更智能的成像：當(dāng)AI遇見自動(dòng)化細(xì)胞顯微鏡技術(shù)

 近年來，自動(dòng)化與人工智能的結(jié)合徹底改變了細(xì)胞成像領(lǐng)域。自動(dòng)化技術(shù)的到來率先改變了成像的日常實(shí)踐，它通過自動(dòng)化重復(fù)性工作并大規(guī)模標(biāo)準(zhǔn)化采集過程，從而重塑了細(xì)胞成像。例如，自動(dòng)化載物臺(tái)能夠可靠地對(duì)數(shù)百個(gè)孔板進(jìn)行聚焦；采集軟件能在不同孔板之間應(yīng)用一致的曝光和照明設(shè)置;培養(yǎng)系統(tǒng)能維持穩(wěn)定的溫度和CO?濃度，使活細(xì)胞能夠自然生長(zhǎng)。這些自動(dòng)化技術(shù)的應(yīng)用，帶來了更清晰、可重復(fù)的圖像，顯著減少了人工操作和變異的來源。

隨后，人工智能(AI)成為下一個(gè)重要的技術(shù)層。它通過檢測(cè)細(xì)胞和細(xì)胞器，并測(cè)量跨通道和時(shí)間序列中的強(qiáng)度、紋理、形狀及運(yùn)動(dòng)，將海量圖像數(shù)據(jù)轉(zhuǎn)化為定量的分析結(jié)果。機(jī)器學(xué)習(xí)，尤其是深度學(xué)習(xí)的最新進(jìn)展，使得模型能夠識(shí)別簡(jiǎn)單和復(fù)雜成像數(shù)據(jù)中隱藏的細(xì)微結(jié)構(gòu)[1]。深度學(xué)習(xí)模型可以直接從數(shù)據(jù)中學(xué)習(xí)表型，區(qū)分健康與應(yīng)激細(xì)胞，根據(jù)化合物的效果進(jìn)行分組，并識(shí)別肉眼難以察覺的表面模式。其帶來的巨大優(yōu)勢(shì)在于速度、客觀性和深度，模型能夠?qū)γ恳粠瑘D像應(yīng)用相同的評(píng)判標(biāo)準(zhǔn)。

自動(dòng)化和人工智能共同催生了一種新的顯微鏡技術(shù)，即高內(nèi)涵成像 (High-Content Imaging)。通過結(jié)合自動(dòng)化采集和智能分析，研究人員能夠超越簡(jiǎn)單的快照式觀察，生成豐富、多維的數(shù)據(jù)集，從而描述細(xì)胞的行為、相互作用以及它們?nèi)绾雾憫?yīng)周圍環(huán)境[2]。

何為高內(nèi)涵成像？

高內(nèi)涵成像(High-Content Imaging，HCI)將自動(dòng)化和人工智能在一個(gè)單一工作流程中結(jié)合起來。自動(dòng)化顯微鏡跨越多個(gè)孔板捕獲數(shù)千張圖像，而分析管道則從每個(gè)孔中的每個(gè)細(xì)胞提取詳細(xì)信息。HCI不依賴于單一的檢測(cè)指標(biāo)，而是測(cè)量廣泛的參數(shù)，包括形態(tài)、熒光強(qiáng)度、蛋白質(zhì)定位和細(xì)胞器行為。

 由于工作流程是自動(dòng)化的，每個(gè)孔板都在一致的條件下進(jìn)行成像。先進(jìn)的軟件可以維持焦點(diǎn)、曝光和照明，確保生成的數(shù)據(jù)集既可重復(fù)又可比較。現(xiàn)代自動(dòng)化顯微鏡配備了熒光和共聚焦成像功能，結(jié)合AI分析軟件，能夠提高表型分析的通量和準(zhǔn)確性，使大規(guī)模篩選比以往任何時(shí)候都更快、更可靠[3]。其最終結(jié)果是一個(gè)精確的表型圖譜，能夠捕捉細(xì)胞如何跨越空間和時(shí)間對(duì)藥物、刺激或基因變化做出響應(yīng)。

圖1 | 高內(nèi)涵成像實(shí)驗(yàn)示意圖

為了支持這一工作流程，成像級(jí)的實(shí)驗(yàn)室耗材起著至關(guān)重要的作用。ibidi的 µ-Plate 96 Well 3D, µ-Plate 96 Well Square, µ-Plate 96 Well Round, 和µ-Plate 384 Well Glass Bottom專為高通量顯微鏡而設(shè)計(jì)。其#1.5 Polymer聚合物或#1.5H Glass玻璃蓋玻片底部為熒光和共聚焦成像提供了所需的光學(xué)清晰度，而黑色壁的設(shè)計(jì)則最大限度地減少了孔間串?dāng)_。這些特性確保了所捕獲的每張圖像在質(zhì)量上都保持一致，并為基于AI的分析做好準(zhǔn)備。

