IF36.1｜点云旋转不变表示学习解析三维多片胞内结构

用点云和旋转不变自编码器，无监督提取可解释的胞内结构形态特征。

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

细胞生物学的核心目标是理解细胞内组分的空间与动态组织及其与功能的关系。随着成像技术进步，海量三维图像数据为定量刻画细胞组织提供了机遇。然而，细胞内许多结构呈现多片状形态，如DNA复制灶的 punctate 分布和核仁的 polymorphic 形态，传统基于纹理特征或单一片段分割的方法难以兼顾可解释性与整体性。此外，图像中细胞或结构的朝向往往不具生物学意义，但常规神经网络表示会依赖朝向，影响下游分析的稳健性。因此，亟需一种既能捕捉复杂形态、又对朝向不敏感、且特征可解释的表示学习方法。

科学问题

卡在哪里： 现有方法要么依赖于难以解释的纹理特征，要么局限于连续单一片段形状（如细胞核），无法处理多片状结构。图像自编码器在稀疏结构上重建模糊，且表示受朝向影响。点云方法虽在计算机视觉中兴起，但尚未系统应用于胞内多片结构的可解释表示学习，缺乏与图像方法的全面基准比较。

本文要回答： 开发一种基于点云和三维旋转不变自编码器的形态适配表示学习框架，用于无监督提取多片胞内结构的紧凑、可解释、朝向无关的特征，并评估其在生物发现和扰动检测中的实用性。

技术路线

作者主要用了：点云编码、旋转等变编码器、向量神经元、符号距离场、自编码器、多指标基准。

作者首先构建旋转不变表示学习框架：用旋转等变编码器将点云映射为向量表示，取其范数获得旋转不变特征，同时用向量方向恢复旋转矩阵。针对 punctate 结构，直接从荧光图像采样带强度的点云；针对 polymorphic 结构，结合符号距离场（SDF）编码形状信息。然后，在合成数据集上验证框架有效性，并与图像自编码器进行多指标基准（效率、生成能力、表示表达力）。最后，将框架应用于DNA复制灶、多种 punctate 结构、核仁等真实数据，进行无监督模式发现和药物扰动表型分析。

图 1　Fig. 1。图1展示框架核心：a 旋转等变编码器将同一形状的不同旋转映射为向量的不同旋转，向量范数给出旋转不变表示，向量方向用于恢复旋转矩阵；b punctate 结构点云预处理流程，从分割的细胞核和膜中采样带强度的点云，输入编码器，解码器重建点云并恢复朝向；c polymorphic 结构使用 SDF 点云，编码器输入表面点云，解码器预测 SDF 值。

核心亮点

亮点 1｜点云模型在合成数据上更紧凑且旋转不变

在 cellPACK 生成的六种空间规则合成 punctate 数据集上，点云模型在模型大小、推理时间、排放等效率指标上全面优于图像模型，重建误差更低，演化能量更低（插值更平滑）。旋转不变点云表示的紧凑性（Levina-Bickel 内在维度）显著高于图像对应模型，且旋转不变误差更低。PCA 第一主成分恢复核大小对 packing 的影响，archetype 分析无监督恢复出六种生成规则。

图 2　Fig. 2。图2展示合成数据评估：a cellPACK 用六种规则（planar 0/45/90、radial、random、surface）在 254 个真实核形状中填充球体，生成点云；b 多指标基准雷达图显示点云模型在效率、重建、紧凑性、旋转不变误差上优于图像模型，但规则分类略差；c PCA 潜空间行走显示 PC1 捕捉核大小对 packing 的影响，旋转不变重建对齐了不同 planar 规则的方向。

亮点 2｜无监督恢复DNA复制灶的细胞周期模式

在 hiPS 细胞 PCNA 标记的 DNA 复制灶数据集（N=2,420）上，旋转不变点云模型在细胞周期分类上达到 80% 准确率，接近最佳图像模型（81%），但在异常细胞检测上略优（~100% vs 98%）。通过核体积分箱创建伪时间轴，平均表示的可视化重现了 G1 到 S 期再到 G2 的 puncta 从弥散到聚集再到弥散的动态变化。archetype 分析以八个原型捕捉核形状、强度和定位模式等主要变异源。

