PyPlaque：开源Python包实现病毒蚀斑表型分析的可扩展量化

《Scientific Reports》：PyPlaque is an open-source python package for phenotypic analysis of virus plaque assays

本研究针对病毒蚀斑实验表型量化工具缺乏模块化、测量结果不一致及闭源等问题，开发了开源Python包PyPlaque。该工具基于面向对象编程架构，支持多粒度实验数据容器构建，通过合成图像验证了不同平台（ImageJ/Fiji、Matlab、scikit-image）的形态测量差异，并在晶体紫染色和荧光显微镜数据中实现了蚀斑数量、面积、感染核计数等表型参数的灵活提取。PyPlaque的模块化设计为病毒传播表型研究提供了可复用的计算基础，显著提升了感染生物学研究的可重复性与分析效率。

　　

在病毒学研究和抗病毒药物开发中，准确量化病毒感染性颗粒及其传播表型至关重要。病毒蚀斑实验（plaque assay）作为衡量病毒毒力和感染能力的金标准，通过将系列稀释的病毒液与指示细胞共培养，形成可观察的蚀斑（plaque），从而计算空斑形成单位（PFU）。然而，传统的蚀斑分析严重依赖人工计数，不仅效率低下，还难以捕捉蚀斑的形态异质性（如大小、形状、细胞簇运动轨迹等），而这些表型特征恰恰反映了病毒传播的潜在机制。

尽管已有部分软件工具（如Plaque 2.0、ViralPlaque、Viridot等）尝试自动化这一过程，但它们大多存在局限性：或专注于特定成像技术（如荧光显微镜），或仅支持封闭的图形用户界面（GUI），缺乏跨实验设计的灵活性。更严重的是，不同平台（如ImageJ/Fiji、Matlab、Python的scikit-image）在基础形态测量（如面积、周长）上存在显著差异，导致数据可比性降低。这一“测量不一致”问题成为跨平台研究可重复性的潜在障碍。

为解决上述问题，Trina De、Vardan Andriasyan和Artur Yakimovich团队在《Scientific Reports》上发表了题为“PyPlaque is an open-source python package for phenotypic analysis of virus plaque assays”的研究，推出了一个基于Python的开源工具包PyPlaque。该工具摒弃了传统的GUI导向设计，转而采用面向对象编程（OOP）范式，将实验数据抽象为“实验-样本-表型”三级结构，支持从全孔板到单个蚀斑的多粒度分析。其核心创新在于通过模块化类（如PlateImage、PlaquesWell、Plaque）封装实验载具（如多孔板、培养皿）和表型信息，用户可通过Jupyter笔记本灵活调用Pandas、Matplotlib等数据科学工具，实现定制化工作流。

关键技术方法包括：（1）基于合成图像的形态测量验证（使用椭圆、圆形、重叠圆形和正方形等形状）；（2）晶体紫染色蚀斑的孔板级、孔级和蚀斑级检测（基于二进制掩模）；（3）荧光显微镜数据的高通量分析（通过Otsu阈值或深度学习模型生成分割掩模）；（4）基于Pick定理的周长和面积计算算法，用于缓解传统方法的测量偏差。研究使用了公开数据集（如VACV晶体紫图像和CoV-GFP荧光板数据），未涉及新的湿实验样本队列。

研究结果

PyPlaque设计原则

PyPlaque通过OOP抽象出Experiment、Specimen和Phenotypes三类核心结构，分别对应实验整体、单个培养皿/孔板以及蚀斑表型。

这种分层设计允许同一结构适配不同实验类型（如终点晶体紫染色与动态荧光成像）。View类则提供分析视图，支持从蚀斑单点测量到实验整体统计的多尺度输出。模块间的逻辑关系如图2所示，确保了功能的可扩展性与互操作性。

合成数据中的表型测量验证

通过生成包含椭圆、圆形、重叠圆形和正方形的合成二进制图像，团队对比了PyPlaque（含scikit-image和Pick定理两种方法）、ImageJ/Fiji、Matlab和OpenCV的面积与周长测量精度。

结果显示，面积测量各平台均轻微低估（表1），而周长测量在重叠圆形场景下差异显著：Matlab严重低估，而PyPlaque的Pick定理方法最接近真实值（表2）。这表明不同平台的算法实现存在系统性偏差，而PyPlaque的模块化架构允许用户根据需求选择测量方法。

晶体紫蚀斑实验的多粒度测量

以疫苗病毒（VACV）的晶体紫染色孔板数据为例，PyPlaque成功实现了从全板（PlateImage）、单孔（PlaquesWell）到单个蚀斑（Plaque）的逐级分析。

通过get_plaques函数设置面积阈值（min_area/max_area），可过滤非典型蚀斑，提取数量、平均大小等参数。该工作流（图5）凸显了工具在量化不同稀释度病毒 inoculum 的蚀斑表型差异方面的潜力。

高通量荧光显微镜的可扩展分析

在384孔板的人冠状病毒OC43（CoV-GFP）感染实验中，PyPlaque通过动态拼接孔图像（stitch_wells函数）生成板级视图，并基于阈值分割（如Otsu算法）或外部深度学习模型生成病毒信号与细胞核掩模。

结果显示，感染孔（病毒半板）的蚀斑数量、感染核计数及GFP平均强度显著高于对照孔（图6B）。在蚀斑级别（图6C），进一步可获取核数量、感染核比例等参数，有效区分真实蚀斑与样本制备伪影（如尘埃荧光）。

结论与意义

PyPlaque通过“代码优先”的设计哲学，突破了传统GUI工具在灵活性与可维护性上的局限。其OOP架构不仅统一了晶体紫染色与荧光显微镜数据的分析流程，还通过Pick定理等创新测量方法缓解了跨平台量化不一致问题。该工具与Python数据科学生态（如Jupyter、Pandas）的无缝集成，使得用户可结合自定义模型（如深度学习分割）进行高级表型挖掘。作为开源项目，PyPlaque为病毒传播机制研究、抗病毒药物筛选提供了可扩展的计算基础，其模块化范式亦可推广至其他生物assay的表型分析中，推动感染生物学的可重复性研究。