跳转至

Chapter 11

作者

Arndt Rohwedder Johannes Kepler University Linz, Linz, Austria Email: arndt.rohwedder@jku.ac.at

本章作者是 JKU Linz 大学计算细胞生物学家(同 Ch 2 Knipp 同一机构),专长 3D 图像分析(Cloudbuster 软件开发者)。Springer Nature 2024,DOI: 10.1007/978-3-031-64532-7_11。

内容概述

本章系统综述细胞迁移分析的软硬件。结构: (1) 三层分析软件架构: - Acquisition(采集) — 厂商提供 (Zeiss Zen, Leica LAS-X, Olympus cellSens, Nikon NIS-Elements);开源 μManager (Edelstein 2014 J Biol Methods [X1])、Python Microscope (Pinto 2021 J Cell Sci [X2])、ImSwitch (Moreno 2021 JOSS [X3])。 - Quantification(量化) — 从原始数据提取迁移相关参数(开/闭源均有)。 - Data analysis(数据分析) — 统计/ML 工具整合。

(2) 38 个迁移参数的"参数-技术"表 (Table 1) — 涵盖 X/Y/Z-Extension (largest/complete)、Apoptosis、Tightness、Dislocation vector、Cell location、Surface area、Number/length/size/variance of extensions、Classification、Fractionation、Distance to central aggregate、Total/Net distance、Mean curvilinear/straight-line speed、Directionality ratio、Max distance、Change in open wound area、Speed/shape of wound closure 等。 (3) Impedance 测量 (Chiu 2019 Sensors [X4], Xu 2016 Biosens Bioelectron [X5]) — 无标记实时但设备贵,数据解读与光学不同。 (4) Imaging 通用流程 — intensity threshold(噪声去除)+ 边界识别(edge detection / watershed)+ 参数提取;用户偏差是主要问题。 (5) Time-series single-cell tracking — MTrackJ (Meijering 2012 [X6], 手动少量细胞)、CellTracker (Piccinini 2016 Bioinformatics [X7], MATLAB)、TrackMate (Tinevez 2017 Methods [X8], ImageJ/Fiji 插件, 自动化);2021 升级版 Ershov 2021 [X9] 加入 ML/深度学习。 (6) 2D Wound Healing Assay 分析 — TScratch (Gebäck 2009 Biotechniques [X10])、Wound_healing_size_tool (Suarez-Arnedo 2020 PLoS One [X11])。商业:ImageXpress (Molecular Devices)、Incucyte (Sartorius)。 (7) 2D Morphology 分析 — Imaris、VoloCity(商业);ShapeMetrics (Takko 2020 Dev Biol [X12], MATLAB)、SMorph (Sethi 2021 J Cell Sci [X13])。 (8) 3D Morphology 分析 — ImageJ/Fiji 难"思考 3D";Python 模块 (open3d, scikit-image, scikit-learn) 优;Cloudbuster (Rohwedder 2022 Interface Focus [X14]) 是作者团队开发的 3D 重建 + 量化工具。 (9) 数据分析语言 — MATLAB/GNU Octave(免费但难)、Python(易学 + 大量模块)、R(统计)、Java(企业级)。 (10) 软件选择决策图 (Fig. 5) — 基于 (a) 数据维度 2D/3D, (b) 追踪/形态, (c) 高/中/低 专业知识, (d) 通用 vs 专用。Take-Home: 通用软件(易扩展但需专业知识)+ 专用软件(快速结果但难定制)+ 开源(透明 + 无快支持)+ 闭源(支持好 + 数据风险)。链接汇总: Python/Octave/R/Java 编程;μManager/Python-microscope/ImSwitch 采集;OME/IDR 数据库;ImageJ/Fiji/ICY/QuPath/TrackMate/Cloudbuster 图像分析;scikit-image/scikit-learn/open3d Python 模块。

核心方程与概念

  • 三层软件架构的"数据流": $\(\text{Acquisition} \xrightarrow{\text{raw data}} \text{Quantification} \xrightarrow{\text{parameters}} \text{Data analysis} \xrightarrow{\text{biological insight}}\)$ 各层可独立或组合,取决于实验设计。

