UniFORM：实现多重组织成像免疫荧光标准化的通用方法

《Cell Reports Methods》：Toward universal immunofluorescence normalization for multiplex tissue imaging with UniFORM

本研究针对多重组织成像(MTI)技术中存在的染色强度批次变异问题，开发了UniFORM通用标准化流程。研究人员通过自动刚性标志点配准方法，在特征和像素水平上同步校正技术变异，同时保留生物信号。该方法在CyCIF、ORION和COMET三个平台上验证，结果显示UniFORM在批次效应校正和生物保真度方面均优于现有方法，为MTI数据分析提供了可靠工具。

　　

在生命科学研究领域，多重组织成像(Multiplexed Tissue Imaging, MTI)技术如循环免疫荧光(Cyclic Immunofluorescence, CyCIF)和共检测索引(CODEX)等，为解析复杂组织的空间结构提供了强大工具。然而，这些技术面临一个共同挑战：样本间和批次间的染色强度变异。这种技术变异源于组织固定、抗体浓度和成像条件等差异，严重影响了数据的可比性和可重复性。现有标准化方法如Z score、ComBat和MxNorm等，往往无法正确处理MTI数据特有的右偏态分布和异质性表达模式，导致信号错位、阳性群体比例失真等问题。

针对这一技术瓶颈，Kunlun Wang等研究团队在《Cell Reports Methods》发表了题为"Toward universal immunofluorescence normalization for multiplex tissue imaging with UniFORM"的研究论文。该研究开发了UniFORM这一非参数化Python流程，通过创新的自动刚性标志点配准方法，实现了特征水平和像素水平数据的同步标准化。研究团队在结直肠癌(CRC-ORION)、前列腺癌(PRAD-CyCIF)和组织芯片(TMA-Lunaphore)三个MTI数据集上进行了系统验证，证明UniFORM在保持生物信号完整性的同时，能有效校正批次效应。

关键技术方法包括：1)基于快速傅里叶变换(FFT)的自动刚性标志点配准算法，通过对齐阴性群体峰实现信号分布校准；2)像素级标准化流程，结合细胞核分割掩模排除非细胞区域；3)线性拉伸机制解决16位图像压缩问题；4)KL散度指标自动识别异常分布并启动人工微调模式。样本来源包括OHSU生物库的前列腺癌组织(IRB#4918)和公开的结直肠癌数据集。

研究结果部分，通过多个维度验证了UniFORM的优越性能：

"Feature-level normalization: Intensity distribution alignment"部分显示，UniFORM能同时处理单峰(如PD-L1)和双峰(如ECAD)分布，在保持原始分布形状的同时实现完美对齐。相比之下，现有方法如MxNorm和Z score等会扭曲信号分布。

"Feature-level normalization: Positive population percentage preservation"通过高斯混合模型(Gaussian Mixture Model, GMM)分析证明，UniFORM将阳性群体比例变化的平均值和标准差控制在最低水平，而其他方法导致显著偏移。

"Feature-level normalization: Impact on downstream analysis"部分中，kBET分析显示UniFORM的平均接受率达0.60843，显著高于其他方法；轮廓系数分析得分为0.48688，表明能更好保持生物学互斥关系；Leiden聚类显示归一化后样本间聚类比例更均衡。

"Evaluation of pixel-level normalization methods"证实，UniFORM的像素级标准化与特征级结果高度一致(Spearman相关系数接近1)，且不会引入图像伪影。线性拉伸机制有效解决了16位图像压缩问题。

在讨论部分，作者系统比较了UniFORM与现有方法的优劣。MxNorm的B样条注册会扭曲长尾分布；Z score和ComBat基于正态分布假设，不适用于右偏态MTI数据；FLINO的网格化分位数标准化会放大局部变异。UniFORM的创新性在于：1)以阴性群体为生物学不变基准；2)刚性配准避免分布扭曲；3)同时支持特征和像素水平标准化。虽然目前仅适用于荧光基MTI，但框架可扩展至其他空间组学技术。

该研究的核心价值在于解决了MTI数据分析的关键瓶颈问题。通过建立通用标准化流程，UniFORM显著提升了多批次、多平台MTI数据的可比性，为肿瘤微环境研究、细胞表型分析和空间邻域推断等下游应用奠定了坚实基础。开源Python实现(https://github.com/kunlunW/UniFORM)确保了方法的可及性和可重复性，有望成为MTI数据分析的标准预处理工具。