bgnorm：用于多重空间蛋白质组学中背景校正、标准化和质量控制的生成式统计框架

多重空间蛋白质组学能够实现高多重原位分析，但仍然受限于由自发荧光、抗体非特异性结合、仪器噪声和染色变异性引起的技术变异，这些因素会影响诸如下游细胞分型等生物学任务。我们提出了 bgnorm，这是一种统计框架，使用由背景、非特异性结合和生物学信号成分构成的生成式混合模型来描述荧光测量值。作为自然的统计学结果，该模型产生了三种新方法：一种通过对蛋白强度进行概率反卷积的背景校正方法、质量控制指标，以及一种用于统一不同标志物、样本和连续切片之间测量值的分位数归一化方法。 在多种多重成像技术中，与现有预处理方法相比，bgnorm 改善了信号分离效果以及下游标志物阳性分类性能。在由专家注释、包含超过 406,000 条标志物阳性注释的数据集中，bgnorm 取得了最高的分类性能，并能够在不同标志物和样本之间准确使用单一的全局阳性阈值。该方法已在 bgnormR 和 bgnormpy 软件包中实现。

多重空间蛋白质组学能够实现高度多重的原位分析，但仍受限于由自体荧光、抗体非特异性结合、仪器噪声和染色变异性引起的技术变异，这些变异会影响下游生物学任务，如细胞分型。

我们提出了 bgnorm，这是一种统计框架，使用由背景、非特异性结合和生物学信号成分构成的生成式混合模型来描述荧光测量。作为自然的统计推论结果，该模型产生了三种新方法：一种通过对蛋白强度进行概率反卷积实现的背景校正方法、质量控制指标，以及一种用于统一不同标记物、样本和连续切片间测量结果的分位数归一化方法。

在多种多重成像技术中，与现有预处理方法相比，bgnorm 改善了信号分离效果以及下游标记物阳性分类性能。在由专家注释、包含超过 406,000 条标记物阳性注释的数据集中，bgnorm 取得了最高的分类性能，并能够在不同标记物和样本之间准确使用单一的全局阳性阈值。该方法已在 bgnormR 和 bgnormpy 软件包中实现。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.05.743141v1?rss=1

🏷️ 空间蛋白质组学 背景校正 数据标准化 质量控制 生成式混合模型 下游分类