  • 38 个迁移参数的分类学 (Table 1):

  • 形态参数: X/Y-Extension (largest/complete), Z-Extension, X/Y-Extension ratio, X/Z (flatness), Surface area
  • 突触参数: Number/Mean/Median/Variance length/size of extensions, Classification (brim/broad/narrow/small)
  • 动力学参数: Total/Net distance, Mean curvilinear speed, Mean straight-line speed, Directionality ratio, Max distance
  • 群集参数: Fractionation, Average/Median/Variance distance to central aggregate

  • 伤口参数: Change in open wound area, Speed/shape of wound closure

  • Impedance-based 测量的物理原理: $\(Z(\omega) = \frac{V(t)}{I(t)} = f(\text{cell coverage}, \text{cell shape}, \text{cell adhesion})\)$ 不同频率的电流 → 探测不同尺度的细胞特性;无标记 + 实时 + 高通量,但信号解读复杂(电化学+细胞生物双重要求)。

  • Imaging 通用流程的"算法链": $\(\text{raw image} \to \text{intensity threshold (Otsu/triangle)} \to \text{noise removal (Gaussian/median)}\)$ $\(\to \text{cell segmentation (edge detection/watershed/Cellpose)} \to \text{parameter extraction}\)$ 每步都有"用户偏差"和"算法选择"问题。

  • MTrackJ 的"手动追踪"逻辑 (Meijering 2012 [X6]): $\(N_{\text{frames}} \times N_{\text{cells}} \to \text{用户点击} \to \text{x}_i(t), y_i(t) \to \text{MSD}, v, \text{directionality}\)$ 优点:灵活,小样本;缺点:细胞数 > 50 时不可行。

  • TrackMate 的"自动追踪"算法 (Tinevez 2017 [X8]): $\(\text{detection: LoG / DoG / threshold} \to \text{linking: nearest neighbor / LAP}\)$ $\(\to \text{tracking: gap-closing, track splitting, track merging}\)$ Ershov 2021 [X9] 加入 ML 分割 + 深度学习 提高准确性。

  • CellTracker (Piccinini 2016 [X7]) — MATLAB-based, well-documented,专门为细胞追踪设计;优势:文档化好,可靠;缺点:MATLAB 商业依赖。

  • TScratch vs Wound_healing_size_tool 的对比:

  • TScratch (Gebäck 2009 [X10]):简单,适合初步分析;无高通量
  • Wound_healing_size_tool (Suarez-Arnedo 2020 [X11]):ImageJ plugin, 高通量

  • 商业 ImageXpress/Incucyte:全自动, "predigested reports"

  • ShapeMetrics 3D 形态学分析 (Takko 2020 [X12]): $\(\text{3D cell aggregate} \to \text{segmentation} \to \text{shape parameters} \to \text{spatial tissue analysis}\)$ MATLAB 基础,可移植到 GNU Octave(需编程经验)。

  • SMorph 自动化形态学 (Sethi 2021 [X13]): $\(\text{2D morphology} \to \text{automated analysis} \to \text{plasticity detection in hippocampal astrocytes}\)$ 适合"治疗前后形态变化"分析。

  • Cloudbuster 3D 重建 (Rohwedder 2022 [X14]): $\(\text{stacked 2D images} \to \text{3D reconstruction} \to \text{spheroid quantification}\)$ $\(\to \text{surface area, volume, distance to center, cluster analysis}\)$ 作者团队开发,Python + 开源;适合 spheroid invasion assay。

  • ML/深度学习在图像分析中的角色 (Phillip 2021 [X16]): $\(\text{unsupervised clustering of cell morphology} \to \text{cell state classification}\)$

  • Cellpose (深度学习分割, Stringer 2021)
  • StarDist (星形凸多边形分割)

  • ilastik (pixel classification)

  • 3D vs 2D 形态学的"信息损失":

