Addressing complex autofluorescence signatures in solid tissue samples to enhance full spectrum flow cytometry of non-immune cells.

该研究通过优化全谱流式细胞术（FSFC）方案并引入关键对照，有效克服了实体组织（如小鼠肝脏和心脏）中内皮细胞复杂自发荧光的干扰，从而实现了对非免疫细胞亚群的高维表型分析、轨迹追踪及稀有细胞分选。

要点

这篇论文讲述了一个关于如何给“细胞”做高清全身扫描的故事。

想象一下，你正在研究一个繁忙的城市（比如肝脏或心脏），里面住着各种各样的居民（细胞）。其中有一类居民叫内皮细胞（Endothelial Cells），它们就像城市里的血管管理员，负责维持血管的通畅和健康。

过去，科学家想研究这些“血管管理员”时，主要靠看它们的“身份证”（基因/RNA），但这就像只看身份证照片，看不出它们今天穿了什么衣服、心情好不好，或者有没有在干坏事。

为了解决这个问题，作者们开发了一种新技术，叫全谱流式细胞术（FSFC）。你可以把它想象成给每个细胞拍一张360 度超高清全景照片，不仅能看清它们长什么样，还能看清它们身上贴了多少种不同的“标签”（蛋白质）。

遇到的大麻烦：细胞会“发光”

但是，给血管管理员拍照有个大难题：
这些细胞来自固体组织（比如肝脏和心脏），它们自己会发出一种奇怪的背景光（自体荧光，Autofluorescence）。

• 比喻：这就好比你试图在大雾弥漫、且周围全是霓虹灯闪烁的夜店里，给一个人拍一张清晰的照片。周围的灯光（背景光）太乱、太杂，把你想要拍的那个“标签”（荧光标记）给淹没了，导致照片一片模糊，根本分不清谁是谁。
• 特别是在生病（如纤维化、炎症）的组织里，这种“背景光”更强烈，就像夜店里的灯光变成了探照灯，完全看不清人。

作者们的解决方案：给“夜店”装上了智能滤镜

这篇论文的核心，就是作者们发明了一套**“去雾滤镜”和“智能调色盘”**，成功在混乱的背景光中，把血管管理员们分门别类地找了出来。

1. 挑选最合适的“相机”和“镜头”（面板设计）

他们设计了一个包含 14 种不同颜色标签的“超级相机”。

• 比喻：就像摄影师要拍一组复杂的群像，他不能随便拿 14 种颜色的颜料，因为有些颜色混在一起会脏成一团。作者利用电脑软件（Cytek Spectral Viewer）像调音师一样，精心挑选了 14 种互不干扰、能清晰分辨的颜色，确保每种“标签”都能被单独识别出来。

2. 解决“死活不分”的问题（活力染料优化）

在拍照前，得先把死掉的细胞剔除，否则它们会乱发光。

• 比喻：作者发现，以前常用的“死细胞染料”在肝脏这种“大雾环境”下不管用（因为肝脏本身就有类似颜色的光）。于是，他们像试穿鞋子一样，试了三种不同的染料，最后发现一种绿色的染料效果最好，能像探照灯一样，把活细胞和死细胞区分得清清楚楚。

3. 制作“背景光地图”（自体荧光提取）

这是最关键的一步。

• 比喻：既然知道夜店（组织）里有各种奇怪的灯光干扰，作者没有试图关掉灯（因为关不掉），而是先画了一张“灯光分布图”。
  • 他们收集了健康肝脏、生病肝脏、雄性、雌性等不同情况下的“背景光样本”。
  • 利用软件（Multi-AF extraction），就像智能降噪耳机一样，系统能自动识别并把这些背景杂音“抵消”掉，只留下细胞身上真正的“标签”信号。

4. 给细胞“画像”并分类（数据分析）

照片拍好了，数据也干净了，接下来就是分类。

• 比喻：以前科学家是拿着放大镜，一个一个细胞看（手动门控），效率很低。现在，他们把几万个细胞的数据扔进AI 聚类算法（FlowSOM 和 UMAP）。
  • 这就像把几千个不同职业、不同衣着的人扔进一个房间，AI 能瞬间把他们按职业（肝窦内皮、心脏内皮等）自动分成 12 个不同的“小圈子”。
  • 作者还发现，肝脏里的血管管理员比心脏里的更多样化，就像大城市（肝脏）里的职业分工比小城镇（心脏）更细。

