利用DeepCellMap(一种结合空间统计的深度学习方法)解析发育中人脑的小胶质细胞空间组织

Unraveling microglial spatial organization in the developing human brain with DeepCellMap, a deep learning approach coupled with spatial statistics.

作者信息Theo Perochon, Zeljka Krsnik, Marco Massimo, Yana Ruchiy, Alejandro Lastra Romero, Elyas Mohammadi, Xiaofei Li, Katherine R Long, Laura Parkkinen, Klas Blomgren, Thibault Lagache, David A Menassa, David Holcman
PMID39948387
发布时间2025-02-13
DOI10.1038/s41467-025-56560-z

实验完整度

高

多层级证据:31例人胎儿脑组织免疫组化明场图像、7例荧光共聚焦图像(3对照4 SARS-CoV-2)、单细胞RNA-seq数据、合成模拟验证;功能与机制验证:空间关联、聚类重叠、最近邻分析。

主要模型

人胎儿脑组织切片(免疫组化明场,10 pcw至足月,n=31) 人胎儿脑组织切片(免疫荧光共聚焦,3例对照与4例SARS-CoV-2暴露) 单细胞RNA-seq数据集(前脑、中脑、后脑共6584个小胶质细胞转录组) 合成模拟数据集(三种细胞类型A、B、C不同空间分布)

重点核对

组织来源与分组:正常发育胎儿脑组织(n=31例,10 pcw至足月)及SARS-CoV-2暴露组(n=4)与对照组(n=3) 小胶质细胞形态分类:U-Net深度学习模型,5类形态(增殖型、阿米巴型、聚集型、吞噬型、分支型),F1分数81% 空间关联分析:levelset分析,9个亚区(ω1-ω9),统计阈值T_rand=√(2log n),耦合距离δa 聚类分析:DBSCAN算法,MinSample=4,ε自动优化,凸包稳定性阈值60% 成像参数:明场切片扫描40x物镜(NA=0.75),像素分辨率0.45 μm×0.45 μm;共聚焦20x物镜,像素分辨率0.312 μm/pixel

摘要

由于数据的多维性以及缺乏高通量工具难以解释的复杂空间模式,绘制发育中大脑的细胞组织面临重大挑战。在此,我们提出DeepCellMap,一个深度学习辅助工具,它将多尺度图像处理与先进的空间和聚类统计相结合。该流程旨在绘制正常和病理脑发育过程中的小胶质细胞组织,并具有适应任何细胞类型的潜力。使用DeepCellMap,我们捕获了小胶质细胞的形态多样性,识别了增殖表型与吞噬表型之间的强耦合,并显示随着人脑发育的推进,不同的空间簇很少重叠。此外,我们发现了暴露于母体SARS-CoV-2的胎儿大脑中小胶质细胞与血管之间的关联。这些发现为以下问题提供了见解:各种小胶质细胞表型是否在发育中的大脑中形成网络以占据空间,以及在涉及出血的情况下,小胶质细胞是对血管完整性的变化作出反应,还是影响这些变化。DeepCellMap作为开源软件提供,是提取大组织切片中的空间统计和分析细胞组织的强大工具,可容纳各种成像模式。该平台为研究大脑发育和相关病理开辟了新途径。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
如何高通量、自动化地映射发育中人脑小胶质细胞的形态多样性及其空间组织,并在正常和病理(如SARS-CoV-2暴露)条件下解析不同形态小胶质细胞之间以及与血管之间的空间关系?
核心机制
小胶质细胞不同形态表型(增殖型、吞噬型、聚集型等)在发育过程中形成特定的空间网络,随发育推进各形态群体倾向于占据特定 territory 以减少重叠;在SARS-CoV-2暴露胎儿皮层中,溶酶体小胶质细胞与血管紧密关联,提示小胶质细胞可能对血管完整性变化作出反应或影响血管完整性。
主要证据
DeepCellMap对31例人胎儿脑组织明场图像进行分析,识别5种小胶质细胞形态并量化空间关联与聚类重叠;在SARS-CoV-2暴露胎儿皮层荧光图像(n=4)与对照(n=3)中,溶酶体小胶质细胞(IBA1+CD68+)与血管的距离显著缩短、聚类重叠增加;单细胞RNA-seq数据中吞噬和增殖相关基因随发育增加,与组织学数据一致。
研究意义
DeepCellMap作为开源工具,可适应任何细胞类型和多种成像模式,为研究脑发育及相关病理(如出血、血管完整性改变)提供空间统计和细胞组织分析的新途径。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

DeepCellMap流程开发与细胞分割验证

建立自动化图像处理流程,实现大尺寸组织图像中细胞的分割与分类。

将图像分块(1024×1024像素)预处理,使用Otsu阈值法和形态学操作分割细胞;在明场图像中训练U-Net深度学习网络分类小胶质细胞形态,在荧光图像中基于颜色通道分离分类;使用CellPose分割细胞核以重建组织密度热图。

2

小胶质细胞形态分类与脑区自动划分

将小胶质细胞分类为5种形态类型,并基于细胞核密度自动划分脑区。

使用U-Net分类器将小胶质细胞分为增殖型、阿米巴型、聚集型、吞噬型和分支型;基于CellPose细胞核密度热图,使用Otsu多阈值法划分纹状体、新皮层、皮质边界和神经节隆起四个脑区。

