Nature Biotechnology | 「五通道」解鎖「二十二蛋白」：細胞成像技術迎來指數級飛躍

2025年03月26日18:00:48 科學 1517

引言

構成我們身體的無數細胞內部，究竟隱藏着怎樣的精密運作？長期以來，研究人員就像手持不同顏色濾鏡的攝影師，每次只能透過一種濾鏡觀察細胞的一個側面。想要了解細胞的全貌，就不得不進行多次拍攝，這不僅耗時耗力，還難以捕捉到瞬息萬變的生命活動。想像一下，如果有一種「魔法相機」，能夠一次性拍攝出細胞的「彩色全景圖」，清晰地呈現出多種關鍵蛋白質的分佈和狀態，那將是多麼令人興奮的發現！

現在，這個夢想正逐漸成為現實。3月25日《nature biotechnology》的研究報道「high-dimensional imaging using combinatorial channel multiplexing and deep learning」，開發的一項名為「組合通道復用」（combinatorial channel multiplexing, combplex）的創新技術，如同給顯微鏡裝上了一顆聰明的「大腦」，正引領我們以前所未有的方式洞察細胞的奧秘。這項研究巧妙地利用了「組合染色」的策略，此外，研究團隊還引入了強大的「深度學習」（deep learning）算法，如同一個經驗豐富的「解碼專家」，能夠從看似混雜的信號中，精準地識別出每一種蛋白質的獨特「指紋」。

這項突破性的技術究竟有多強大？令人難以置信的是，研究人員僅僅利用5個成像通道，就成功地同時觀察並分析了22種不同的蛋白質！這相當於用5個「頻道」播出了原本需要22個「頻道」才能呈現的內容，效率大幅提升。更重要的是，實驗數據表明，這種「化繁為簡」的方法，其結果與傳統的、耗費更多資源的成像技術高度吻合。

告別「單通道作戰」，多維度觀察成為現實

在過去，研究人員想要觀察細胞中不同蛋白質的表達情況，往往需要使用不同的熒光標記物，並且針對每一種蛋白質進行單獨的成像。這就好比我們要拍攝一張包含多種顏色的照片，卻只能先拍紅色部分，再拍藍色部分，最後再將它們疊加起來。這種「單通道作戰」的方式不僅效率低下，而且在想要同時觀察大量蛋白質時，會面臨巨大的技術挑戰和成本壓力。傳統的成像技術，每檢測一種蛋白質就需要一個獨立的通道（channel），這就像電視台的頻道一樣，數量有限。想要同時觀察更多的蛋白質，就意味着需要更多的通道，這在技術上是很難實現的，而且成本也會急劇上升，嚴重限制了我們對細胞複雜性的理解。

然而，「組合通道復用」（combplex）技術的出現，徹底打破了這一瓶頸。這項創新性的技術，不再是為每一種蛋白質都準備一個單獨的「頻道」，而是採用了一種更加聰明的方式。具體來說，研究人員針對多種不同的蛋白質，設計出不同的染色方案。每一種蛋白質不再只在一個通道中顯現，而是在多個通道中以特定的組合形式出現。這樣一來，原本需要大量通道才能檢測的蛋白質，現在只需要少量的通道就可以實現。這項研究中，研究人員就成功地將原本需要22個通道才能檢測的蛋白質，壓縮到了僅僅5個成像通道中！這就像用5個頻道播出了原本需要22個頻道才能播出的內容，效率提升了數倍。

「化繁為簡」的奧秘：組合染色與深度學習的完美結合

那麼，如何才能從這5個「混合」的通道中，準確地識別出每一種蛋白質的信號呢？這就要歸功於「組合通道復用」（combplex）技術的另一個核心組成部分——深度學習（deep learning）。深度學習是一種人工智能技術，它可以通過學習大量的數據，自動提取出隱藏在數據中的規律和模式。在這個研究中，研究人員首先對大量的細胞樣本進行了染色和成像，獲取了每個通道中不同蛋白質組合的圖像數據。然後，他們利用這些數據訓練了一個強大的深度學習模型。這個模型就像一個經驗豐富的「解碼器」，能夠學習到每一種蛋白質在不同通道中的「指紋」特徵。

當研究人員使用「組合通道復用」（combplex）技術對新的細胞樣本進行成像時，得到的仍然是混合了多種蛋白質信號的圖像。但是，通過訓練好的深度學習模型，研究人員就能夠像「解開密碼」一樣，將這些混合的信號準確地分離出來，還原成每一種蛋白質清晰的圖像。這意味着，即使我們只使用了少量的成像通道，也能夠同時獲得大量蛋白質的表達信息。這項研究的數據顯示，通過這種方法重建出的蛋白質圖像，與傳統的單通道成像方法得到的結果高度一致，證明了「組合通道復用」（combplex）技術的準確性和可靠性。例如，研究人員展示了在熒光顯微鏡（fluorescence microscopy）和基於質譜的成像技術（mass-based imaging）中，該方法都能夠成功應用，並且在多種不同的細胞類型和組織樣本中都取得了良好的效果。

