整（DTW）算法，对追踪获得的单细胞FUCCI强度时间序列与参考曲线进行比对，计算细胞周期伪时间并检测异常进程。4. 使用TrackMate软件进行基于分割掩码的细胞追踪，并通过自定义的fucciphasePython软件包进行后续分析与可视化。
研究结论与重要意义
这项研究系统地展示并验证了一个完整的深度学习工作流程，用于分析和解释在低信噪比条件下获得的多重FUCCI活细胞成像数据。其主要结论与意义体现在以下几个方面：
首先，研究证实了在深度学习框架下整合细胞质结构信息（如α-微管蛋白）对于提升细胞核分割鲁棒性的关键价值。即使在FUCCI信号微弱的情况下，3-CH网络也能实现高精度分割，这提示在实际实验中，可以通过降低FUCCI通道的采集频率来减少光毒性，而仅依靠高时间分辨率的细胞质通道来维持可追踪性，这为长时程活细胞成像提供了新策略。
其次，研究提出的端到端分割与分类网络，克服了多重成像中光谱串扰对传统阈值法的干扰，实现了接近完美的细胞周期阶段鉴定。并且，该网络依赖于普适的荧光颜色组合逻辑，因此能够经过简单映射后应用于其他类型的FUCCI传感器（如PIP-FUCCI），展示了良好的通用性与可移植性。
再者，研究所引入的基于DTW的伪时间分析方法是一个重要创新。它突破了对完整细胞周期追踪的依赖，允许从部分轨迹中推断细胞周期进程，并提供了一个可量化的指标（相对时间扭曲值）来识别偏离正常周期的细胞（如G1期阻滞）。这对于研究肿瘤异质性、干细胞命运抉择、药物反应差异等需要分析细胞群体中非同步、异常行为的领域具有重要价值。
最后，研究团队秉持开放科学精神，不仅提供了预训练的网络模型，还公开了部分训练和测试数据集以及完整的分析工具包（fucciphase）。这将极大地降低其他研究者在相关领域应用深度学习的门槛，促进方法的复用、验证与拓展。尽管当前通道不变网络（如Cellpose-SAM、InstanSeg）在性能上并未显著超越通道特定的CNN网络，且存在推理速度较慢的问题，但本研究对其进行的评估为未来技术方向的选择提供了重要参考。
总之，这项工作为在具有挑战性的成像条件下挖掘FUCCI数据的潜力提供了强大、可靠且易用的工具。它架起了先进成像技术与定量生物学分析之间的桥梁，有望推动癌症研究、发育生物学、力生物学等诸多领域在单细胞动力学水平上的深入研究，帮助科学家更清晰、更精准地“看见”并理解细胞生命周期的奥秘。