3

空间关联分析(levelset分析)与聚类重叠分析(DBSCAN)

量化不同小胶质细胞形态之间以及细胞与脑区边界之间的空间关联,并检测细胞聚类及其重叠程度。

应用广义Ripley方法结合levelset分析,计算细胞类型间的关联频率和平均耦合距离,并校正深度学习分类不确定性;使用半自动DBSCAN算法检测细胞聚类,计算聚类细胞比例和不同形态聚类间的混合比例。

4

合成模拟验证空间统计准确性

验证DeepCellMap在存在分类错误情况下准确测量细胞类型间空间关联水平和距离的能力。

生成三种细胞类型(A、B、C)的合成模拟数据,B和C以不同比例和距离与A关联;设置三种分类混淆场景(无混淆、中间混淆30%、高混淆45%),比较DeepCellMap估计值与模拟真实值。

5

正常发育人脑小胶质细胞空间组织分析

在正常发育人脑组织中表征不同形态小胶质细胞的分布、空间关联和聚类 territory。

对17、19、20 pcw的人胎儿脑组织切片进行免疫组化染色和明场成像,使用DeepCellMap量化各脑区小胶质细胞总数和形态比例,分析形态间空间关联和聚类重叠随时间的变化。

6

SARS-CoV-2暴露胎儿皮层小胶质细胞与血管空间关联分析

探究病理条件下(母体SARS-CoV-2暴露)小胶质细胞与血管的空间关系。

对SARS-CoV-2暴露胎儿和对照胎儿的新皮层组织进行免疫荧光染色(IBA1、Laminin、CD68、SARS-CoV-2),共聚焦成像,使用DeepCellMap分类细胞并计算细胞间及细胞与血管的空间关联、聚类重叠和最近邻距离。

7

单细胞RNA-seq数据与组织学形态比例相关性分析

验证DeepCellMap基于形态的分类比例是否与单细胞转录组数据得到的比例相关。

分析独立单细胞RNA-seq数据集(前脑、中脑、后脑共6584个小胶质细胞),使用Seurat和Harmony进行聚类和注释,计算稳态、吞噬和增殖三类小胶质细胞比例,与DeepCellMap在匹配pcw(10-14周)得到的比例进行Spearman相关性分析。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
兔抗IBA1抗体Wako019-19741
鼠抗IBA1抗体Abcamab283319
鼠抗Ki67抗体Dako Omnis, AgilentGA62661
兔抗TMEM119抗体Abcamab185333
鼠抗PG-M1抗体Dako Omnis, AgilentGA61361-2
鼠抗P2RY12抗体Abcamab180366
兔抗SOX2抗体Santa Cruzsc365823
Immunopress duet试剂盒Vector labs, UKMP7724
Envision试剂盒(鼠/兔)Agilent, UKK500711-2
CD68抗体DAKOM0814
IBA-1抗体Abcamab5076
泛层粘连蛋白抗体SigmaL9393
兔IgG同型对照Abcamab172730
SARS-CoV-2刺突蛋白抗体GenentechGTX632604
SARS-CoV-2核衣壳蛋白抗体Sino Biological40143-R001
驴抗山羊Alexa fluor 488Life technologiesA11055
抗小鼠Alexa fluor 568Life technologiesA10037
抗小鼠Alexa fluor 555Life technologiesA31570
抗兔Alexa fluor 647Life technologiesA31573
抗兔Alexa fluor 488Life technologiesA21206
山羊抗大鼠555Life technologiesA21434
DAPISigmaD9542
Mowiol封片剂Merck Biosciences--
Aperio Imagescope扫描仪Aperio--
Hamamatsu Nanozoomer 2.0 RS扫描仪Hamamatsu--
Zeiss LSM 800倒置显微镜Zeiss--
Zeiss AxioScan切片扫描仪Zeiss--

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
免疫组化与明场成像
组织来源与分组:人胎儿脑组织31例(12F;14M;5n/k),10 pcw至足月;排除标准:先天异常、遗传病、脑外伤、脑室周围白质软化、缺氧缺血性脑病
阅读提示:Methods 'Ethics statement and histological slides' 及 Supplementary Table 2
小胶质细胞形态分类
U-Net模型训练参数:训练集75%、验证集15%、测试集15%;初始学习率0.003;批大小3;40个epoch;数据增强(亮度变化、翻转、裁剪、旋转)
阅读提示:Methods 'Deep learning classification of microglial cells' 及 Supplementary Figs. 7-10
空间关联分析
levelset亚区数量n=9;统计阈值T_rand=√(2log n);分类混淆矩阵来自训练数据集;耦合距离计算权重
阅读提示:Methods 'Level-set analysis of cell-to-cell spatial association' 及 Figure 3 legend
聚类分析
DBSCAN参数:MinSample=4;ε自动优化以最大化聚类数;凸包稳定性标准:移除10%边缘细胞后面积比>60%(100次实现平均)
阅读提示:Methods 'Characterizing cell clustering and overlap with a generalized DBSCAN algorithm' 及 Figure 4 legend
SARS-CoV-2荧光成像分析
样本:3例对照、4例SARS-CoV-2暴露胎儿脑组织;抗体稀释比例:CD68 1:100、IBA-1 1:100、pan-laminin 1:100;共聚焦像素分辨率0.312 μm/pixel
阅读提示:Methods 'Fluorescence data collection'、'Immunofluorescence' 及 Figure 5 legend