复杂细胞中亚细胞组织的形态稳健定量分析

亚细胞蛋白质组织的定量分析常常受到细胞形态变异的干扰，从而限制了对形态复杂细胞（如神经元和胶质细胞）荧光显微成像数据中定位模式的识别与解释。我们提出了 CellAligner，这是一种无监督框架，利用融合的不平衡 Gromov-Wasserstein 耦合，将形态各异细胞中的蛋白质分布映射到共享的锚定细胞几何结构中，从而实现对亚细胞定位的形态稳健比较。 在神经元成像基准测试中，将当前图像分析方法（CellProfiler、Cytoself、Paired Cell Inpainting）应用于 CellAligner 的锚定细胞表征，显著降低了与形态相关的混杂效应，同时使其用于定位分类的多类别 MCC 近乎提升一倍。我们通过在人 iPSC 来源神经元中鉴定由 U18666A 诱导的溶酶体运输缺陷，展示了其生物学应用价值。为实现方法扩展，我们开发了 dCellAligner-OT，这是一种快速的深度度量学习模型，可近似 CellAligner 的最优传输距离和锚定细胞表征，从而支持图谱尺度的分析。CellAligner 为复杂细胞系统中亚细胞组织的形态稳健分析提供了一个通用框架。

亚细胞蛋白质组织的定量分析常常受到细胞形态差异的干扰，这限制了对形态复杂细胞（如神经元和胶质细胞）荧光显微镜数据中定位模式的识别与解释。

我们提出了 CellAligner，这是一种无监督框架，利用融合的不平衡 Gromov-Wasserstein 耦合，将形态各异细胞中的蛋白质分布映射到共享的锚定细胞几何结构中，从而实现对亚细胞定位的形态稳健比较。

在神经元成像基准测试中，将当前图像分析方法（CellProfiler、Cytoself、Paired Cell Inpainting）应用于 CellAligner 的锚定细胞表示后，与细胞形态相关的混杂因素显著降低，同时其用于定位分类的多类别 MCC 约提高了一倍。

我们通过在人 iPSC 来源神经元中识别 U18666A 诱导的溶酶体转运缺陷，展示了该方法的生物学实用性。

为扩展该方法的应用规模，我们开发了 dCellAligner-OT，这是一种快速的深度度量学习模型，可近似 CellAligner 的最优传输距离和锚定细胞表示，从而支持图谱尺度的分析。

CellAligner 为复杂细胞系统中亚细胞组织的形态稳健分析提供了一个通用框架。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.28.728543v1?rss=1

🏷️ 亚细胞定位 荧光显微成像 最优传输 深度度量学习 神经元 图像分析