Nat. Methods | CELLECT:一种用于大规模高效细胞追踪的对比嵌入学习框架

DRUGONE

对大规模细胞行为的定量分析在理解多种生理和病理过程机制中具有越来越关键的作用，但在实际应用中同时实现高性能和高效率的细胞追踪仍然是一个挑战。研究人员提出了 CELLECT，一种用于大规模高效细胞追踪的对比嵌入学习方法，并在 Caenorhabditis elegans 数据集上进行了验证。通过对不同细胞结构潜在嵌入的对比学习，CELLECT 可在单一公共数据集上预训练后，广泛适用于不同成像模态和物种，展现出强泛化能力。结合双光子显微成像，CELLECT 能实现实时三维追踪淋巴结生发中心形成过程中频繁分裂的大规模 B 细胞，定量识别小鼠脾脏中的细胞–细菌相互作用，并在强非刚性运动下高保真提取神经信号。该方法为免疫学、病理学及神经科学研究提供了强大的工具。

细胞行为的定量分析对理解生物系统至关重要，广泛应用于免疫学、病理学、发育学、神经科学和药理学等领域。光学成像与荧光探针的发展带来了高时空分辨率的在体成像，使得研究人员能够在天然三维环境中观察细胞活动。然而，长时间与大范围的成像会生成海量数据，远超人工处理能力。这迫切需要具有高性能与高效率的下游算法来从 TB 级甚至 PB 级的图像数据中提取有价值的高维信息。

深度学习的出现显著提升了细胞追踪的准确度，但通常需要大量人工标注，包括细胞位置、形态和轨迹等信息。此依赖限制了其在复杂数据集（如不同物种、多种标记方式的三维时间序列成像）中的应用。尽管已有算法尝试用稀疏标注减轻负担，但由于依赖固定时窗的轨迹优化，它们往往计算开销巨大，难以实现实时性能。因此，仍需新的算法能在复杂动态三维环境中实现高效且精确的细胞追踪。

方法

研究人员开发了统一的学习框架 CELLECT，通过对比嵌入学习实现高效的三维细胞追踪。

该模型将三维强度分布映射为代表细胞中心概率的三维置信图。稀疏标注的细胞位置用于生成多层次置信图，近距离体素的概率更高。模型采用对比学习策略，从公共数据集中学习不同细胞结构的潜在嵌入，以最大化不同细胞的特征差异并最小化同一细胞的特征距离。

这种潜在嵌入使模型在不同物种与成像模态下均具有强泛化能力，可无需重新训练而直接应用。

网络架构基于三维 U-Net，输入为相邻两帧，输出包含三部分：

• 细胞中心置信图；
• 每个体素的潜在嵌入特征；
• 细胞分裂概率图。

此外，轻量化分支 CEN（Center Enhancement Network）增强置信图中心区的概率值以提升定位精度。

在推理阶段，CELLECT 计算潜在嵌入空间内的特征距离，通过两个轻量级 MLP 模型实现：

• 帧内 MLP：消除冗余检测；
• 帧间 MLP：区分同一细胞、分裂事件或不同细胞。

该模块化设计在保持高精度的同时显著减少计算量，实现大规模三维数据的可扩展处理。

结果

CELLECT 框架概述

CELLECT 能够在稀疏标注条件下学习细胞潜在嵌入特征，实现统一的三维追踪与分割。

性能评估与基准测试

研究人员在 Cell Tracking Challenge 中对 CELLECT 进行了基准测试，使用了 C. elegans 胚胎的两套公共数据（共聚焦与光片显微镜）。与 linajea、Imaris、StarryNite 等方法相比，CELLECT 在追踪准确度和分割精度上均显著优于现有算法，同时计算速度提升 50 倍以上。在 512×512×41 体素数据中，CELLECT 每帧处理仅需 2 秒，而 linajea 需 111 秒。CELLECT 在不同成像模态下表现一致，体现出卓越的跨数据泛化能力。

免疫细胞三维追踪

为验证 CELLECT 在高密度动态环境下的性能，研究人员将其与双光子合成孔径显微成像（2pSAM）结合，对小鼠淋巴结中的 T、B 细胞进行了长时程追踪。

• 在 T 细胞实验中，CELLECT 的追踪准确率达 91.5%，显著高于 Imaris 的 70.7%；
• 在 B 细胞实验中，CELLECT 实现了对 7000 余个细胞超过 5 分钟的连续追踪；
• 并精确识别出细胞分裂事件的时空分布。

CELLECT 在 260 GB 数据上的处理时间仅 157 分钟，而 Imaris 需 480 分钟；且 CELLECT 仅需 4 GB 内存即可运行。

在体细胞相互作用定量分析

研究人员进一步展示了 CELLECT 在定量分析细胞间相互作用中的能力。通过在小鼠脾脏进行细菌、中性粒细胞和巨噬细胞的三通道在体成像，CELLECT 可同时实现追踪与分割，并自动识别吞噬事件。该模型揭示了两种不同的免疫策略：中性粒细胞主动追击运动细菌，而巨噬细胞主要吞噬被动漂浮的细菌。

神经元活动追踪

研究人员在果蝇脑组织的强形变条件下测试了 CELLECT 对神经元活动的追踪能力。结果表明：

• CELLECT 能在 14,800 帧中准确追踪 451 个神经元；
• 相比 Imaris 和 TrackMate，其追踪精度提高三倍以上；
• 在神经活动信号的提取与基线稳定性上均明显优越。

讨论

CELLECT 提出了一种基于对比嵌入学习的通用细胞追踪与分割框架，在不同物种、成像方式与信号强度下均展现了出色的泛化与速度优势。与传统方法相比，它在三维在体成像数据上实现了超过 50 倍的处理加速，同时保持顶级准确率。

该框架无需大量标注数据，仅通过单一公共数据集的预训练即可广泛应用。未来可结合自监督策略进一步消除标注需求，成为通用的细胞追踪基础模型。研究人员指出，CELLECT 当前使用相邻帧输入以提高效率，这可能限制其捕获长时动态的能力。未来可通过引入运动先验或全局轨迹建模改善时间一致性。此外，CELLECT 对低信噪比区域或超大细胞仍有改进空间，但其内置的尺寸估计模块可通过自适应缩放部分缓解。

总的来说，随着高速三维成像技术的发展，CELLECT 填补了高通量数据定量分析的关键空白，为从细胞到组织尺度的多领域研究提供了高精度、高效率的分析工具，预示着在发育生物学、病理学、免疫学与神经科学等领域的广泛应用前景。

整理 | DrugOne团队

参考资料

Zhou, H., Kim, S., Zhao, Z. et al. CELLECT: contrastive embedding learning for large-scale efficient cell tracking. Nat Methods (2025).

https://doi.org/10.1038/s41592-025-02886-x

内容为【DrugOne】公众号原创｜转载请注明来源