  • 2D 投影 = 3D 的"截面" → 单切片丢失 Z 方向信息
  • 2D 重叠 = 2 个不同 Z 高度细胞看似"贴在一起"

  • 3D 是真实形态 → 3D 形态学是金标准但计算量大

  • 统计推断在迁移分析中的必要性: $\(\text{生物学变异} \to \text{多 replicates (n ≥ 3)} \to \text{统计检验 (t-test / ANOVA / Mann-Whitney)}\)$ $\(\to \text{PCA (主成分分析)} \to \text{多参数综合}\)$ 单一参数易误判,多参数综合是鲁棒分析。

  • Python 模块生态 (Ch 9 + Ch 11 整合):

  • scikit-image: 2D/3D 图像处理
  • scikit-learn: 机器学习
  • Cellpose / StarDist: 深度学习分割
  • open3d: 3D 点云
  • Napari: 可视化
  • PyTorch / TensorFlow: 深度学习框架
  • trackpy / btrack: 单细胞追踪

关键结论

  • 三层软件架构是标准模式:
  • Acquisition(厂商锁定) + Quantification(开源/商业混合) + Data analysis(Python/R 主导)

  • 各层可独立优化,但"集成度低"是常见痛点

  • 38 个迁移参数反映细胞迁移的多维性:速度/方向/形态/位置/群集/伤口闭合——没有"单一参数"能完整描述。

  • "开源 vs 闭源"权衡:

  • 开源(Fiji/ImageJ/TrackMate/Python):算法透明 + 可定制 + 学术友好,但快支持缺失 + 学习曲线陡
  • 闭源(Imaris/VoloCity/Incucyte):专业支持 + 自动化报告,但算法不透明 + 数据风险(产品下市)

  • 推荐: 关键实验用闭源(快速结果);方法学开发用开源(可重复 + 可发表)

  • Python 是"现代迁移分析"的语言:

  • 易学 + 大量模块(scikit-image, Cellpose, trackpy)
  • 可将脚本打包为 standalone 软件
  • 跨平台(Linux/Mac/Windows)

  • 与 ML/深度学习无缝整合

  • Wound healing 分析的"工具阶梯":

  • TScratch:快速初筛,小规模
  • Wound_healing_size_tool:ImageJ plugin, 高通量
  • ImageXpress / Incucyte:商业, 全自动

  • Cloudbuster:3D 重建, 复杂 spheroid 选择标准:实验规模 + 维度(2D/3D)+ 专业知识

  • ML/深度学习的"分割 + 追踪"已成熟:

  • Cellpose:通用分割(Ch 9 详述)
  • TrackMate + ML:自动追踪
  • Phillip 2021 [X16]:无监督形态聚类
  • StarDist:星形细胞分割

  • ilastik:交互式像素分类

  • 3D 形态学是"未来":

  • 2D 投影 → 信息损失
  • 3D 重建(Cloudbuster)→ 真实形态
  • 但计算量 + 存储量 + 算法难度高

  • 未来需"GPU 加速" + "AI 辅助分割"

  • "用户偏差"是主要问题:

  • intensity threshold 选择 → 改变分割结果
  • 边界算法选择 → 改变形态参数
  • 自动 vs 手动 → 改变可重复性

  • 最佳实践:双盲 + 多算法对比 + 标准化操作

  • Impedance 测量是"小众但有特色":

  • 无标记 + 实时 + 高通量
  • 但解读复杂 + 设备贵

  • 适合长时间纵向监测(数天-数周)

  • "跨实验整合"仍是挑战:

  • 不同软件输出格式不同(CSV, Excel, custom binary)
  • 难以直接跨实验比较

  • 解决方案:标准化数据格式(OME、IDR)+ 开放数据

  • 3D spheroid 分析的特殊价值:

  • 体内 3D 微环境的最接近模拟
  • 3D invasion assay 量化(MI) + 3D 形态学 = 临床前金标准

  • 工具:Cloudbuster(开源),Imaris(商业)

  • "Python 生态"是个人研究的最佳平台:

  • 与 ML/AI 整合无缝
  • 与 R 整合(统计)+ 与 ImageJ 整合(可视化)+ 与 MatLab 整合(算法)
  • 本人研究:Python + Cellpose + TrackMate + Cloudbuster 组合

挑战和开放性问题

  1. 38 个参数中"哪些是关键"是研究问题特定的:没有"通用关键参数集",需研究问题驱动的参数选择。这是经验 + 试错的过程。
  2. 2D vs 3D 的"统一指标"缺失:2D 形态参数不能直接对应 3D 形态参数,需要新的"维度无关"指标(如球形度、表面积/体积比、连通性等)。
  3. "用户偏差"的量化:即使同一数据集,不同分析者用不同参数会得到不同结论。Cross-validation 是必要的。
  4. ML/深度学习的"黑箱"问题:Cellpose 等工具虽强,但解释性差——在临床转化中需要"为什么这样分割"的解释。
  5. "高通量"vs "高准确度"的权衡:高通量扫描常需"低分辨率+快速",但降低分辨率可能丢失关键迁移事件。
  6. 跨实验室"标准化数据集":类似 UK Biobank 的"开放数据"在细胞迁移领域仍缺乏。Image Data Resource (Williams 2017 Nat Methods [X15]) 是早期尝试。
  7. "实时 + 长时间"成像的"数据洪流":1 GB /分钟的成像数据需要 PB 级存储 + 高速传输 + 在线分析。
  8. 3D 重建的"层间对齐"问题:Z-stack 各层之间有微小漂移,需要"图像配准(image registration)"。这在低对比度样品中特别困难。
  9. "形态-功能"关联:形态参数(突触数、长度)如何与功能(迁移速度、方向性)关联?目前主要是相关性,因果性难建立。
  10. "AI 驱动发现"vs "假设驱动验证":ML 可"发现"新模式,但生物学解释仍是"人"的工作。

个人反思与批判性分析

1. 章节是"软件-工具综述"而非"方法学综述": - 优点:实用(给出大量链接和决策图) - 缺点:对方法的物理/数学原理讨论偏少 - 与 Ch 10(计算建模)+ Ch 9(成像)对比,Ch 11 是"工具指南"

2. 章节的"38 个参数"列表的"长尾问题": - 多数研究只用到 5-10 个核心参数(速度、方向、距离、方向性、形态) - 38 个参数列表的价值:当核心参数无结论时,检查长尾 - 实践中:PCA(主成分分析) + 多参数综合是减少假阳性的关键

3. 章节对"ML/深度学习"的引用相对前沿: - Phillip 2021 [X16] 无监督聚类、Ershov 2021 [X9] TrackMate + ML - 2018+ 的方法(Transformer 分割、Self-supervised learning)未充分讨论 - 基础模型(foundation models) 在生物图像中正在兴起(2023+),未提及

4. 章节的"开源偏向"立场: - Rohwedder 团队的 Cloudbuster 是开源,章节自然倾向推荐开源工具 - 商业软件(Imaris 等)被提及但不被突出推荐 - 客观上对中小实验室(资金有限),开源更友好

5. 章节的"Python 中心视角": - 与 Ch 9(Peckham) 的"Fiji 中心"形成对比 - 实际上两种范式互补:Fiji 是"经典图像处理"工具,Python 是"现代 ML/AI"工具 - 未来是"Python 集成 Fiji"(如 pyimagej),章节未深入

6. 章节对"高通量" vs "高准确度"权衡的反思: - 多数软件默认低分辨率 + 高速度(适高通量) - 但高分辨率 + 低速度是基础研究的核心 - 混合策略才是最佳:高通量筛选 + 高分辨率验证

7. 章节对"Impedance 测量"的简短处理: - 实际 ECIS (electric cell-substrate impedance sensing) 是金标准无标记方法 - 但设备贵 + 解读复杂,目前仍是"小众" - 章节定位为"补充方法",合理

