QuantCell: machine learning based cell annotation integrating qualitative and quantitative imaging profiles

本文介绍了 QuantCell，一种利用机器学习整合定性与定量成像数据以解决复杂组织中细胞注释难题的框架，该框架在小鼠骨髓 PhenoCycler 成像数据中将注释细胞比例从 33.1% 提升至 90.2% 且准确率达 96.5%，同时能有效识别稀有细胞群。

要点

这篇论文介绍了一个名为 QuantCell 的新工具，它就像是一个超级智能的细胞“翻译官”和“分类员”，专门用来解决生物学家在观察复杂组织（比如骨髓）时遇到的一个大难题：如何快速、准确地给成千上万个细胞“贴标签”（确定它们是什么类型的细胞）。

为了让你更容易理解，我们可以把这篇论文的故事想象成在一个巨大的、拥挤的超级市场里进行的一场商品分类大行动。

1. 背景：混乱的超级市场（复杂的组织）

想象一下，你走进一个巨大的超级市场（比如小鼠的骨髓）。这里挤满了成千上万个不同的“商品”（细胞）。

• 有些是常见的“大桶装牛奶”（常见的血细胞）。
• 有些是稀有的“限量版手办”（干细胞或罕见的免疫细胞）。
• 有些长得非常像，但功能完全不同。

以前，生物学家想给这些商品分类，只能靠人工肉眼观察（定性分析）。这就像让一个老员工站在货架前，一个个拿起商品，凭经验判断：“这个看起来像牛奶，那个看起来像果汁。”

• 痛点：这太累了！而且如果商品长得太像，或者数量太少（稀有细胞），老员工很容易看走眼，或者干脆放弃不分类。结果就是，市场上只有**33%的商品被贴上了标签，剩下的67%**都还是“未知商品”。

2. 解决方案：QuantCell 智能系统

QuantCell 的出现，就像给这个超市装上了一套AI 驱动的自动化分拣系统。它不再只靠“看个大概”，而是结合了两种能力：

1. 定性经验：它先学习老员工的经验（比如：如果这个细胞有 A 标记且没有 B 标记，那它肯定是 T 细胞）。
2. 定量数据：它还能看到人眼看不到的细节（比如：这个细胞发出的荧光有多亮？亮度分布是均匀的还是斑驳的？）。

它的工作流程是这样的：

• 第一步：建立“标准答案库”。系统先让老员工手动给一小部分最典型的细胞贴上标签（比如确认这 100 个是红细胞，那 50 个是白细胞）。
• 第二步：AI 训练。系统利用这些“标准答案”，结合成千上万个细胞的详细数据（像指纹一样精确的图像数据），训练了几个不同的“超级大脑”（机器学习模型）。
• 第三步：优胜劣汰。系统让这几个“超级大脑”互相比赛，看谁分得最准。最后，它选出了表现最好的那个（在这个研究中，是一个叫“随机森林”的模型）。
• 第四步：大规模分拣。这个选中的 AI 大脑开始处理剩下的那 67% 的“未知商品”。

3. 核心亮点：不仅快，而且“宁缺毋滥”

QuantCell 最厉害的地方在于它的自信度控制（False Discovery Rate，简称 FDR）。

• 比喻：想象你在给一群孩子分班。有些孩子特征很明显，AI 能 100% 确定他是“数学班”的。但有些孩子模棱两可，既像“数学班”又像“艺术班”。
• 以前的做法：为了凑数，AI 可能会猜一个，结果分错了。
• QuantCell 的做法：它设定了一个规则——“如果我不够确定（比如只有 90% 的把握），我就不贴标签，把它留作‘待定’。”
• 结果：虽然它没有给所有细胞都贴上标签，但它贴上的每一个标签都极其可靠。在 5% 的错误率容忍度下，它成功地将已分类细胞的比例从 33% 提升到了 90%，而且准确率高达 96.5%！

