跳到主要内容
返回时间线
Nature Methods来源发表:

高度多重成像不再需要湿实验补偿:SpillOT 零样本去噪与串色校正,在糖尿病数据里找出此前看不到的免疫浸润

核心概要

高度多重成像的通道串色通常要靠额外湿实验测定补偿矩阵,随机噪声的去除又需要代表性训练集。SpillOT 只从输入图像本身学习,用最优传输思想在通道间寻找相似图像块并只保留真实信号,同时完成去噪与串色校正。在成像质谱流式、t-CyCIF 与 Opal 多重免疫荧光数据上,它超过现有零样本复原方法,并在糖尿病数据中揭示出此前检测不到的免疫浸润模式。

Source-provided article image: A zero-shot spillover denoiser for highly multiplexed images
Nature Methods

深度剖析

高度多重成像的复原现在可以完全在计算侧完成:SpillOT 对每张输入图像单独训练与推断,不需要额外湿实验测定通道间补偿,也不需要代表性训练集。 此前的做法分两类,一类依赖配对或代表性训练数据,另一类在串色问题上必须成像金属同位素微珠来测定串色比例并据此校正。 在成像质谱流式胰腺测试数据中,Dy162-CD8 通道出现形似胰岛的串色信号,SpillOT 在未使用实验测得的金属串色矩阵的情况下去除了该串色与背景噪声,同时保留了 CD8+ 细胞。

串色之所以难去除,是因为它按真实信号的比例存在,看起来像合法的生物结构,而不像随机噪声。 SpillOT 把串色当作图像块相似性问题处理,用像素多米诺铺砌(PDT,一种把每个像素映射到相邻像素且不重复的棋盘式重排)生成参照块,再判断哪个通道的块与它更相似。 在 25 张卵巢癌 Opal 多重免疫荧光图像中,Ki-67 通道对相邻 CD8 通道的污染被去除,核内 CD8 信号消失而膜上 CD8 信号保留;单张 1,348×1,008 图像在 CPU 上完成串色去除耗时 272 秒。

复原后的单细胞数据更接近已知生物学比例,并让下游分析多出一层可检测的差异。 原始 Opal 数据中 Ki-67 高的细胞几乎都被标为 CD3−CD8+,这一组合只出现在自然杀伤细胞上,会得出几乎所有增殖细胞都是自然杀伤细胞的结论。 校正后每个推定 CD8+CD3− 自然杀伤细胞对应的 CD3+ T 细胞中位数由 0.58 变为 8.6(Wilcoxon 秩和检验,Bonferroni 校正 P = 0.00106);在 189 张糖尿病胰腺图像中,去噪数据额外显示出诊断后 2 年与 11 年两组之间 CD8+ T 细胞密度的显著下降(P < 0.05)。

启示与展望

演示范围限于成像质谱流式、组织循环免疫荧光与 Opal 多重免疫荧光数据,包括胰腺、皮肤银屑病病灶、卵巢癌与公开糖尿病胰腺数据集;作者建议把大图切块后在集群上分布式处理,并给出可在 Amazon Web Services 上运行的 Docker 镜像与脚本。

SpillOT 假设噪声在图像内均匀,若不同区域噪声水平不同且无法由网络从数据推断,效果会受影响;作者指出把图像切成小块可能缓解,但会减少训练样本点。计算速度也是限制:去噪模块在 RTX A6000 上平均每百万像素耗时 3,933.4 秒,而 IMC-Denoise 每张图 1.3 秒,不过后者需要 10,913 秒的前期训练。