 自動(dòng)化與人工智能的協(xié)同優(yōu)勢(shì)

 自動(dòng)化與人工智能結(jié)合的強(qiáng)大之處在于二者的互補(bǔ)性：自動(dòng)化生成海量、一致性的數(shù)據(jù)集，人工智能從中提取意義。二者協(xié)同可加速科學(xué)發(fā)現(xiàn)，提高實(shí)驗(yàn)的可重復(fù)性，并拓展可測(cè)量?jī)?nèi)容的邊界。

規(guī)模與速度

自動(dòng)化成像系統(tǒng)可以在幾分鐘內(nèi)處理整塊多孔板，在無人干預(yù)的情況下捕獲數(shù)千張圖像。某些設(shè)置甚至能在短短兩小時(shí)內(nèi)完成四十塊96孔板的成像。這種規(guī)模使得研究人員能夠探索完整的化合物庫、進(jìn)行大規(guī)模基因篩選或開展手動(dòng)實(shí)驗(yàn)無法完成的延時(shí)實(shí)驗(yàn)。自動(dòng)化使高通量成像既高效又常規(guī)化，讓研究人員能夠?qū)⒕性跀?shù)據(jù)解讀而非圖像采集上。

洞察深度

 人工智能從每張圖像中提取數(shù)百個(gè)參數(shù)，揭示隨時(shí)間演變的細(xì)微形態(tài)或分子變化。深度學(xué)習(xí)(尤其是卷積神經(jīng)網(wǎng)絡(luò) (CNNs))已成為圖像分析的基石[4]。這些模型能直接從數(shù)據(jù)中學(xué)習(xí)表型特征，識(shí)別健康細(xì)胞與應(yīng)激細(xì)胞的差異，根據(jù)表型特征分類化合物效應(yīng)，并發(fā)現(xiàn)肉眼不可見的新細(xì)胞狀態(tài)[5]。一旦模型訓(xùn)練完成，同一模型可在數(shù)分鐘內(nèi)分析新數(shù)據(jù)集，完成人類分析師需耗時(shí)數(shù)日甚至數(shù)周的工作。這使顯微鏡從描述性工具蛻變?yōu)槔斫饧?xì)胞行為的豐富、定量平臺(tái)。

可重復(fù)性與客觀性

自動(dòng)化確保成像條件完全一致。人工智能對(duì)每幀圖像應(yīng)用相同的客觀規(guī)則，從而減少偏差并提升跨培養(yǎng)板、儀器及地點(diǎn)的可重復(fù)性。這種一致性對(duì)大規(guī)模、多中心實(shí)驗(yàn)至關(guān)重要，有助于將成像技術(shù)真正轉(zhuǎn)化為一門定量學(xué)科。

與3D模型的兼容性

隨著生物學(xué)向更逼真的模型發(fā)展，人工智能與自動(dòng)化技術(shù)使3D球體、類器官及共培養(yǎng)體系的研究精度可媲美2D系統(tǒng)[6][7]。自動(dòng)化顯微鏡能穿透厚樣本保持聚焦，人工智能算法則可隨時(shí)間推移重建并量化3D結(jié)構(gòu)（圖2a）。在患者來源類器官研究中，高內(nèi)涵成像結(jié)合人工智能技術(shù)已能預(yù)測(cè)個(gè)體腫瘤對(duì)特定藥物的反應(yīng)，為數(shù)據(jù)驅(qū)動(dòng)的精準(zhǔn)醫(yī)療鋪平道路[8]。

ibidi µ-Plate 96 Well 3D 96孔3D培養(yǎng)板支持均勻的球體形成和長(zhǎng)時(shí)程穩(wěn)定成像，為復(fù)雜模型的定量高內(nèi)涵成像提供可靠平臺(tái)。

圖2 | a) 卷積神經(jīng)網(wǎng)絡(luò)對(duì)2D與3D顯微數(shù)據(jù)集進(jìn)行細(xì)胞分割。b) 卷積神經(jīng)網(wǎng)絡(luò)從無標(biāo)記明場(chǎng)圖像預(yù)測(cè)熒光通道（虛擬染色）。改編自Carreras-Puigvert, J., et al., 2024[11]。