4. 为什么它比别的工具好？

论文里还拿 QuantCell 和其他几个现有的工具（比如 Astir, AnnoSpat, MAPS）做了比赛：

• 速度：QuantCell 跑得快，就像 F1 赛车，而其他工具像自行车。它比第二名快 45 倍！
• 稀有细胞：对于像“限量版手办”那样的稀有细胞，其他工具容易把它们漏掉或分错，但 QuantCell 能精准识别。
• 不需要人工标注：其他很多工具需要人工先给大量细胞做标记才能训练，这就像让老员工先给 1000 个商品分类才能教 AI。而 QuantCell 只需要一点点经验（定性规则），就能自己生成训练数据，省去了大量的人力。

5. 总结

简单来说，QuantCell 就是一个结合了人类专家经验和机器超强算力的智能助手。

它解决了生物医学研究中的一个大瓶颈：以前我们面对复杂的细胞世界，只能看清冰山一角（33%）；现在，有了 QuantCell，我们不仅能看清整座冰山（90%），而且还能保证每一个看到的细节都是真实的。这让科学家能更快地发现疾病（比如癌症）的根源，或者理解身体是如何自我修复的。

一句话总结：QuantCell 让给细胞“贴标签”这件事，从“靠眼力、慢吞吞、容易错”的体力活，变成了“靠算力、秒完成、超精准”的自动化智能活。

技术摘要

以下是基于论文《QuantCell: machine learning based cell annotation integrating qualitative and quantitative imaging profiles》的详细技术总结：

1. 研究背景与问题 (Problem)

• 背景：空间组学（Spatial Omics）技术的进步使得在单细胞或亚细胞水平上对 RNA 和蛋白质进行高分辨率、多重成像成为可能。然而，从这些复杂的空间分子谱中准确分配细胞身份（即细胞注释或分类）仍然是一个巨大的挑战。
• 现有挑战：
  • 复杂组织与稀有细胞：在包含多种细胞类型和复杂分子标记的复杂组织（如骨髓）中，手动识别稀有细胞类型（如造血干细胞）极其困难且耗时。
  • 现有方法的局限性：
    • 半监督/无监督方法：依赖先验知识或聚类，难以处理稀有细胞或标记组合复杂的情况。
    • 现有监督学习方法：通常需要大量手动标注的细胞作为训练数据，这在多标记定义的细胞类型或稀有细胞群中是不切实际的。
    • 泛化能力差：许多现有模型针对特定的组织、标记集或技术流程进行了高度优化，难以推广到其他实验背景。
  • 定量与定性数据的割裂：目前的流程往往未能充分利用定量成像数据（如荧光强度统计）来增强基于定性标记（阳性/阴性）的注释。

2. 方法论 (Methodology)

作者提出了 QuantCell，一个基于机器学习的框架，旨在整合定性（Qualitative）和定量（Quantitative）成像特征来提高细胞注释的准确性和覆盖率。

• 工作流程：
  1. 数据获取与分割：使用 PhenoCycler（原 CODEX）平台对小鼠骨髓进行多重成像。利用 QuPath 软件基于 DAPI 核染色进行细胞分割，并提取细胞核、细胞质、细胞膜及全细胞区域的荧光强度统计特征（均值、中位数、标准差、最大/最小值等）。
  2. 构建“地面真值”（Ground Truth）：
     • 首先通过定性方法（人工手动评估少量代表性细胞的标记表达，基于预定义的阳性/阴性标记组合）对部分细胞进行初步注释。
     • 这些注释作为“地面真值”，用于筛选出那些标记表达谱明确匹配特定细胞类型的细胞。
  3. 模型训练与选择：
     • 利用上述定性注释的细胞作为训练集，输入其定量成像数据（强度统计特征）。
     • 评估多种机器学习模型（包括随机森林、多层感知机、逻辑回归、SVM 等 10 种模型）。
     • 使用**宏平均精确率（Macro Average Precision, AP）**作为评估指标，通过 10 折交叉验证选择最佳模型。
     • 对表现最好的模型（本研究中发现随机森林表现最优）进行超参数微调。
  4. 置信度控制与阈值设定：
     • 引入**用户定义的假发现率（FDR）**阈值策略。模型不仅输出分类结果，还输出置信度。
     • 只有置信度高于设定阈值（如 FDR < 5%）的细胞才会被注释，低置信度或模糊的细胞保持未注释状态，以确保高可靠性。
  5. 应用：将优化后的模型应用于那些在定性阶段无法注释的剩余细胞，从而大幅扩展注释范围。

