基于视觉Transformer的RIBCA工具实现高度复用组织图像的稳健细胞类型注释

本研究针对高度复用组织图像中细胞类型注释的挑战，开发了名为RIBCA（Robust Image-Based Cell-type Annotator）的开源工具。通过模块化设计和标记缺失补偿机制，该工具无需额外微调即可实现对40余种人类组织中300多万细胞的精准注释，显著提升了空间分析能力。研究成果发表于《Cell Systems》，为空间生物学研究提供了自动化、无偏见的细胞类型识别解决方案。

　　

在探索组织空间组织的生物学研究中，准确识别高度复用图像中的细胞类型是至关重要的基础工作。然而，当前方法面临着三大挑战：依赖大量参考图像和人工调整的传统阈值法缺乏可重复性；监督机器学习需要难以获取的大规模训练数据集；而无监督聚类方法的性能往往不尽如人意。更关键的是，现有方法大多忽略了图像提供的宝贵空间信息和亚细胞蛋白模式特征。针对这些瓶颈，由Huangqingbo Sun、Shiqiu Yu等研究人员在《Cell Systems》发表的研究提出了创新解决方案。

研究团队开发了名为RIBCA（Robust Image-Based Cell-type Annotator）的突破性工具，其核心创新在于将视觉Transformer(ViT)架构应用于细胞类型识别。与常规方法不同，RIBCA直接从图像中学习亚细胞模式，而非依赖简单的平均通道值。该工具采用模块化设计，包含五个专门化的ViT模型，分别针对免疫细胞、组织结构、增殖细胞和神经细胞等不同面板进行优化。特别值得注意的是其标记缺失补偿机制，通过通道级掩码自编码(MAE)策略预测缺失标记图像，使系统能够适应不同抗体面板的变异。

关键技术方法包括：1)基于SPData_1数据集（包含1600万单细胞图像）训练ViT模型；2)通道级MAE策略实现标记缺失补偿；3)多模型集成预测框架；4)人类蛋白质图谱(HPA)组织微阵列验证系统。研究使用来自46种人类组织的148张TMA核心图像进行验证，这些数据将作为v24版HPA的一部分对科学界开放。

研究结果部分，"RIBCA在全新实验中的成功应用"小标题下展示了工具对HPA组织微阵列图像的注释效果。通过视觉验证，研究人员确认了上皮细胞沿肠隐窝排列、B细胞在脾脏生发中心聚集等典型空间模式，准确率达到82.2%，显著优于Pixie(62.34%)和KMeans等基准方法。特别值得注意的是，即使细胞分割质量存在2-3倍差异，RIBCA仍能保持稳定的细胞类型比例预测。

"RIBCA实现细胞空间排列分析"部分揭示了工具在下游分析中的价值。通过分析15个邻近细胞组成的空间生态位，研究发现树突状细胞具有最多样的邻居组成，B细胞倾向于形成生发中心，而上皮与基质细胞则自然相邻。更重要的是，RIBCA注释成功识别了淋巴结被膜下窦、副皮质区、生发中心和髓质等解剖区域，以及小肠上皮、黏膜下层等组织结构，为理解组织功能单元提供了新视角。

讨论部分强调，RIBCA代表了空间生物学研究方法的重大进步。相比依赖人工阈值或聚类的方法，该工具首次实现了基于图像特征的自动化、细粒度细胞注释，且对分割质量变化表现出显著鲁棒性。虽然当前版本主要针对17种常见细胞类型，但其模块化设计为扩展更多细胞亚型和状态识别奠定了基础。未来发展方向包括整合3D图像分析能力，以及开发病理特异性标记识别模块。这项由Wallenberg基金会和Cancer Grand Challenges等支持的研究，为探索组织复杂空间生物学提供了精准的新工具。