新發(fā)現(xiàn)與預(yù)測(cè)性洞察

人工智能檢測(cè)細(xì)微模式的能力催生了新型生物學(xué)發(fā)現(xiàn)。深度學(xué)習(xí)可按作用機(jī)制對(duì)化合物進(jìn)行分組，揭示脫靶效應(yīng)，并識(shí)別疾病早期標(biāo)志物。在活細(xì)胞成像中，人工智能現(xiàn)可實(shí)時(shí)追蹤細(xì)胞運(yùn)動(dòng)、分裂及形態(tài)變化，揭示細(xì)胞如何動(dòng)態(tài)響應(yīng)藥物或基因擾動(dòng)。這使延時(shí)成像成為高內(nèi)涵篩選的核心組件，為細(xì)胞響應(yīng)動(dòng)力學(xué)研究提供關(guān)鍵洞察[9][10]。

為保障長(zhǎng)期活細(xì)胞實(shí)驗(yàn)的穩(wěn)定性與可重復(fù)性，ibidi Stage Top Incubators（載物臺(tái)培養(yǎng)箱/活細(xì)胞工作站）可在顯微鏡載物臺(tái)上直接精準(zhǔn)控制溫度、濕度、CO?及O?濃度。該技術(shù)確保細(xì)胞在長(zhǎng)期延時(shí)研究中保持最佳健康狀態(tài)與恒定成像條件。

與此同時(shí)，新型生成式人工智能模型正被用于預(yù)測(cè)分析，能夠模擬細(xì)胞反應(yīng)，或基于現(xiàn)有成像數(shù)據(jù)提出新的實(shí)驗(yàn)條件（圖2b）。

智能成像的未來

人工智能、自動(dòng)化與先進(jìn)顯微技術(shù)的融合，正在重塑科學(xué)家從圖像中獲取知識(shí)的邊界。不久的將來，人工智能不僅能分析數(shù)據(jù)，更能實(shí)時(shí)引導(dǎo)顯微鏡操作——自動(dòng)調(diào)節(jié)焦距、識(shí)別關(guān)鍵事件，或在必要時(shí)觸發(fā)更高分辨率的成像。

貫穿樣本制備、圖像采集、分析與可視化的全流程成像管道已初現(xiàn)雛形。隨著技術(shù)持續(xù)進(jìn)步，更快速、更精準(zhǔn)、更具預(yù)測(cè)性的成像，使研究者能夠以前所未有的深度和規(guī)模來測(cè)量與解讀細(xì)胞過程。

對(duì)科學(xué)家而言，這意味著將花費(fèi)更少的時(shí)間在重復(fù)性工作上，而將更多的時(shí)間用于解讀生物學(xué)數(shù)據(jù)。而對(duì)于細(xì)胞成像本身而言，這標(biāo)志著它正從僅僅“觀察生命”轉(zhuǎn)向借助自動(dòng)化和人工智能的聯(lián)合力量來“理解生命”。

參考文獻(xiàn)

[1] Wong, F., et al., Discovery of a structural class of antibiotics with explainable deep learning. Nature, 2024. 626(7997): p. 177-185.

[2] Way, G.P., et al., Evolution and impact of high content imaging. SLAS Discovery, 2023. 28(7): p. 292-305.

[3] Kupczyk, E., et al., Unleashing high content screening in hit detection – Benchmarking AI workflows including novelty detection. Computational and Structural Biotechnology Journal, 2022. 20: p. 5453-5465.

[4] Gupta, A., et al., Deep Learning in Image Cytometry: A Review. Cytometry Part A, 2019. 95(4): p. 366-380.

[5] Pachitariu, M. and C. Stringer, Cellpose 2.0: how to train your own model. Nature Methods, 2022. 19(12): p. 1634-1641.

[6] Choo, N., et al., High-Throughput Imaging Assay for Drug Screening of 3D Prostate Cancer Organoids. SLAS Discovery, 2021. 26(9): p. 1107-1124.

[7] Betge, J., et al., The drug-induced phenotypic landscape of colorectal cancer organoids. Nature Communications, 2022. 13(1): p. 3135.

[8] Jiménez-Luna, J., et al., Artificial intelligence in drug discovery: recent advances and future perspectives. Expert Opinion on Drug Discovery, 2021. 16(9): p. 949-959.

[9] Yang, X., et al., A live-cell image-based machine learning strategy for reducing variability in PSC differentiation systems. Cell Discovery, 2023. 9(1): p. 53.

[10] Wiggins, L., et al., The CellPhe toolkit for cell phenotyping using time-lapse imaging and pattern recognition. Nature Communications, 2023. 14(1): p. 1854.

[11] Carreras-Puigvert, J. and O. Spjuth, Artificial intelligence for high content imaging in drug discovery. Current Opinion in Structural Biology, 2024. 87: 102842.