图 3　Fig. 3。图3展示 DNA 复制灶分析：a 八个专家标注的细胞周期阶段示例图像和采样点云中心切片；b 基准雷达图显示点云模型效率高、重建好，但旋转不变图像模型在细胞周期分类上略优；c 各阶段真实图像示例；d archetype 分析恢复八个原型，对应不同核形状、强度和 puncta 分布；e 基于核体积分箱的平均表示可视化显示 puncta 从弥散到聚集再到弥散的周期变化。

亮点 3｜跨多种 punctate 结构发现新的空间模式

在 WTC-11 hiPS 细胞数据集上训练包含七种 punctate 结构（中心粒、过氧化物酶体、内体、核孔、核散斑、黏连蛋白、组蛋白）的模型，旋转不变点云表示在结构分类（~95% 准确率）和细胞阶段分类（~58%）上优于图像模型，且更紧凑、朝向无关。PCA 潜空间行走揭示中心粒从细胞中心向周边迁移，核散斑从均匀分布向核壳环状聚集转变，这些模式与已知生物学一致。

图 4　Fig. 4。图4展示多种 punctate 结构分析：a 七种结构（核孔、核散斑、黏连蛋白、组蛋白、中心粒、过氧化物酶体、内体）的示例图像和点云；b 基准雷达图显示旋转不变点云模型在结构分类和细胞阶段分类上表现好，且更紧凑；c 各结构沿 PC1 的潜空间行走图像，揭示中心粒迁移和核散斑环状聚集等模式；d 潜空间行走重建与真实图像对比，验证模式真实性。

亮点 4｜SDF点云框架解析多片核仁形态变异

将框架扩展至 polymorphic 结构，使用 SDF 编码核仁（GC）形状。在 N=11,814 的核仁数据集上，旋转不变点云模型在重建质量上与经典图像模型相当，但旋转不变误差更低。潜空间 PCA 显示单片段核仁的主要变异为伸长率（PC1 与伸长率相关 r=0.56），多片段核仁的主要变异为片段间距离和相对大小（PC1 与平均距离相关 r=0.42）。基于核体积分箱的平均表示可视化重现了有丝分裂后核仁碎片化到间期融合的过程，优于基于体积和表面积的基线。

图 5　Fig. 5。图5展示核仁 polymorphic 结构分析：a 按片段数分层的核仁（GC）示例图像和三维网格；b 基准雷达图显示点云模型重建质量与经典图像模型相当，但旋转不变误差更低，且在片段数分类和特征回归上表现好；c 按片段数分组 PCA 潜空间行走，单片段核仁主要变异为伸长率，多片段为片段间距离和大小；d archetype 分析得到五个原型，代表不同伸长率和片段配置；e 基于核体积分箱的平均表示可视化显示核仁从碎片化到融合的过程。

亮点 5｜药物扰动检测揭示细微核仁表型

在 16 种药物处理的核仁图像数据集（N=1,025）上，SDF 点云模型检测到放线菌素 D、星形孢菌素等强表型，还识别出紫杉醇、诺考达唑、茉莉素内酯、torin-2、roscovitine 等细微或脱靶效应，而图像分割模型和 CellProfiler 特征未能检测到其中一些。LDA 潜空间行走可视化每个药物引起的形态转变，如核仁片段数变化、核与核仁大小变化等，证明表示的可解释性。

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： 点云编码、旋转等变编码器、向量神经元、符号距离场、自编码器、多指标基准
• 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： 从事三维细胞图像分析、形态计量学或药物表型筛选的生信与细胞生物学者。

带走一句

用点云和旋转不变自编码器处理多片胞内结构，能获得紧凑、可解释、朝向无关的表示，适合无监督模式发现和扰动检测。