导读

近日，来自美国哈佛医学院的Shijie He和Nima Saeidi团队开发了一个虚拟绘画系统，称为PhaseFIT（相位-荧光图像转换），利用定制的形态丰富的2.5D肠道类器官，通过易获取的低成本类器官相位图像生成虚拟荧光图像进行表型定量。该系统由一种新颖的分割信息深度生成模型驱动，该模型专门用于分割对象之间的重叠和邻近关系，能够实现从相位差到多通道荧光图像的无标记数字转换。PhaseFIT是首个专注于活体类器官的深度学习虚拟绘画系统，能够实现大规模、信息丰富且高效的类器官表型定量。PhaseFIT将有望用于类器官在高通量药物筛选应用中。

研究背景

相差成像是一种低成本且容易实现的技术，通常用于观察体外细胞的扩展、生长和形态。另一方面，免疫荧光成像仍然是识别高对比度分子特异性（例如，区分特定细胞类型）的标准。定量相位成像已经成为一种给予活细胞的强大、无标记方法，可提供有关细胞数量、形态和细胞周期的定量信息。此外，深度神经网络（DNN）已经用于在相位图像上进行数字染色。然而，深度学习相差成像分析尚未用于量化类器官系统的表型，该系统包含高维和复杂的细胞组成和异质分布。

类器官是体外培养的微型器官，可以模拟体内器官的多样细胞群、复杂解剖结构和生理功能。但由于免疫荧光过程对类器官系统复杂三维结构的处理极具挑战性，基于图像的三维类器官表型定量通常仅限于相位/明场成像的类器官数量、大小和活力。即使是最近开发的2D和2.5D类器官培养模型也更适用于多重免疫荧光，但多重免疫荧光的过程仍然是昂贵且耗时的，存在较大的样品批次间的异质性。因此，迫切需要开发经济、高效和信息丰富的类器官表型定量策略，以满足大规模应用的需求。

最近的研究表明，使用深度学习来连接定量相位成像和荧光染色以了解细胞的存活性是可行的。然而，将复杂和高维的类器官相差图像精细转化为多重荧光染色图像仍然在技术上具有挑战性，尤其是在没有人为标记的情况下。这是因为需要对DNN进行高精度训练，以模拟类器官相位图像中的复杂光学关系、不清晰的形态边界和高度异质性，同时定位相位图像中隐含的甚至稀疏的蛋白质，以生成虚拟荧光图像。

在这项工作中，研究团队开发了PhaseFIT（相位-荧光图像转换），用于在无标记的活体类器官相差图像上进行生成模型虚拟多重荧光绘画。考虑到相位图像相关的复杂性以及肠上皮细胞高度异质性所带来的挑战，PhaseFIT引入分割算法，首次将分割信息纳入相位-荧光图像转换。为增强图像生成，PhaseFIT引入了逐通道注意力，以便集中关注最具影响力的特征图，同时还引入了逐空间注意力，以抑制冗余的特征区域。此外，当从异质且无伪影的类器官相差图像生成虚拟绘画时，所提出的算法优于最先进的基于生成对抗网络的染色转换方法，这表明PhaseFIT是生物医学和生物制药研究中基于图像的类器官表型定量的有效工具。

创新研究

图1展示了虚拟绘画系统PhaseFIT，用于从相位图像中量化2.5D肠道类器官的表型。基于传统荧光图像的表型分析存在四个缺点，包括耗时的染色过程、抗体的高成本、多重成像采集的复杂系统、以及不同批次之间染色和成像之间的人工差异。为了克服这些缺点，PhaseFIT可以使用AI驱动的虚拟绘画将活体类器官的相位图像转换为多重荧光图像。

图1 活体类器官PhaseFIT（相位-荧光图像转换）的工作流程。

图2为分割信息感知的生成模型架构。所提出的模型是在多对类器官的荧光和相差图像上进行训练的，并旨在克服染料稀疏和伪影等问题。图2A显示了图像预处理将输入图像分割成图块，并将它们转换成二进制图像。图2B显示了这些图块用作单独的输入来生成相应的分割结果，然后将这些预测的分割结果聚合成图像，并执行颜色填充操作以获得变换后的图像。图2C显示采用了推理进行优化的聚合上下文转换（AOT）块和sc-Res模块，被用来平滑块连接并增强特征选择，以确保准确和详细的分割。

图2 分割信息感知的生成模型架构。

图3为来自两种免疫荧光染料（即Hoechst和UEA-I）以及蛋白质LGR5-EGFP的信号来展示2.5D肠道类器官的高生理相关特征。Hoechst细胞核染色可以有效地识别隐窝-绒毛结构（图3B和3C）。干细胞和分化细胞分别位于隐窝和绒毛区域（图3A和3B）。LGR5-EGFP和UEA-I分别用于识别肠干细胞和分泌细胞群（图3C）。

图3. 使用荧光染料Hoechst、荧光蛋白LGR5-EGFP和荧光染料UEA-I对2.5D小肠类器官进行染色以进行表型分析。

研究团队使用真实的Hoechst和UEA-I染色（图4和5）以及LGR5-EGFP（图6）的真实标记图像来训练PhaseFIT，并将PhaseFIT的性能与先前报道的两种基于生成对抗网络的方法进行了比较，测试了Dice相似系数(Dice Score)、像素级的召回率分数(Recall score)、结构相似性指数（SSIM）和均方误差等四个定量指标，以比较生成图像的质量。结果表明，基于分割信息的PhaseFIT明显优于其他生成对抗网络模型，并可以用于生成所有三种虚拟染色。

图4. PhaseFIT与最先进的生成对抗网络方法在虚拟Hoechst核染色方面的性能比较。

图5. PhaseFIT与生成对抗网络方法在虚拟LGR-5（位于小丘中的肠道干细胞的标记物）染色方面的性能比较。

图6. PhaseFIT与生成对抗网络方法在虚拟UEA-I染色方面的性能比较。

图7显示了将PhaseFIT应用于评估三种药物，DAPT、丙戊酸（VPA）和盐酸盐（DOR）对类器官表型的影响。通过PhaseFIT生成的虚拟绘画图像与通过真实绘画生成的图像之间在细胞种群定量方面没有统计学上的显著差异，确认了PhaseFIT在药物筛选应用中的准确性。

图7. 通过PhaseFIT对类器官表型的药物影响进行量化。

该文章被发表在国际顶尖学术期刊《Light: Science & Applications》上，题为“PhaseFIT: Live-Organoid Phase-Fluorescent Image Transformation via Generative AI”，Junhan Zhao为第一作者，Shijie He和Nima Saeidi为通讯作者。（来源：LightScienceApplications微信公众号）

‍‍相关论文信息：https://www.nature.com/articles/s41377‍-023-01296-y