编辑推荐：
细菌追踪对理解运动、趋化等机制至关重要，但现有工具处理大数据及多样细菌形态能力有限。研究人员开发 RABiTPy 开源软件，整合传统与 AI 分割及追踪工具，支持多格式、GPU/CPU 及云计算，可精准分析时空动态，助力微生物学研究。
细菌作为地球上最古老的生命形式之一，其微小身躯中蕴含着影响人类健康与生态平衡的巨大奥秘。在微生物研究领域，借助显微镜观察细菌动态行为是揭示其生命规律的关键手段。然而，随着成像技术的进步，研究者能获取海量细菌图像数据，但如何高效且精准地从这些数据中提取细菌的运动轨迹、分析其行为模式成为棘手难题。现有工具如 TrackMate、Oufti 等，要么在处理复杂形态细菌（如螺旋状、丝状体）时分割精度不足，要么在应对大规模数据集时计算效率低下，且多需用户具备较强编程能力，这极大限制了微生物学研究的深入开展。
为突破上述瓶颈，美国亚利桑那州立大学（Arizona State University）的研究人员开展了相关研究，开发出一款名为 RABiTPy（Rapid Artificially-intelligent Bacterial Image Tracker in Python）的开源 Python 软件，并将成果发表在《BMC Bioinformatics》。该研究旨在构建一个整合传统图像处理与人工智能（AI）技术的通用平台，实现对不同形态、不同运动模式细菌的高效追踪与定量分析，为微生物学研究提供便捷且强大的工具。
研究中用到的主要关键技术方法包括：
- 多模态分割技术：整合传统阈值分割方法（如 Otsu’s 法、Li’s 最小交叉熵法）与 AI 驱动的深度学习模型 Omnipose，后者基于多样细菌图像预训练，可适应复杂成像条件。
- 轨迹追踪算法：结合 TrackPy 库实现粒子追踪，通过设定最大位移、记忆帧数等参数优化轨迹连接，支持 GPU 加速与云计算以提升大数据处理效率。
- 时空数据分析与可视化：提供轨迹叠加、均方位移（MSD）分析、速度分布直方图等功能，集成 Matplotlib、Seaborn 等库实现高质量可视化。
研究结果
模块化工作流程实现高效细菌追踪
RABiTPy 采用模块化设计，支持 “.tiff”“avi” 等多种输入格式，兼容相差、荧光等显微镜成像数据。用户可根据数据复杂度选择传统阈值分割（适用于高对比度场景）或 AI 分割（适用于密集或低信噪比图像）。以 Flavobacterium johnsoniae 为例，通过 Omnipose 分割后结合 TrackPy 追踪，可精准提取细胞面积、质心等特征，生成包含轨迹、速度、转向角等参数的详细分析报告。
对多样细菌物种的广泛适用性
研究测试了多种具有不同形态和运动策略的细菌，包括杆状的 Escherichia coli、螺旋状的 Spiroplasma eriocheiris、丝状的 Bacillus subtilis 等。结果显示，RABiTPy 能准确追踪单细胞滑行（如 Mycoplasma mobile）、群体游动（如 Proteus mirabilis）等多种行为。在高密度的 B. subtilis 群体中，结合 AI 分割仍能保持高追踪精度，证明其在复杂场景下的鲁棒性。
追踪精度验证与性能评估
通过与人工追踪的 “金标准” 对比，RABiTPy 在 Flavobacterium johnsoniae 和 Pseudomonas aeruginosa 追踪中表现出高准确性，识别 F1 分数（IDF1）分别达 0.996 和 0.978，均方根误差低于 0.5 μm。其支持 GPU 加速和云计算的特性，显著提升了处理大规模数据集的效率，在 Google Colab 等平台可轻松应对数千帧图像的分析任务。
研究结论与意义
RABiTPy 通过整合传统与 AI 技术，构建了从图像分割到数据分析的全流程解决方案，显著降低了细菌追踪的技术门槛。其用户友好的 Jupyter 笔记本界面、可定制化参数设置及高性能计算能力，使缺乏编程经验的研究者也能高效分析细菌行为。该工具不仅能定量解析细菌运动、趋化等基础生物学过程，还可应用于抗生素耐药性、生物膜形成等与健康医学密切相关的研究领域，为揭示微生物 - 宿主互作机制、开发新型抗菌策略提供强大支撑。随着微生物组学研究的深入，RABiTPy 有望成为微生物动态分析的核心工具，推动该领域向高通量、智能化方向发展。