組合通道多路復用提升蛋白質成像水平（credit: nature biotechnology）

a) 標準蛋白質成像： 展示了傳統的蛋白質成像方法，其中每種蛋白質（列）的圖像都是在單獨的測量通道（例如，不同的熒光顏色；行）中獲取的。這意味着，每種蛋白質都需要一個獨立的通道進行成像。

b) 組合蛋白質多路復用： 展示了 combplex 組合蛋白質多路復用方法，其中每種蛋白質（列）的圖像是通過一組獨特的測量通道組合（行）獲取的。這種方法可以指數級地增加使用給定數量的通道可以測量的蛋白質數量。

c) 組合壓縮圖像的獲取： 說明了如何使用熒光或基於質譜的方法獲取組合壓縮的圖像。在這些圖像中，每個通道都包含來自多種蛋白質的信號。

d) 重建目標： 解釋了在給定如 b 和 c 中詳細描述的壓縮圖像以及組合染色矩陣的情況下，目標是從這些壓縮圖像中重建出潛在的單個蛋白質的測量結果。

e-i) 信號重建中可以用作約束的蛋白質圖像屬性示例： 展示了可以用作信號重建過程中約束條件的蛋白質圖像屬性的示例。例如：

e) cd8 在組織中表現出稀疏染色。

f) 角蛋白 (keratins) 表現出連續的信號。

g) cd8（藍色）與 cd45（紅色）共表達。

h) 泛角蛋白（紅色）表現出細胞質染色，而 ki67 表現出細胞核染色（綠色）。

i) 與 h 相同。儘管兩種蛋白質都以灰度顯示，但可以通過它們獨特的染色模式來區分。

「五通道」解鎖「二十二蛋白」，數據說話實力不凡

這項研究最令人印象深刻的成果之一，就是他們成功地利用僅僅5個成像通道，同時對22種不同的蛋白質進行了精確的成像和定量分析。為了驗證這項技術的有效性，研究人員進行了大量的實驗和數據分析。他們將通過「組合通道復用」（combplex）技術重建出的蛋白質表達數據，與使用傳統單通道方法獲得的數據進行了全面的比較。結果顯示，兩種方法得到的數據之間具有高度的一致性。這意味着，「組合通道復用」（combplex）技術不僅能夠大大提高成像效率，而且不會犧牲數據的準確性。

具體來說，研究人員展示了對不同細胞類型（例如，來自小鼠大腦皮層的細胞）的成像結果。他們利用5個通道的「組合通道復用」（combplex）技術，成功地識別並定量了22種關鍵的蛋白質標記物。通過與傳統的免疫熒光染色方法（immunofluorescence staining）進行比較，他們發現兩種方法在檢測這些蛋白質的表達水平和空間分佈方面，都表現出了高度的相關性。相關性分析（correlation analysis）的結果表明，兩種方法得到的數據之間的皮爾遜相關係數（pearson correlation coefficient）非常高，通常都在0.8以上，甚至接近0.9。這意味着，「組合通道復用」（combplex）技術能夠非常準確地反映細胞中蛋白質的真實表達情況。這些數據有力地證明了該技術在實現高維度成像方面的巨大潛力。

「一箭雙鵰」的應用前景：科研提速與臨床診斷的雙贏

「組合通道復用」（combplex）技術的突破，不僅僅是在實驗室里展示了一種新的成像方法，更重要的是，它在未來的科學研究和臨床應用中都展現出了巨大的潛力。在科學研究方面，這項技術可以幫助研究人員更全面地了解細胞的複雜性，例如，在研究疾病發生和發展的過程中，可以同時觀察多種相關蛋白質的變化，從而更深入地理解疾病的機制。又比如，在藥物研發過程中，可以利用這項技術快速評估藥物對細胞內多種靶點的影響，從而加快藥物篩選和開發的速度。

在臨床診斷方面，「組合通道復用」（combplex）技術也有望發揮重要作用。例如，在癌症診斷中，醫生可以通過對腫瘤組織樣本進行高維度成像分析，同時檢測多種與腫瘤發生和發展相關的蛋白質標記物。這些信息可以幫助醫生更準確地判斷腫瘤的類型、分級和預後，從而為患者制定更加個性化的治療方案。此外，這項技術還可以應用於其他疾病的診斷和監測，例如，感染性疾病、自身免疫性疾病等等。通過一次成像就能獲得更多關鍵的生物標誌物信息，這將大大提高診斷的效率和準確性，最終造福廣大患者。研究人員還展示了這項技術在不同組織樣本（例如，小鼠的脾臟組織）中的應用，進一步證明了其廣泛的適用性。

讓「看見」更多成為可能

「組合通道復用」（combplex）技術的成功研發和應用，無疑是生命科學領域的一項重要突破。它巧妙地結合了組合染色策略和強大的深度學習算法，克服了傳統成像技術在通量和可擴展性方面的限制，實現了對細胞中多種蛋白質的高效、準確成像。這項研究的成果不僅為我們揭示了細胞內部世界的更多秘密，也為未來的科學研究和臨床應用開闢了新的道路。

未來，隨着技術的不斷發展和完善，「組合通道復用」（combplex）有望在更多領域發揮重要作用，例如，在單細胞測序（single-cell sequencing）等領域與其他技術相結合，實現更全面的細胞分析。

我們有理由相信，這項創新性的成像技術將成為未來生命科學研究的重要工具，幫助我們更深入地理解生命的本質，並為健康做出更大的貢獻。

參考文獻

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

責編|探索君