分享一篇發(fā)表在Nature Biotechnology的文章，文章的標(biāo)題為“High-dimensional imaging using combinatorial channel multiplexing and deep learning”，本文的通訊作者是來自以色列維茲曼科學(xué)研究所的Leeat Keren，他們課題組的研究方向?yàn)橄到y(tǒng)組織病理學(xué)和多重成像技術(shù)。
本文主要報(bào)道了一種用于在復(fù)雜組織樣本的多重檢測技術(shù)CombPlex。CombPlex結(jié)合實(shí)驗(yàn)和深度學(xué)習(xí)，旨在提高蛋白質(zhì)成像的多重檢測能力。在傳統(tǒng)方法中，每種蛋白通常需要單獨(dú)的測量通道，限制了檢測通量。CombPlex通過組合染色技術(shù)在單一通道內(nèi)檢測多個(gè)蛋白，并利用神經(jīng)網(wǎng)絡(luò)解壓縮復(fù)合信號(hào)，從而提高檢測能力，并能夠在不同組織類型上泛化，提高蛋白成像的效率和適用性。
對(duì)于C個(gè)通道的復(fù)色成像系統(tǒng)，最多可以對(duì)P=2C-1個(gè)蛋白進(jìn)行成像。但是從數(shù)學(xué)上來說，使用C個(gè)通道的組合染色解析P種蛋白的空間分布是無法實(shí)現(xiàn)的，因?yàn)榫哂蠵個(gè)變量、C個(gè)線性方程的線性方程組存在無窮個(gè)解，因此單純對(duì)復(fù)色圖像進(jìn)行解壓縮無法恢復(fù)原始蛋白圖像。然而，蛋白質(zhì)存在的多種性質(zhì)能夠限制解的空間，例如對(duì)于蛋白質(zhì)圖像是稀疏的，只有少數(shù)像素包含信號(hào)；蛋白質(zhì)的表達(dá)是連續(xù)和結(jié)構(gòu)化的；不同蛋白質(zhì)在染色模式和豐度上存在差異。因此，作者采用深度學(xué)習(xí)的方式，結(jié)合這些難以進(jìn)行數(shù)學(xué)表達(dá)的先驗(yàn)知識(shí)，在一個(gè)腫瘤結(jié)直腸癌標(biāo)本數(shù)據(jù)集中選擇22種具有特定染色且信噪比良好的蛋白質(zhì)和41個(gè)視野以訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(CNN)。
該網(wǎng)絡(luò)首先預(yù)測每個(gè)像素是否包含特定蛋白信號(hào)（生成對(duì)應(yīng)的二值掩碼），然后進(jìn)一步估計(jì)蛋白信號(hào)的強(qiáng)度。具體而言，CombPlex分成兩個(gè)歷程，一個(gè)用于預(yù)測圖像中不同蛋白質(zhì)的表達(dá)位置，另一個(gè)旨在恢復(fù)實(shí)際的信號(hào)強(qiáng)度。作者使用33張隨機(jī)圖像訓(xùn)練的CNN在8張圖像上成功取得優(yōu)異的結(jié)果，并在四折交叉驗(yàn)證中實(shí)現(xiàn)高度準(zhǔn)確的重建。此外作者還評(píng)估了不同的通道數(shù)量和壓縮矩陣，證明了ComPlex方法的穩(wěn)健性。
隨后，作者采樣CombPlex分別對(duì)7種蛋白壓縮至3個(gè)通道和22種蛋白壓縮至5個(gè)通道進(jìn)行實(shí)驗(yàn)測試，并分別采用單通道成像作為真值對(duì)照。結(jié)果顯示，CombPlex均能夠以高相關(guān)性解壓縮對(duì)應(yīng)的蛋白圖像。此外，作者開發(fā)了基于計(jì)算機(jī)模擬的訓(xùn)練數(shù)據(jù)生成方法，使得模型可以基于已有數(shù)據(jù)進(jìn)行訓(xùn)練，而不必依賴于實(shí)驗(yàn)獲取的數(shù)據(jù)，進(jìn)一步降低了數(shù)據(jù)采集成本。
總的來說，本文報(bào)道了一種結(jié)合深度學(xué)習(xí)，用于蛋白質(zhì)組合染色并準(zhǔn)確解壓縮會(huì)單獨(dú)的蛋白質(zhì)圖像的實(shí)驗(yàn)方法CombPlex。
本文作者：CJJ
責(zé)任編輯：WYQ
DOI：10.1038/s41587-025-02585-0
原文鏈接：https://doi.org/10.1038/s41587-025-02585-0