3. 关键贡献 (Key Contributions)

• 定性 + 定量融合：创新性地利用定性标记定义生成训练标签，再利用定量成像特征训练机器学习模型，解决了纯定性方法覆盖率低的问题。
• 无需大量手动标注：不同于 MAPS 等需要大量手动标注细胞进行训练的方法，QuantCell 仅需少量代表性细胞进行定性标记确认，即可自动生成训练集，极大降低了人工成本，特别适用于稀有细胞。
• 严格的置信度控制：引入 FDR 阈值机制，允许用户根据需求平衡注释数量与准确性，避免将模糊细胞强行分类导致的错误。
• 广泛的适用性：框架不依赖于特定的成像平台（支持 PhenoCycler 等），且能处理高度不平衡的细胞群体（稀有细胞与常见细胞）。
• 特征工程分析：系统分析了不同细胞区域（核、膜、全细胞）和统计量（均值、标准差等）对预测的影响，发现全细胞区域的均值和标准差最具预测价值，而膜区域由于组织紧密堆积导致信号重叠，预测效果较差。

4. 主要结果 (Results)

• 注释覆盖率显著提升：在小鼠骨髓数据集中，传统的定性方法仅能注释 33.1% 的细胞，而 QuantCell 在 5% FDR 阈值下将注释率提升至 90.2%。
• 高准确性：在保留的测试集上，QuantCell 的注释准确率达到了 96.5%。混淆矩阵显示，模型在所有细胞类型上均保持了高精确率（Precision），即使在细胞群体不平衡的情况下。
• 模型性能对比：
  • **随机森林（Random Forest）**被证明是最佳模型，其宏平均 AP 分数最高，且推理速度远快于次优模型（多层感知机）。
  • 与其他工具对比：与 Astir、AnnoSpat 和 MAPS 等现有工具相比，QuantCell 在预测精度上更优，且运行速度快 45 倍（相比 MAPS）。
  • 外部验证：在三个独立的公开数据集（包括经典霍奇金淋巴瘤数据集）上，QuantCell 再次证明了其高精度和极低的运行时间。
• 稀有细胞检测：QuantCell 成功检测并注释了多种稀有细胞类型，且 F1 分数受细胞频率影响较小，表现出良好的鲁棒性。
• 特征重要性：分析表明，移除单个特征对模型性能影响甚微，说明模型具有冗余性和鲁棒性；全细胞区域的平均强度是最具预测力的特征。

5. 意义与影响 (Significance)

• 解决空间组学分析瓶颈：QuantCell 提供了一种高效、自动化的解决方案，解决了空间蛋白质组学中细胞注释困难、覆盖率低和人工依赖度高的问题。
• 推动稀有细胞研究：通过提高稀有细胞（如干细胞、癌症干细胞）的注释率和准确性，为研究其在生理和病理过程中的作用提供了强有力的工具。
• 标准化与可重复性：该框架不依赖特定平台，且代码开源（GitHub），促进了空间组学数据分析的标准化。
• 未来潜力：该框架具有高度可扩展性，未来可结合迁移学习（Transfer Learning）和领域适应（Domain Adaptation）技术，进一步实现跨组织、跨平台的通用性，甚至扩展到 RNA 空间组学（如 MERFISH, Visium）数据。

总结：QuantCell 是一个强大的机器学习框架，它通过巧妙结合定性标记定义和定量成像特征，显著提高了空间组学数据的细胞注释效率和准确性，同时通过 FDR 控制保证了结果的可靠性，是空间生物学研究中的重要工具。