5. 追踪“变形记”（轨迹分析）

最酷的是，他们还能看到细胞是怎么“变身”的。

• 比喻：在肝脏生病（纤维化）的过程中，有些血管管理员会“黑化”，变成一种像“建筑工人”（成纤维细胞）一样的细胞，去制造疤痕。作者利用Wishbone 轨迹分析，就像监控录像回放一样，清晰地看到了这些细胞是如何一步步从“好公民”变成“捣乱分子”的。

最终成果：精准抓捕“坏分子”

最后，作者不仅看清了这些细胞，还利用这套技术，像特种部队一样，把那些稀有的、正在“黑化”的血管管理员单独挑出来（分选），以便进行更深入的研究。

总结

简单来说，这篇论文就是：
科学家发明了一套“去雾 + 降噪 + 智能分类”的超级摄影术，成功在混乱的固体组织（如肝脏、心脏）中，把那些原本看不清的血管细胞拍得清清楚楚，还发现了它们在生病时的“变形”过程。

这项技术就像给显微镜装上了“夜视仪”和"AI 大脑”，让科学家能以前所未有的清晰度，去观察人体内部最复杂的血管世界，为治疗肝病、心脏病提供了新的线索。

技术摘要

这是一份关于 Gkantsinikoudi 等人（2025）发表的论文《针对非免疫细胞优化特定内皮细胞的全谱流式细胞术（FSFC）》的详细技术总结。该研究旨在解决固体组织样本中复杂的自发荧光（Autofluorescence, AF）问题，从而实现对内皮细胞（EC）亚群的高维蛋白质组学分析。

1. 研究背景与核心问题 (Problem)

• 技术局限性： 虽然单细胞 RNA 测序（scRNA-seq）在解析细胞异质性方面取得了巨大成功，但它无法直接捕捉蛋白质表达、转录后修饰或细胞表面相互作用。全谱流式细胞术（FSFC）作为一种新兴的高维蛋白质组学技术，可以弥补这一不足。
• 应用瓶颈： 目前 FSFC 主要应用于免疫细胞（如肿瘤免疫学），在应用于固体组织来源的非免疫细胞（特别是内皮细胞）时面临巨大挑战。
• 核心障碍： 固体组织（如肝脏和心脏）中的内皮细胞具有复杂且多变的自发荧光（AF）特征。这种自发荧光会干扰荧光染料的解混（Unmixing），导致信噪比降低，难以区分真实的细胞表型信号。特别是在脂肪变性（Steatosis）或纤维化（Fibrosis）组织中，脂质和细胞外基质的增加会进一步加剧自发荧光。
• 缺乏标准化方案： 针对非免疫细胞（如内皮细胞）的 FSFC 面板设计、自发荧光提取及对照设置缺乏优化的标准流程。

2. 方法论 (Methodology)

研究团队开发并优化了一套针对小鼠肝脏和心脏内皮细胞的 14 色全谱流式细胞术方案，主要包含以下关键技术步骤：

A. 面板设计与优化 (Panel Design)

• 仪器平台： 使用 Cytek® Aurora (4 激光：UV/V/B/R, 54+3 通道) 光谱流式细胞仪。
• 荧光染料选择： 利用 Cytek® Cloud 的 Spectrum Viewer 工具评估 14 种荧光染料的相似性（Similarity Score）和面板复杂度（Complexity Index）。
• 标记物选择：
  • 6 个内皮身份标记物： 用于识别不同的 EC 亚群（如 CD31, EMCN, TM, LYVE1, PDPN, MCAM）。
  • 3 个激活标记物： ICAM1, LY6A, CD34。
  • 3 个间质转化标记物： TAGLN, THY1.2, PDGFRα（用于研究内皮 - 间质转化 EndMT）。
  • 排除标记： CD45（排除免疫细胞）。
• 活细胞染料优化： 测试了多种活细胞染料。由于 DNA 结合染料在固定/透化步骤中会染色活细胞，且肝脏损伤模型在 NIR 区域有强自发荧光，最终选定 LIVE/DEAD Green Fixable 染料，并通过滴定确定了最佳稀释度（1:5,000）。

B. 自发荧光（AF）提取与解混控制

• 多自发荧光提取（Multi-AF Extraction）： 鉴于不同组织（肝 vs 心）、不同性别、不同疾病模型（健康 vs 纤维化/脂肪肝）的自发荧光谱系差异巨大，研究采用了 Cytek® SpectroFlo® 软件中的“多 AF 提取”工具。
• 对照设置： 必须为每个实验变量（时间点、性别、损伤模型）设置未染色对照（Unstained Controls），以准确提取和去除特定的自发荧光信号，防止解混错误。
• 单染对照： 使用细胞或微球建立单染对照库，确保荧光特征准确。

