Nature Biotechnology | “五通道”解锁“二十二蛋白”：细胞成像技术迎来指数级飞跃

2025年03月26日18:00:48 科学 1517

引言

构成我们身体的无数细胞内部，究竟隐藏着怎样的精密运作？长期以来，研究人员就像手持不同颜色滤镜的摄影师，每次只能透过一种滤镜观察细胞的一个侧面。想要了解细胞的全貌，就不得不进行多次拍摄，这不仅耗时耗力，还难以捕捉到瞬息万变的生命活动。想象一下，如果有一种“魔法相机”，能够一次性拍摄出细胞的“彩色全景图”，清晰地呈现出多种关键蛋白质的分布和状态，那将是多么令人兴奋的发现！

现在，这个梦想正逐渐成为现实。3月25日《nature biotechnology》的研究报道“high-dimensional imaging using combinatorial channel multiplexing and deep learning”，开发的一项名为“组合通道复用”（combinatorial channel multiplexing, combplex）的创新技术，如同给显微镜装上了一颗聪明的“大脑”，正引领我们以前所未有的方式洞察细胞的奥秘。这项研究巧妙地利用了“组合染色”的策略，此外，研究团队还引入了强大的“深度学习”（deep learning）算法，如同一个经验丰富的“解码专家”，能够从看似混杂的信号中，精准地识别出每一种蛋白质的独特“指纹”。

这项突破性的技术究竟有多强大？令人难以置信的是，研究人员仅仅利用5个成像通道，就成功地同时观察并分析了22种不同的蛋白质！这相当于用5个“频道”播出了原本需要22个“频道”才能呈现的内容，效率大幅提升。更重要的是，实验数据表明，这种“化繁为简”的方法，其结果与传统的、耗费更多资源的成像技术高度吻合。

告别“单通道作战”，多维度观察成为现实

在过去，研究人员想要观察细胞中不同蛋白质的表达情况，往往需要使用不同的荧光标记物，并且针对每一种蛋白质进行单独的成像。这就好比我们要拍摄一张包含多种颜色的照片，却只能先拍红色部分，再拍蓝色部分，最后再将它们叠加起来。这种“单通道作战”的方式不仅效率低下，而且在想要同时观察大量蛋白质时，会面临巨大的技术挑战和成本压力。传统的成像技术，每检测一种蛋白质就需要一个独立的通道（channel），这就像电视台的频道一样，数量有限。想要同时观察更多的蛋白质，就意味着需要更多的通道，这在技术上是很难实现的，而且成本也会急剧上升，严重限制了我们对细胞复杂性的理解。

然而，“组合通道复用”（combplex）技术的出现，彻底打破了这一瓶颈。这项创新性的技术，不再是为每一种蛋白质都准备一个单独的“频道”，而是采用了一种更加聪明的方式。具体来说，研究人员针对多种不同的蛋白质，设计出不同的染色方案。每一种蛋白质不再只在一个通道中显现，而是在多个通道中以特定的组合形式出现。这样一来，原本需要大量通道才能检测的蛋白质，现在只需要少量的通道就可以实现。这项研究中，研究人员就成功地将原本需要22个通道才能检测的蛋白质，压缩到了仅仅5个成像通道中！这就像用5个频道播出了原本需要22个频道才能播出的内容，效率提升了数倍。

“化繁为简”的奥秘：组合染色与深度学习的完美结合

那么，如何才能从这5个“混合”的通道中，准确地识别出每一种蛋白质的信号呢？这就要归功于“组合通道复用”（combplex）技术的另一个核心组成部分——深度学习（deep learning）。深度学习是一种人工智能技术，它可以通过学习大量的数据，自动提取出隐藏在数据中的规律和模式。在这个研究中，研究人员首先对大量的细胞样本进行了染色和成像，获取了每个通道中不同蛋白质组合的图像数据。然后，他们利用这些数据训练了一个强大的深度学习模型。这个模型就像一个经验丰富的“解码器”，能够学习到每一种蛋白质在不同通道中的“指纹”特征。

当研究人员使用“组合通道复用”（combplex）技术对新的细胞样本进行成像时，得到的仍然是混合了多种蛋白质信号的图像。但是，通过训练好的深度学习模型，研究人员就能够像“解开密码”一样，将这些混合的信号准确地分离出来，还原成每一种蛋白质清晰的图像。这意味着，即使我们只使用了少量的成像通道，也能够同时获得大量蛋白质的表达信息。这项研究的数据显示，通过这种方法重建出的蛋白质图像，与传统的单通道成像方法得到的结果高度一致，证明了“组合通道复用”（combplex）技术的准确性和可靠性。例如，研究人员展示了在荧光显微镜（fluorescence microscopy）和基于质谱的成像技术（mass-based imaging）中，该方法都能够成功应用，并且在多种不同的细胞类型和组织样本中都取得了良好的效果。

