IF36.1｜Nellie：全自动细胞器分割追踪与层级特征提取

一个免代码的Napari插件，让细胞器动态分析从像素到网络全自动完成。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

细胞器在细胞稳态、应激反应和疾病进展中扮演核心角色，其形态和运动性变化是细胞生理与病理的重要指标。然而，细胞器结构复杂、运动迅速，加上显微镜成像在速度、分辨率和光毒性之间的权衡，使得从活细胞成像数据中定量提取细胞器形态和运动信息极具挑战。现有工具多依赖手动或半自动流程，耗时且易引入主观偏差，难以处理大规模或三维数据。自动化方法虽然提高了速度和客观性，但往往难以应对生物成像数据的复杂性和变异性，例如多尺度结构、弱信号小目标以及密集动态环境下的追踪难题。此外，深度学习模型虽发展迅速，但普遍缺乏三维功能、泛化能力有限，且存在黑箱问题。因此，领域内亟需一个全面、自动化、不依赖特定细胞器的分析流程，能够高效处理大规模多维荧光显微镜数据。

科学问题

卡在哪里： 现有工具要么依赖手动标注，要么针对特定细胞器定制，难以泛化到不同数据集。自动化方法在分割精度、追踪鲁棒性和多尺度特征提取上仍存在明显不足，尤其缺乏一个无需参数调整、适用于二维和三维、可处理任意细胞器的通用分析管线。

本文要回答： 开发一个全自动、无偏的细胞器分割、追踪和特征提取流程Nellie，使其能够适应不同成像条件和细胞器类型，并通过图形界面降低使用门槛。

技术路线

作者主要用了：多尺度Frangi滤波、层级分割、运动捕捉标记、半径自适应模式匹配、流插值追踪、图自编码器。

Nellie首先通过自适应多尺度Frangi滤波增强细胞器结构对比度，然后进行语义分割和实例分割，再通过骨架化将细胞器分解为分支和节点，形成层级表示。在追踪方面，Nellie不依赖分割结果，而是在细胞内生成运动捕捉标记，通过局部特征匹配在相邻帧间建立联系，并利用流插值实现亚体素精度的运动追踪。最后，在多个层级（体素、节点、分支、细胞器）提取形态和运动特征。整个流程封装在Napari图形界面中，用户只需点击即可完成分析。

图 1　Fig. 1。图1展示了Nellie的用户界面和核心流程。用户通过Napari插件选择数据，系统自动检测维度顺序和分辨率，并允许手动校正。预处理采用多尺度Frangi滤波增强结构，随后进行语义分割、实例分割、骨架化和分支标记，生成层级表示。运动捕捉标记独立于分割生成，用于后续追踪。特征提取覆盖体素、节点、分支和细胞器多个层级。

核心亮点

亮点 1｜自适应预处理提升分割鲁棒性

Nellie采用改进的多尺度Frangi滤波，根据体素尺寸自动调整滤波范围，增强管状和非管状结构。在模拟数据集上，Nellie在多种噪声水平和目标尺寸下均优于现有方法，并在不同显微镜和细胞器类型的数据上表现出良好的泛化能力，无需针对特定数据集调整参数。

图 2　Fig. 2。图2详细说明了运动捕捉标记的特征提取和匹配过程。每个标记的边界框半径由距离变换值决定，框内计算原始和预处理图像的均值和方差作为统计特征，同时计算二维Hu矩不变量以提供旋转、缩放和平移不变的描述。在三维数据中，Hu矩在xy、xz和yz投影上分别计算。最终通过成本矩阵进行标记匹配。

亮点 2｜层级分割实现多尺度表征

Nellie将细胞器景观分解为语义分割、实例分割、分支和节点等多个层级，并通过k-d树维护各层级间的邻接关系。这种层级表示允许用户在任意尺度上查询和分析细胞器结构，为后续特征提取和网络分析奠定基础。

图 3　Fig. 3。图3展示了层级特征提取的具体内容。体素级别包含荧光强度和运动指标，节点级别聚合局部形态和流动模式，分支级别计算骨架和分支形态特征，细胞器级别汇总整体形态。此外，Nellie还计算跨层级聚合特征，如分支内节点的平均速度，并支持在图像上叠加特征颜色图进行可视化。

亮点 3｜运动捕捉标记与流插值实现亚体素追踪

Nellie在细胞内生成运动捕捉标记，通过局部特征匹配建立帧间联系，并利用流插值计算任意坐标的运动向量。该方法不依赖分割一致性，能够处理密集和动态环境中的追踪问题，在模拟数据集上超越现有追踪算法。

图 4　Fig. 4。图4呈现了单通道多细胞器解混的案例。通过合并线粒体和高尔基体的荧光通道生成单通道图像，Nellie对其进行分割和特征提取。随机森林分类器利用形态和运动特征区分两种细胞器，火山图显示线粒体和高尔基体之间差异显著的特征。ROC曲线表明结合形态和运动特征的模型性能最佳。

亮点 4｜单通道多细胞器解混

利用Nellie提取的形态和运动特征训练随机森林分类器，在单通道图像中区分线粒体和高尔基体。结合形态和运动特征的模型在11折交叉验证中平均AUC达到0.80，优于仅用形态（0.79）或运动（0.66）特征。特征重要性分析显示线粒体具有更高的长宽比和长度，而高尔基体具有更大的半径和坚实度。

图 5　Fig. 5。图5说明了多层级网格图的构建和图自编码器架构。节点按2的幂次跳跃连接，形成多尺度消息传递。图自编码器通过重建节点特征进行无监督训练。在离子霉素处理实验中，图嵌入的余弦距离随时间变化，显示快速上升后指数恢复，t-SNE可视化展示了处理后嵌入的轨迹。

亮点 5｜图自编码器揭示线粒体动态响应

基于Nellie的分割和追踪结果，构建多层级网格图，训练无监督图自编码器。在离子霉素处理实验中，图嵌入的余弦距离显示线粒体网络在刺激后约60秒达到峰值变化，随后以约63秒的时间常数指数恢复。t-SNE可视化显示处理后嵌入逐渐回归到处理前状态，且出现处理前不存在的振荡模式。

亮点 6｜内质网网络拓扑的跨细胞比较

Nellie对原代成纤维细胞和U2OS细胞的内质网进行分割和骨架化，构建图表示。节点度分布与ERnet结果一致，56.83%的节点度为3。比较两种细胞类型发现，节点度、介数中心性和归一化环数在细胞间存在显著差异，但在同一细胞的连续帧间保持稳定。随机森林分类器区分两种细胞的AUC为0.72，而区分同一细胞不同帧的AUC接近随机（0.51和0.52）。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 多尺度Frangi滤波、层级分割、运动捕捉标记、半径自适应模式匹配、流插值追踪、图自编码器
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事活细胞成像、细胞器动态分析或需要自动化图像分割追踪的生信研究人员和细胞生物学家。

带走一句

Nellie提供了一个无需调参、跨细胞器通用的分析框架，其层级特征和追踪输出可作为多种下游机器学习任务的输入，值得在活细胞成像分析中尝试。