Nature Methods | 形态学数据与人工智能的交响曲：“细胞绘图”的无限可能

生物探索 · 公众号 · 生物 · 2024-12-07 15:30

正文

请到「今天看啥」查看全文

（Credit: Nature Methods ）

细胞绘图实验概述（a）

描述了细胞绘图的基本实验流程。细胞首先经过培养和处理，然后使用六种荧光染料进行标记。这些染料分别标记了细胞的主要结构或细胞器，包括细胞核、内质网、线粒体、核仁与胞质RNA、F-肌动蛋白以及高尔基体和细胞膜。

图像采集与分割（b）

实验过程中，通过自动化显微镜拍摄图像，生成五个荧光通道的图像数据。随后，图像分析软件对细胞核和细胞整体进行分割，为后续的形态学特征提取提供基础。

形态学特征提取与数据处理（c）

使用适当的软件工具（如CellProfiler）或基于深度学习的方法，提取和计算图像中的形态学特征。这些特征涵盖了细胞的大小、形状、纹理和荧光强度等方面，为数据分析奠定了基础。

下游数据分析（d）

在特征预处理后，研究者可应用多种下游分析方法，包括监督和无监督机器学习。这些方法有助于解析化合物的生物学效应，例如明确其作用机制（Mechanism of Action, MoA）或安全性特征。

细胞绘图的扩展应用（e和f）

图中展示了细胞绘图技术的两个适配性扩展实例：使用BODIPY染料标记脂滴（e部分），适用于脂肪积累相关细胞的研究。结合针对人类冠状病毒229E（CoV-229E）病毒蛋白的抗体（f部分），扩展到病毒研究的应用场景。

从实验室到产业化：十年发展的里程碑

2013年，“细胞绘图”（Cell Painting）技术的诞生拉开了细胞形态学研究新时代的序幕。这一技术以其简便、高效的实验流程和无偏见的分析方式迅速引起了学术界的关注。在这一年，研究人员发布了“细胞绘图”1.0版本，其核心在于通过六种荧光染料对细胞主要结构进行标记，并利用自动化显微镜拍摄图像。这一版本的问世，让研究人员能够快速获取细胞的多维形态学特征，大大提升了高通量筛选的效率。

随着技术的广泛应用，2016年研究团队推出了2.0版本，对实验流程进行了优化。例如，研究者通过改进图像获取条件和实验步骤的标准化，进一步提高了结果的可靠性和一致性。这一改进极大地增强了技术的普适性，使其可以应用于更多种类的细胞系和实验环境。

进入2022年，“细胞绘图”技术迎来了第三次重要升级。最新的3.0版本不仅在实验成本上更加经济，还在重复性和数据质量方面达到了新的高度。JUMP-CP通过对阳性对照（包含47种机制的90种化合物）的形态学响应进行系统优化，为染色剂的选择、显微成像条件以及数据处理提供了最佳实践。这一版本的推出标志着“细胞绘图”从实验室研究工具向工业应用迈出了关键一步。

经过十年的发展，“细胞绘图”已经从初期的实验室创新，成长为涵盖药物研发、毒性预测和疾病建模等多领域的重要技术。据统计，超过36家学术机构和51家公司正在使用或开发基于“细胞绘图”的项目。

打开“细胞指纹”的宝藏：数据背后的秘密

每个细胞都像一幅复杂的图画，隐藏着丰富的生物学信息。而“细胞绘图”（Cell Painting）技术通过高通量成像和精确的数据分析，将这些信息转化为可以解读的“细胞指纹”，为揭示细胞状态打开了一扇新的大门。

细胞绘图技术的核心是形态学特征的提取与分析 。这一过程从荧光显微镜拍摄的多通道图像开始，利用特定染料标记细胞的关键结构，例如DNA（Hoechst 33342染料）和线粒体（MitoTracker Deep Red染料）。通过自动化图像分析软件（如CellProfiler），研究人员可以从图像中提取超过1000种形态学特征，这些特征包括细胞的大小、形状、纹理和荧光强度等。以这些特征为基础，研究人员构建了一个高维度的数据集，形象地描绘出细胞的“形态学指纹”。

这些指纹不仅仅是数据点，而是揭示细胞生物学状态的线索。例如，当细胞受到化合物、基因干扰或环境因素的刺激时，其形态学特征会发生变化，这些变化可以被用来反映细胞的健康状态、功能甚至特定的生物学机制。研究表明， 细胞绘图已经能够识别出细胞在面对DNA损伤、线粒体功能紊乱或微管结构破坏时的独特形态学特征 ，为研究细胞反应机制提供了宝贵的数据支持。

此外，通过结合机器学习和统计分析，研究人员可以进一步挖掘这些数据背后的规律。例如，无监督学习可以帮助发现不同样本之间的相似性，而监督学习则能够通过已知数据训练模型，用于预测新的细胞反应。这些分析手段不仅使得“细胞绘图”成为一种强大的数据驱动工具，还为药物研发、疾病建模和毒性预测等领域带来了革命性的变化。