Spectral Unmixing: A modular and reproducible Python package for directed and blind spectral unmixing in multidimensional microscopy stacks

在生物成像领域，科学家们利用功能强大的显微镜来窥探活细胞中微小且闪烁着光芒的生命机制。为了让这些不可见的结构变得可见，研究人员使用被称为荧光团（fluorophores）的特殊染料对其进行标记，当受到激光照射时，这些染料会发出特定的颜色。通过同时使用多种不同的染料，他们可以实时观察细胞内多个部分的相互作用。然而，一个长久以来的问题一直笼罩着这些观察：颜色经常会相互渗漏。正如红光可能会在附近的白墙上投射出一抹淡淡的粉色阴影一样，一种染料发出的光芒可能会溢出到原本属于另一种染料的通道中。这种污染会产生虚假信号，使得研究人员难以准确判断分子的确切位置或其含量。几十年来，解决这一问题一直是一项零散的工作，依赖于手动调整、各实验室自行编写的自定义脚本，或是难以共享或验证的专门工具。由于缺乏一种标准化的方法来清理这些混合信号，不同研究之间的数据仍难以进行比较，而细胞生命的真实图景也始终处于略微失焦的状态。

一个名为 spectral-unmixing 的全新开源软件包旨在通过提供一种单一且可靠的工具来纠正这些颜色混淆问题，从而为这种混乱带来秩序。该研究背后的团队构建了一个模块化系统，无论显微镜产生何种文件格式，该系统都能处理复杂的显微镜数据。该软件并不强迫科学家在分析前手动重新组织数据，而是会自动将信息排列成标准顺序，从而让校正过程能够立即开始。该软件包的设计兼具灵活性与透明度。它可以执行定向校正，即用户明确知道哪些染料正在相互干扰；它也可以尝试盲解混（blind unmixing），即软件在没有预先指令的情况下自行识别混合模式。至关重要的是，每次软件运行时，它都会创建一个关于所用设置和计算数值的数字记录。这个侧边文件（sidecar file）确保了任何人日后都可以回顾这项工作，并精确了解最终图像是如何得出的，从而消除了经常困扰科学分析的猜测成分。

团队通过计算机生成的模拟数据和来自实际显微镜实验的真实数据对该工具进行了测试，以观察其表现如何。在已知标准答案的模拟实验中，该软件在清理噪声方面表现得非常有效。在对双色设置中的特定通道进行校正时，最终图像中的误差显著下降，从约 0.029 的归一化值降至约 0.003。该软件在处理随时间变化的数据时也展现出了巨大的潜力。在这些场景下，为每一个时刻单独计算校正值，被证明远优于在整个实验中使用单一的平均设置。这种方法将估计混合水平的误差从约 0.099 降低到了仅 0.003。此外，该工具还展示了处理双向校正（即两种染料同时相互干扰）的独特能力。通过数学上反转混合模型，该软件将相互通道中的误差从 0.022 至 0.037 的范围降低到了约 0.004。

对于涉及多种颜色同时存在的更复杂情况，该软件采用了被称为“盲解混”的方法，这种方法无需预先知道染料的确切特性即可分离混合信号。针对多通道数据的基准测试显示，这种方法在保持每个原始荧光团身份完整的同时，成功减少了通道间不必要的依赖关系。研究人员还发现，如果科学家知道可能的污染路径——例如，知道染料 A 经常会泄漏到染料 B 的通道中——他们可以使用特定的约束条件来引导软件，在已知混合路径时提供一种可控的选择。结果表明，该软件包为科学家如何清理图像提供了一个稳健的标准平台。通过使这一过程可编写脚本、可重复且易于获取，该工具降低了高质量分析的门槛，让研究人员能够相信，他们在显微镜下看到的闪烁图案是生物学的真实反映，而非设备的伪影。