《Cell》AQuA2：解锁分子时空信号量化密码，开启生命科学研究新征程

《Cell》：Fast, accurate, and versatile data analysis platform for the quantification of molecular spatiotemporal signals

在生物学研究中，光学记录分子动力学产生的复杂数据难以用现有方法提取和量化有意义的时空模式。研究人员开展了关于活动量化和分析平台（AQuA2）的研究。结果显示，AQuA2 能准确分解数据集、量化分子活动等。其意义在于为多领域研究提供了有力工具。这一研究成果发表在《Cell》杂志上

　　

** 在生命科学的微观世界里，细胞和分子活动的研究正处于蓬勃发展的阶段。随着现代遗传编码荧光探针和先进成像技术的不断进步，科学家们能够以前所未有的精度观察到各种分子信号，如钙离子、ATP、神经递质等在细胞和组织中的活动情况。这就好比为科学家们配备了超级显微镜，让他们可以深入到微观世界中探索奥秘。

然而，问题也随之而来。大量复杂的数据如潮水般涌来，现有的分析方法却难以从中提取和量化出有意义的时空模式。手动检查数据不仅不可行，而且容易遗漏重要信息。现有的自动化图像分析方法也存在诸多局限性，比如只能针对特定类型的信号进行建模，准确性低、处理时间长，无法满足当今对统一数据分析平台的需求。在这种情况下，开展一项能够突破这些困境的研究迫在眉睫。

为了解决这些问题，来自弗吉尼亚理工大学、霍华德?休斯医学研究所、索尔克生物研究所等机构的研究人员进行了深入探索。他们开发了活动量化和分析（AQuA2）平台，这一研究成果发表在《Cell》杂志上。AQuA2 平台的出现，为生命科学研究带来了新的曙光。它能够将复杂的实时成像数据集分解为基本的信号事件，实现对分子活动的准确量化和共识功能单元（CFU）的识别。这对于理解细胞和组织的功能、揭示疾病机制等方面具有重要意义。

研究人员在开展这项研究时，运用了多种关键技术方法。在数据处理方面，采用了先进的机器学习算法，通过独特的事件检测管道，对原始荧光数据进行预处理、活动区域检测、时间和空间分割等操作，从而准确识别信号事件。利用分层聚类算法来识别 CFU，并通过统计方法分析 CFU 之间的相互作用。为了验证 AQuA2 的性能，使用了合成数据和来自斑马鱼、小鼠等多种生物的真实数据进行测试。

下面来看具体的研究结果：

• AQuA2 的事件检测管道：AQuA2 采用自上而下的框架和先进的机器学习算法，优化了事件检测管道。相比 AQuA，它能更准确、高效地捕获分子时空活动。在处理低信噪比（SNR）数据时，通过技术创新提升了检测性能，并且利用 BILCO 算法加速了处理过程，减少了内存使用。

• 识别 CFUs 和相互作用分析：引入 CFU 概念，通过分层聚类算法识别 CFU，相比传统基于 ROI 的方法，具有更大的灵活性。开发的统计方法能有效分析 CFU 之间的相互作用，不受信号形状和持续时间的干扰，可用于探索神经元和神经胶质细胞之间的关系等。

• AQuA2 的软件实现和优势：AQuA2 以 MATLAB 包、Fiji 插件和基于云的网络服务三种形式提供，用户界面友好，功能更强大，支持多种数据类型的分析，提高了准确性和效率。

• AQuA2 的性能验证：通过与 AQuA 和其他同行工具对比，AQuA2 在合成数据和真实数据上都表现出更高的准确性和效率。在处理不同场景的数据时，AQuA2 的 F1 分数和 wIoU 指标都更高，能更好地检测信号。

• AQuA2 在生物研究中的应用：应用 AQuA2 对斑马鱼的研究发现，咖啡因会改变其星形胶质细胞和神经元的信号模式，并揭示了两者之间的相关性。在小鼠脊髓研究中，AQuA2 发现了感觉和运动诱发的星形胶质细胞钙信号的传播差异。此外，AQuA2 还能对多种分子传感器、细胞类型、器官、动物模型、显微镜技术和成像方法产生的数据进行量化和分析。

在研究结论和讨论部分，AQuA2 相比现有方法具有显著优势，能够分析更广泛的信号和低 SNR 场景。CFU 分析有效地弥合了基于 ROI 和基于事件的方法之间的差距，传播分析也得到了优化。AQuA2 的多版本实现提高了可及性和可用性。虽然 AQuA2 存在一些局限性，如忽略沉默细胞、对某些神经元信号的分析性能有待提高、对非刚性运动数据处理存在挑战，但这并不影响其在生命科学研究中的重要价值。它为众多领域的研究提供了强大的工具，推动了对细胞和分子活动的理解，为未来的研究开辟了新的道路，有望在更多的研究领域中发挥重要作用，助力科学家们揭示更多生命的奥秘。**