分享一篇發(fā)表在Nature Biotechnology的文章，文章的標題為“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為系統(tǒng)組織病理學(xué)和多重成像技術(shù)。
本文主要報道了一種用于在復(fù)雜組織樣本的多重檢測技術(shù)CombPlex。CombPlex結(jié)合實驗和深度學(xué)習，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)檢測多個蛋白，并利用神經(jīng)網(wǎng)絡(luò)解壓縮復(fù)合信號，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。
對于C個通道的復(fù)色成像系統(tǒng)，最多可以對P=2C-1個蛋白進行成像。但是從數(shù)學(xué)上來說，使用C個通道的組合染色解析P種蛋白的空間分布是無法實現(xiàn)的，因為具有P個變量、C個線性方程的線性方程組存在無窮個解，因此單純對復(fù)色圖像進行解壓縮無法恢復(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，例如對于蛋白質(zhì)圖像是稀疏的，只有少數(shù)像素包含信號；蛋白質(zhì)的表達是連續(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)習的方式，結(jié)合這些難以進行數(shù)學(xué)表達的先驗知識，在一個腫瘤結(jié)直腸癌標本數(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)測每個像素是否包含特定蛋白信號（生成對應(yīng)的二值掩碼），然后進一步估計蛋白信號的強度。具體而言，CombPlex分成兩個歷程，一個用于預(yù)測圖像中不同蛋白質(zhì)的表達位置，另一個旨在恢復(fù)實際的信號強度。作者使用33張隨機圖像訓(xùn)練的CNN在8張圖像上成功取得優(yōu)異的結(jié)果，并在四折交叉驗證中實現(xiàn)高度準確的重建。此外作者還評估了不同的通道數(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7種蛋白壓縮至3個通道和22種蛋白壓縮至5個通道進行實驗測試，并分別采用單通道成像作為真值對照。結(jié)果顯示，CombPlex均能夠以高相關(guān)性解壓縮對應(yīng)的蛋白圖像。此外，作者開發(fā)了基于計算機模擬的訓(xùn)練數(shù)據(jù)生成方法，使得模型可以基于已有數(shù)據(jù)進行訓(xùn)練，而不必依賴于實驗獲取的數(shù)據(jù)，進一步降低了數(shù)據(jù)采集成本。
總的來說，本文報道了一種結(jié)合深度學(xué)習，用于蛋白質(zhì)組合染色并準確解壓縮會單獨的蛋白質(zhì)圖像的實驗方法CombPlex。
本文作者：CJJ
責任編輯：WYQ
DOI：10.1038/s41587-025-02585-0
原文鏈接：https://doi.org/10.1038/s41587-025-02585-0