C. 数据分析流程

• 质量控制 (QC)： 使用 FlowAI 算法去除因流速波动或气泡引起的异常数据。
• 降维与聚类：
  • 数据缩放和补偿后，使用 FlowSOM 算法进行无监督聚类（设定 K=20）。
  • 使用 UMAP 进行降维可视化，展示不同 EC 亚群的分布。
  • 组织特异性分析： 肝脏和心脏的数据分别进行聚类和可视化，因为两者的标记物表达谱存在显著差异。
• 轨迹分析： 应用 Wishbone 算法分析细胞的可塑性，追踪从低激活状态到高激活/纤维化状态的细胞分化轨迹。

D. 细胞分选 (Cell Sorting)

• 基于 FSFC 分析结果，优化了分选面板（Table 2），在 Cytek® Aurora CS 分选仪上成功分离了稀有的内皮亚群（如 CD31low/THY1.2+ 和 CD31high/LY6A+）。

3. 主要结果 (Key Results)

• 成功解析异质性： 该方案成功在肝脏中识别出 12 种 内皮细胞亚群，在心脏中识别出 7 种 亚群。
  • 肝脏 EC 表现出更高的多样性（8/12 的簇表达超过 4 种身份标记），且分布较均匀。
  • 心脏 EC 主要由一个大的亚群主导。
• 自发荧光管理的突破： 证明了在复杂的纤维化（CCl4 诱导）和代谢性肝病（Western 饮食诱导）模型中，通过多 AF 提取策略，可以显著降低解混误差，清晰区分细胞表型。
• 发现新的细胞表型与轨迹：
  • 利用 Wishbone 轨迹分析，揭示了内皮细胞在肝纤维化过程中的可塑性。
  • 鉴定出两种关键的稀有亚群：
    1. 促纤维化 EC： CD31low / THY1.2+（表达间质转化标记）。
    2. 促炎 EC： CD31high / LY6A+（在 CCl4 诱导 4 周后富集）。
• 空间分布验证： 通过免疫荧光（IHC）验证了标记物（如 TM 和 EMCN）在肝脏门静脉区（PP）和中央静脉区（CV）以及心脏心内膜/心外膜区域的特异性表达，与流式结果一致。

4. 关键贡献 (Key Contributions)

1. 建立了针对固体组织非免疫细胞的标准 FSFC 协议： 填补了 FSFC 在非免疫细胞（特别是内皮细胞）应用中的方法学空白。
2. 解决了复杂自发荧光难题： 提出并验证了基于“多自发荧光提取”和严格对照（未染色、FMO、单染）的策略，有效克服了固体组织（尤其是病变组织）的高背景干扰。
3. 揭示了内皮细胞的可塑性： 结合高维流式与轨迹分析，提供了内皮细胞在炎症和纤维化过程中发生表型转换（如 EndMT）的动态视图。
4. 实现了稀有细胞的分选： 证明了优化后的 FSFC 方案可用于分选具有复杂表型的稀有内皮亚群，为下游功能研究提供了可能。

5. 研究意义 (Significance)

• 技术层面： 为全谱流式细胞术在血管生物学、组织纤维化和代谢性疾病研究中的应用提供了可复制的框架。它展示了如何通过优化对照和数据分析来克服固体组织样本的固有缺陷。
• 生物学层面： 深入解析了肝脏和心脏内皮细胞的异质性，特别是疾病状态下的动态变化，有助于发现新的治疗靶点（如针对促纤维化或促炎内皮亚群）。
• 转化医学潜力： 该方案能够识别和分离稀有细胞群，对于理解疾病机制、开发靶向疗法以及验证生物标志物具有重要意义。

局限性说明：
研究也指出，FSFC 依赖于预先选择的抗体面板，因此无法像 scRNA-seq 那样进行无偏的转录组发现；此外，由于需要针对每个实验条件定制自发荧光对照，样本量需求较大，且不同数据集间的直接比较存在一定挑战。

总结：
Gkantsinikoudi 等人的这项研究不仅提供了一套针对内皮细胞的高维流式检测“操作手册”，更重要的是证明了通过精细的对照设计和先进的数据分析，全谱流式细胞术完全有能力在复杂的固体组织环境中解析出精细的细胞亚群和动态生物学过程。