组合通道多路复用提升蛋白质成像水平（credit: nature biotechnology）

a) 标准蛋白质成像： 展示了传统的蛋白质成像方法，其中每种蛋白质（列）的图像都是在单独的测量通道（例如，不同的荧光颜色；行）中获取的。这意味着，每种蛋白质都需要一个独立的通道进行成像。

b) 组合蛋白质多路复用： 展示了 combplex 组合蛋白质多路复用方法，其中每种蛋白质（列）的图像是通过一组独特的测量通道组合（行）获取的。这种方法可以指数级地增加使用给定数量的通道可以测量的蛋白质数量。

c) 组合压缩图像的获取： 说明了如何使用荧光或基于质谱的方法获取组合压缩的图像。在这些图像中，每个通道都包含来自多种蛋白质的信号。

d) 重建目标： 解释了在给定如 b 和 c 中详细描述的压缩图像以及组合染色矩阵的情况下，目标是从这些压缩图像中重建出潜在的单个蛋白质的测量结果。

e-i) 信号重建中可以用作约束的蛋白质图像属性示例： 展示了可以用作信号重建过程中约束条件的蛋白质图像属性的示例。例如：

e) cd8 在组织中表现出稀疏染色。

f) 角蛋白 (keratins) 表现出连续的信号。

g) cd8（蓝色）与 cd45（红色）共表达。

h) 泛角蛋白（红色）表现出细胞质染色，而 ki67 表现出细胞核染色（绿色）。

i) 与 h 相同。尽管两种蛋白质都以灰度显示，但可以通过它们独特的染色模式来区分。

“五通道”解锁“二十二蛋白”，数据说话实力不凡

这项研究最令人印象深刻的成果之一，就是他们成功地利用仅仅5个成像通道，同时对22种不同的蛋白质进行了精确的成像和定量分析。为了验证这项技术的有效性，研究人员进行了大量的实验和数据分析。他们将通过“组合通道复用”（combplex）技术重建出的蛋白质表达数据，与使用传统单通道方法获得的数据进行了全面的比较。结果显示，两种方法得到的数据之间具有高度的一致性。这意味着，“组合通道复用”（combplex）技术不仅能够大大提高成像效率，而且不会牺牲数据的准确性。

具体来说，研究人员展示了对不同细胞类型（例如，来自小鼠大脑皮层的细胞）的成像结果。他们利用5个通道的“组合通道复用”（combplex）技术，成功地识别并定量了22种关键的蛋白质标记物。通过与传统的免疫荧光染色方法（immunofluorescence staining）进行比较，他们发现两种方法在检测这些蛋白质的表达水平和空间分布方面，都表现出了高度的相关性。相关性分析（correlation analysis）的结果表明，两种方法得到的数据之间的皮尔逊相关系数（pearson correlation coefficient）非常高，通常都在0.8以上，甚至接近0.9。这意味着，“组合通道复用”（combplex）技术能够非常准确地反映细胞中蛋白质的真实表达情况。这些数据有力地证明了该技术在实现高维度成像方面的巨大潜力。

“一箭双雕”的应用前景：科研提速与临床诊断的双赢

“组合通道复用”（combplex）技术的突破，不仅仅是在实验室里展示了一种新的成像方法，更重要的是，它在未来的科学研究和临床应用中都展现出了巨大的潜力。在科学研究方面，这项技术可以帮助研究人员更全面地了解细胞的复杂性，例如，在研究疾病发生和发展的过程中，可以同时观察多种相关蛋白质的变化，从而更深入地理解疾病的机制。又比如，在药物研发过程中，可以利用这项技术快速评估药物对细胞内多种靶点的影响，从而加快药物筛选和开发的速度。

在临床诊断方面，“组合通道复用”（combplex）技术也有望发挥重要作用。例如，在癌症诊断中，医生可以通过对肿瘤组织样本进行高维度成像分析，同时检测多种与肿瘤发生和发展相关的蛋白质标记物。这些信息可以帮助医生更准确地判断肿瘤的类型、分级和预后，从而为患者制定更加个性化的治疗方案。此外，这项技术还可以应用于其他疾病的诊断和监测，例如，感染性疾病、自身免疫性疾病等等。通过一次成像就能获得更多关键的生物标志物信息，这将大大提高诊断的效率和准确性，最终造福广大患者。研究人员还展示了这项技术在不同组织样本（例如，小鼠的脾脏组织）中的应用，进一步证明了其广泛的适用性。

让“看见”更多成为可能

“组合通道复用”（combplex）技术的成功研发和应用，无疑是生命科学领域的一项重要突破。它巧妙地结合了组合染色策略和强大的深度学习算法，克服了传统成像技术在通量和可扩展性方面的限制，实现了对细胞中多种蛋白质的高效、准确成像。这项研究的成果不仅为我们揭示了细胞内部世界的更多秘密，也为未来的科学研究和临床应用开辟了新的道路。

未来，随着技术的不断发展和完善，“组合通道复用”（combplex）有望在更多领域发挥重要作用，例如，在单细胞测序（single-cell sequencing）等领域与其他技术相结合，实现更全面的细胞分析。

我们有理由相信，这项创新性的成像技术将成为未来生命科学研究的重要工具，帮助我们更深入地理解生命的本质，并为健康做出更大的贡献。

参考文献

ben-uri, r., ben shabat, l., shainshein, d. et al. high-dimensional imaging using combinatorial channel multiplexing and deep learning. nat biotechnol (2025). https://doi.org/10.1038/s41587-025-02585-0

责编|探索君