U-FISH：基于深度学习的荧光点检测技术推动空间组学分析与AI辅助FISH诊断新时代

针对空间组学成像中信号点检测的准确性与通用性挑战，Weize Xu团队开发了深度学习工具U-FISH。该方法通过整合7种空间组学技术的4166张图像数据集，构建了可统一增强多样化图像的U-Net模型，实现了跨平台高精度斑点检测（F1=0.924），并创新性地将2D网络应用于3D FISH数据分析。作为首个集成大语言模型（LLM）的斑点检测软件，U-FISH在染色质环识别（Hi-C）和白血病DNA-FISH诊断中展现出重要应用价值。

　　

在生物医学研究的微观世界里，荧光原位杂交（FISH）技术如同分子世界的"探照灯"，让科学家得以观察细胞中RNA和DNA的精确定位。然而随着空间组学（spatial-omics）技术的爆发式发展，从单分子FISH（smFISH）到多重条形码检测技术，研究人员面临一个棘手的难题：如何从背景复杂、信号强度各异的图像中准确识别衍射极限的荧光信号点？传统基于规则的方法需要繁琐的参数调整，而现有深度学习工具又缺乏通用数据集和3D处理能力。

为攻克这些技术瓶颈，由Gang Cao领衔的研究团队在《Genome Biology》发表了突破性成果。研究者收集了7种空间组学技术的4166张图像，构建包含163.8万个标记点的U-FISH数据集，并开发了仅16.3万参数的轻量化U-Net模型。该模型通过高斯平滑目标图像训练，采用混合Dice-RMSE损失函数优化，能将原始图像转化为特征统一的增强图像，使后续斑点检测无需调整参数即可获得稳定结果。关键技术包括：基于模拟和真实样本（MERFISH/seqFISH/MiP-Seq等）构建训练集、三维数据多轴向融合增强策略、Hi-C接触矩阵的染色质环识别算法，以及临床DNA-FISH诊断的细胞分割-信号计数流程。

U-FISH实现通用精准检测

通过将原始图像转换为信噪比提升的增强图像，U-FISH在测试集上达到0.924的F1值，定位误差仅0.29像素，显著优于deepBlink等现有方法。在模拟噪声测试中展现出强鲁棒性，其紧凑模型可在CPU/GPU高效运行。

空间组学解码应用

在MiP-Seq小鼠中脑数据中，U-FISH通过强度平衡使32基因解码准确率提升，基因空间分布Moran's I指数显示增强图像解码结果更符合生物学聚集特征。针对三维数据开发的x-y-z轴融合策略，在模拟数据集上F1值达0.984，成功应用于斑马鱼端脑全标本的foxg1a/hoxb3/gad1b基因三维定位。

跨任务迁移学习

模型展现出强大泛化能力：在SunTag单RNA翻译图像中，仅需30张样本微调即可达到理想效果；应用于亮场CISH图像和Hi-C染色质环识别时，在CTCF ChIA-PET数据上的F1值超越Peakachu等专用算法。

临床诊断革新

集成Cellpose的细胞分割模块后，U-FISH在PML-RARA白血病治疗监测中，准确量化治疗前后异常细胞比例（77.9%→20.2%，p=9.07×10^-8）。通过Chatbot插件，临床医生可对话式完成DNA-FISH诊断分析。

这项研究创建了首个整合LLM的智能FISH分析框架，其开源数据集和模块化设计（支持OME-Zarr/Napari/WebAssembly）为空间组学研究提供了标准化工具。尽管在高密度信号区分和神经网络"幻觉"问题上仍有改进空间，但U-FISH通过统一不同来源数据的特征表示，显著推进了从基础研究到临床诊断的FISH分析范式变革。正如作者展望，该技术将随着数据集的扩展和解释性增强，在单细胞时空组学时代发挥更深远的影响。