8. 章节引用与文献覆盖: - 主要文献覆盖至 2022 年 - 关键 reference 出现频繁: TrackMate (Tinevez 2017 [X8]), Cloudbuster (Rohwedder 2022 [X14]), ImageJ/Fiji (Schindelin 2012) - 缺少对BioImage Archive + IDR(Williams 2017 [X15])等开放数据平台的深入讨论 - 缺少对近 3 年 AI 工具(2023+)的引用

9. 与本人血管生物力学研究的具体连接: - Cloudbuster 3D 重建可直接应用于血管类器官的 3D 形态学分析——评估血管出芽 + 血管网络拓扑 - TrackMate + Cellpose 可追踪 SMC 球体中的细胞迁移 + 量化迁移速度 - scikit-image + scikit-learn 可提取 血管切片的形态参数(管壁厚度、内皮形态、炎症浸润)用于 ML 预测模型 - PCA + 多参数综合适合本人研究的多机制 SMC 表型转换分析(刚度 + 炎症 + 血流剪切) - Impedance (ECIS) 是研究血管内皮屏障功能的金标准(本人研究相关),但章节提及较少

10. 章节的"个人研究启示": - 工具组合比"最好工具"更重要:Python + Fiji + ML + 商业可视化 → 全栈分析能力 - 开源 + 可复现是学术研究的核心,符合现代科研规范 - 3D 形态学 + ML 预测是 2024+ 血管生物力学研究的关键 - Cloudbuster 等工具可作为本人研究"血管类器官 3D 分析"的入门工具

