IF36.1｜CELLECT：对比嵌入学习实现大规模高效细胞追踪

一个预训练模型跨物种、跨模态实现实时3D细胞追踪，准确率翻倍，速度提升56倍。

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

定量分析细胞行为对理解免疫、发育、神经等生理病理过程至关重要。近年来，光学成像技术飞速发展，能够以高时空分辨率对活体组织进行长时间、大视野的三维观测，产生TB甚至PB级别的海量数据。然而，从这些数据中提取细胞轨迹、分裂事件和相互作用信息，需要高性能且高效率的下游分析算法。深度学习细胞追踪方法虽已取得较高精度，但通常依赖大量人工标注，且面对不同物种、不同标记方式、不同成像模态时泛化能力有限，难以直接应用于复杂动态的活体三维环境。

科学问题

卡在哪里： 现有深度学习追踪方法需要大量精细标注，难以泛化到新数据；基于稀疏标注的linajea虽然减轻了标注负担，但依赖固定时间窗口的全局优化，计算成本高，无法实时处理大规模数据。因此，如何在仅用稀疏标注的情况下，实现跨物种、跨模态的高精度、高效率三维细胞追踪，仍是一个未解决的挑战。

本文要回答： 开发一种基于对比嵌入学习的细胞追踪方法，仅用稀疏标注训练，即可在多种成像模态和物种中实现高精度、实时的三维细胞追踪与分割。

技术路线

作者主要用了：对比学习、3D U-Net、稀疏标注、中心增强网络、多层感知机。

作者设计了一个统一的对比学习框架CELLECT。首先，利用稀疏标注的细胞中心点生成多级置信图作为训练目标；然后，通过对比学习在公共数据集上学习细胞结构的潜在嵌入，使同一细胞的特征距离拉近、不同细胞的特征距离推远。模型以两帧相邻图像为输入，输出置信图、64维嵌入向量和分裂概率图。轻量级的中心增强网络进一步锐化置信图，提取细胞中心点特征，大幅减少计算量。最后，两个独立的多层感知机分别用于帧内去冗余和帧间关联，实现逐帧高效追踪。

图 1　Fig. 1。图1展示了CELLECT的整体框架。a部分说明模型以两帧相邻图像为输入，输出置信图、嵌入向量和分裂概率图，并通过中心增强网络锐化置信图以提取细胞中心点特征。b部分展示对比学习如何拉近同一细胞的特征距离、推远不同细胞的特征距离。c部分显示预训练模型在不同物种和模态下的泛化能力。d部分展示帧内去冗余和帧间关联的流程，突出轻量级MLP的设计如何降低计算成本。

核心亮点

亮点 1｜公共基准上准确率翻倍，速度提升56倍

在Cell Tracking Challenge的C. elegans胚胎数据集（mskcc-confocal和nih-light sheet）上，CELLECT的错误率显著低于linajea、Imaris和StarryNite等现有方法。在mskcc-confocal数据集上，CELLECT的追踪准确率达到46%，是linajea（22%）的两倍多，也优于改进版linajea+csc+sSVM（30%）。同时，CELLECT处理一帧仅需2秒，比linajea快56倍，且无需针对不同模态重新训练，展现出强大的泛化能力。

图 2　Fig. 2。图2在mskcc-confocal和nih-light sheet两个数据集上系统比较了CELLECT与linajea、Imaris、StarryNite等方法的性能。a、e显示CELLECT在各类错误（假阳性边、假阴性边、身份切换、假阳性分裂、假阴性分裂）上均显著低于其他方法。b、f显示CELLECT的追踪准确率随轨迹长度下降更缓慢，长期追踪优势明显。c、g显示CELLECT每帧处理时间远低于linajea。d、h展示代表性追踪结果，CELLECT能够连续追踪细胞分裂过程。

亮点 2｜活体淋巴结内密集T细胞追踪准确率达91.5%

利用2pSAM对小鼠淋巴结中密集GFP标记的T细胞进行长时间三维成像，以稀疏DsRed标记的同一细胞作为金标准。CELLECT直接应用预训练模型，追踪准确率达到91.5%，显著高于Imaris的70.7%。CELLECT能够维持连续稳定的轨迹，而Imaris在密集区域出现轨迹碎片化。该结果验证了CELLECT在高度动态、密集细胞环境中的鲁棒性和准确性。

