自动化细胞计量设门分析的突破——UNITO框架的诞生

　　

在细胞计量学领域，一项具有里程碑意义的研究成果在《Nature Communications》期刊上发表。宾夕法尼亚大学工程与应用科学学院生物工程系的研究团队提出了一种名为UNITO的创新框架，旨在通过自动化手段实现细胞计量设门分析，其性能达到了人类水平，为免疫学研究和临床诊断带来了革命性的变革。

细胞计量学是一种能够对单细胞进行高通量测量的技术，广泛应用于免疫学、肿瘤学和微生物学等领域。然而，传统的细胞计量分析依赖于手动设门，这一过程不仅耗时费力，而且容易受到人为因素的影响，导致结果的不一致性。为了克服这些挑战，研究人员开发了UNITO框架，通过将细胞水平的分类任务转化为基于图像的分割问题，实现了自动化、高效且准确的细胞计量设门分析。

研究背景

细胞计量学技术自20世纪60年代引入以来，经历了显著的发展。流式细胞术和质谱细胞术作为两种主要的细胞计量技术，虽然在检测细胞聚集体方面策略不同，但在识别细胞类型时都采用相似的设门程序。设门是细胞计量分析中最为关键的步骤之一，通常是在双变量密度图上定义边界或多边形，以区分不同的细胞亚型。然而，手动设门不仅需要大量的人力，还难以应对样本间的技术和生物学差异，这使得自动化设门成为研究的热点。

UNITO框架的创新之处

UNITO框架的核心在于将细胞计量学衍生的蛋白质表达转换为双变量密度图像，并利用深度学习技术进行图像分割。这种方法不仅能够自动识别细胞群体，还能在双变量密度图上直观地定义感兴趣的区域。研究人员通过在三个独立队列（两个质谱细胞计量学和一个流式细胞计量学数据集）上验证了UNITO框架的性能，并将其结果与先前的自动化方法进行比较，以至少四位经验丰富的免疫学家的共识作为参照。结果显示，UNITO的性能优于现有方法，并且与人类共识的偏差不超过任何个体之间的差异。

研究方法与结果

研究人员首先将细胞计量测量的数值输入模型，通过最小和最大值归一化到[0,100]范围，并将归一化后的蛋白质表达数据转换为密度图。随后，利用分配给每个细胞的二进制标签在密度图上生成覆盖掩码。通过凸包处理填充二进制掩码内的任何空白区域，以提高设门性能。双变量图和掩码被输入模型以学习设门模式。UNITO模型的预测输出是用于验证的任何独立数据的二进制掩码，该掩码将经过额外的后处理步骤，将像素标签插值回单细胞分类结果。

在对UNITO框架的整体评估中，研究人员发现其对质谱细胞计量数据和流式细胞计量数据的设门结果与金标准手动设门结果高度相关。在自动化方法中，UNITO的预测与共识设门的相关性最高，质谱细胞计量的平均相关性达到0.98，流式细胞计量为0.97。此外，UNITO的相关系数与个体注释者的手动设门相当，有时甚至更高。研究人员还计算了所有样本的平均准确率、召回率、精确率和F1分数，结果显示UNITO在所有设门任务的F1测量中均优于其他方法，其在所有设门任务中的一致性确保了在流式和质谱细胞计量设门场景中的稳健性。

结论与展望

UNITO框架的出现，不仅为细胞计量学领域带来了自动化的解决方案，还显著提高了设门分析的准确性和效率。这一创新技术有望在大规模免疫学研究中得到广泛应用，为疾病的诊断和治疗提供更有力的支持。研究人员表示，未来将继续优化UNITO框架，探索其在更多细胞计量学应用中的潜力，以推动生命科学研究的进一步发展。