重要参考文献

[X1] Edelstein AD, Tsuchida MA, Amodaj N, Pinkard H, Vale RD, Stuurman N. Advanced methods of microscope control using μManager software. J Biol Methods 2014;1:e10. doi:10.14440/jbm.2014.36. PMID: 25606571 [X2] Susano Pinto DM, Phillips MA, Hall N, Mateos-Langerak J, Stoychev D, Susano Pinto T, Booth MJ, Davis I, Dobbie IM. Python-microscope—a new open-source Python library for the control of microscopes. J Cell Sci 2021;134(20):jcs258955. doi:10.1242/jcs.258955. PMID: 34661288 [X3] Moreno X, Al-Kadhimi S, Alvelid J, Bodén A, Testa I. ImSwitch: generalizing microscope control in Python. J Open Source Softw 2021;6:3394. doi:10.21105/joss.03394 [X4] Chiu S-P, Batsaikhan B, Huang H-M, Wang J-Y. Application of electric cell-substrate impedance sensing to investigate the cytotoxic effects of andrographolide on U-87 MG glioblastoma cell migration and apoptosis. Sensors 2019;19:1-15. doi:10.3390/s19010083 [X5] Xu Y, Xie X, Duan Y, Wang L, Cheng Z, Cheng J. A review of impedance measurements of whole cells. Biosens Bioelectron 2016;77:824-36. doi:10.1016/j.bios.2015.10.027. PMID: 26513284 [X6] Meijering E, Dzyubachyk O, Smal I. Methods for cell and particle tracking. Methods Enzymol. 2012;504:183-200. doi:10.1016/B978-0-12-391857-4.00009-4. PMID: 22264535 [X7] Piccinini F, Kiss A, Horvath P. CellTracker (not only) for dummies. Bioinformatics 2016;32(6):955-7. doi:10.1093/bioinformatics/btv686. PMID: 26545820 [X8] Tinevez JY, Perry N, Schindelin J, Hoopes GM, Reynolds GD, Laplantine E, Bednarek SY, Shorte SL, Eliceiri KW. TrackMate: an open and extensible platform for single-particle tracking. Methods 2017;115:80-90. doi:10.1016/j.ymeth.2016.09.016. PMID: 27713081 [X9] Ershov D, Phan M, Pylvänäinen JW, Rigaud SU, Le Blanc L, Conway JRW, Laine RF, Roy NH, Bonazzi D, Duménil G, Jacquemet G, Tinevez J. Bringing TrackMate into the era of machine-learning and deep-learning. bioRxiv 2021. doi:10.1101/2021.09.03.458852 [X10] Gebäck T, Schulz MMP, Koumoutsakos P, Detmar M. TScratch: a novel and simple software tool for automated analysis of monolayer wound healing assays. Biotechniques 2009;46(4):265-74. doi:10.2144/000113083. PMID: 19450233 [X11] Suarez-Arnedo A, Figueroa FT, Clavijo C, Arbeláez P, Cruz JC, Muñoz-Camargo C. An ImageJ plugin for the high throughput image analysis of in vitro scratch wound healing assays. PLoS One 2020;15(12):e0242565. doi:10.1371/journal.pone.0242565. PMID: 33320869 [X12] Takko H, Pajanoja C, Kurtzeborn K, Hsin J, Kuure S, Kerosuo L. ShapeMetrics: a userfriendly pipeline for 3D cell segmentation and spatial tissue analysis. Dev Biol 2020;462(1):7-19. doi:10.1016/j.ydbio.2020.02.003. PMID: 32061979 [X13] Sethi P, Virmani G, Gupta K, Thumu SCR, Ramanan N, Marathe S. Automated morphometric analysis with SMorph software reveals plasticity induced by antidepressant therapy in hippocampal astrocytes. J Cell Sci 2021;134(20):jcs258430. doi:10.1242/jcs.258430. PMID: 34553781 [X14] Rohwedder A, Knipp S, Esteves FO, Hale M, Ketchen SE, Treanor D. 'Cloudbuster': a Python-based open source application for three-dimensional reconstruction and quantification of stacked biological imaging samples. Interface Focus 2022;12(5):20220016. doi:10.1098/rsfs.2022.0016. PMID: 36051916 [X15] Williams E, Moore J, Li SW, Rustici G, Tarkowska A, Chessel A, Leo S, Antal B, Ferguson RK, Sarkans U, Brazma A, Carazo Salas RE, Swedlow JR. Image data resource: a bioimage data integration and publication platform. Nat Methods 2017;14(8):775-81. doi:10.1038/nmeth.4326. PMID: 28775673 [X16] Phillip JM, Han K-S, Chen W-C, Wirtz D, Wu P-H. A robust unsupervised machine-learning method to quantify the morphological heterogeneity of cells and nuclei. Nat Protoc 2021;16(2):754-74. doi:10.1038/s41596-020-00432-x. PMID: 33328610 [X17] Stringer C, Wang T, Michaelos M, Pachitariu M. Cellpose: a generalist algorithm for cellular segmentation. Nat Methods 2021;18(1):100-6. doi:10.1038/s41592-020-01018-x. PMID: 33318659 [X18] Schindelin J, Arganda-Carreras I, Frise E, Kaynig V, Longair M, Pietzsch T, Preibisch S, Rueden C, Saalfeld S, Schmid B, et al. Fiji: an open-source platform for biological-image analysis. Nat Methods 2012;9(7):676-82. doi:10.1038/nmeth.2019. PMID: 22743772 [X19] Piccinini F, Kiss A, Horvath P. CellTracker (not only) for dummies. Bioinformatics 2016;32(6):955-7. (Same as [X7]) [X20] Ketchen S, Rohwedder A, Knipp S, Esteves F, Struve N, Peckham M, Ladbury JE, Curd A, Short SC, Brüning-Richardson A. A novel workflow for three-dimensional analysis of tumour cell migration. Interface Focus 2020;10:20190070. doi:10.1098/rsfs.2019.0070. PMID: 32382411 [X21] Allen C, Burel J-M, Moore J, Blackburn C, Linkert M, MacDonald D, Moore WJ, Neves C, Patterson A, Porter M, et al. OMERO: flexible, model-driven data management for experimental biology. Nat Methods 2012;9(3):245-53. doi:10.1038/nmeth.1896. PMID: 22373911 [X22] Levet F, Tønnesen J, Nägerl UV, Sibarita JB. A software tool for quantitative analysis of nanoscale spine morphology. Methods 2020;174:49-55. doi:10.1016/j.ymeth.2019.11.008. PMID: 31790714