图 3　Fig. 3。图3展示CELLECT在免疫细胞追踪中的应用。a显示双色标记T细胞的成像策略，稀疏DsRed通道作为金标准。b-d分别展示CELLECT和Imaris在密集GFP通道上的追踪结果，CELLECT轨迹更连续。e、f定量比较追踪准确率，CELLECT达91.5%，Imaris为70.7%。g、h展示代表性轨迹和定量统计。i-l展示B细胞生发中心追踪，CELLECT能识别分裂事件并保持轨迹连续，而Imaris将分裂细胞误判为两个新细胞。m显示CELLECT检测的分裂事件与增殖曲线吻合。

亮点 3｜12.5小时生发中心形成过程追踪超7000个B细胞

CELLECT成功追踪了小鼠淋巴结生发中心形成过程中超过7000个持续5分钟以上的B细胞，并准确识别了细胞分裂事件。Imaris无法检测到这些分裂事件，且常将分裂后的子细胞误判为两个新细胞。CELLECT检测到的分裂事件与细胞增殖曲线高度吻合。处理260 GB数据仅需157分钟，而Imaris需要480分钟，且CELLECT可在4 GB内存的笔记本上运行，展现出极高的计算效率。

图 4　Fig. 4。图4展示CELLECT在脾脏内细菌-免疫细胞互作分析中的应用。a为实验流程示意图。b为三色成像的最大强度投影。c展示细菌和中性粒细胞轨迹及其空间重叠。d、e比较CELLECT和Imaris的细胞分割结果，CELLECT无需手动调参即可获得准确分割。f-h展示自动识别的吞噬事件分类和统计。i-l展示两个代表性吞噬案例的时空轨迹和相对距离，揭示中性粒细胞主动追逐细菌而巨噬细胞被动捕获的差异。

亮点 4｜脾脏内细菌-中性粒细胞-巨噬细胞互作定量分析

CELLECT同时追踪细菌和免疫细胞，自动分割并识别吞噬事件。中性粒细胞主动追逐运动细菌，而巨噬细胞主要捕获被动漂移的细菌。CELLECT无需手动调整阈值即可获得可靠分割，而Imaris对阈值高度敏感。通过三维空间共定位分析，CELLECT自动分类吞噬事件，揭示了不同免疫细胞在病原体清除中的不同策略。

图 5　Fig. 5。图5展示CELLECT在果蝇脑组织变形过程中提取神经信号的能力。a为GCaMP6s标记的神经元最大强度投影。b为时间编码投影，显示脑组织在成像过程中的大幅变形。c比较不同方法追踪的神经元活动热图，CELLECT追踪的神经元数量更多且轨迹更连续。d-f展示三个代表性神经元的轨迹和活动曲线，CELLECT能保持连续追踪。g-j定量比较追踪准确率，CELLECT比Imaris和TrackMate高出三倍以上。k、l展示同一神经元在不同方法下的活动曲线，CELLECT在非活跃期仍能保持基线一致。

亮点 5｜果蝇脑组织强非刚性变形下稳健提取神经信号

在果蝇脑组织持续变形过程中，CELLECT成功追踪了451个神经元，追踪准确率比Imaris和TrackMate高出三倍以上。即使神经元处于非活跃状态，CELLECT仍能保持连续追踪和基线一致性，而其他方法在信号间歇或运动时容易丢失目标。CELLECT基于潜在嵌入识别同一细胞，不受钙信号波动影响，为动态环境下的神经活动分析提供了可靠工具。

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： 对比学习、3D U-Net、稀疏标注、中心增强网络、多层感知机
• 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： 从事活体成像、细胞追踪、免疫学或神经科学数据分析的研究者，尤其是需要处理大规模三维时间序列数据的团队。

带走一句

用对比学习把细胞身份嵌入到潜在空间，配合轻量级中心增强和双MLP关联，可以在稀疏标注下实现跨物种、跨模态的实时3D追踪，大幅降低计算门槛。