TimeSight:基于时空卷积学习的、具备动力学感知的数字核酸扩增检测方法

《Biosensors and Bioelectronics》:TimeSight: Kinetics-aware detection for digital nucleic acid amplification via spatiotemporal convolutional learning

【字体: 大 中 小 】 时间:2026年07月09日 来源:Biosensors and Bioelectronics 10.7

编辑推荐:

  余旺|廖子晓|桂业鸿|陈景伟|梅浩华|刘静音|穆颖|金伟 中国浙江省杭州市浙江大学工业控制技术国家重点实验室分析仪器研究基地,邮编310027 摘要 数字核酸扩增技术通过将样本分割成数千个微反应来实现绝对分子定量,但目前的分析流程仅依据单一终点荧光图像对每个微反应进

  余旺|廖子晓|桂业鸿|陈景伟|梅浩华|刘静音|穆颖|金伟
中国浙江省杭州市浙江大学工业控制技术国家重点实验室分析仪器研究基地,邮编310027

摘要
数字核酸扩增技术通过将样本分割成数千个微反应来实现绝对分子定量,但目前的分析流程仅依据单一终点荧光图像对每个微反应进行分类,从而忽略了区分真实扩增与伪信号的时间动态特征。这一局限在便携式即时检测设备中尤为突出,这类设备的简化光学结构及低成本传感器会导致图像照明不均匀、背景噪声高且信噪比低。本研究提出了TimeSight,这是一种端到端的时空检测框架,用于分析便携式即时检测设备在数字重组酶聚合酶扩增过程中获取的时序荧光图像堆栈。该框架基于分解式三维卷积,并结合自学习的时间压缩机制,无需进行微反应分割、空间配准或手动阈值调整,即可同时编码空间形态特征与扩增动力学信息。在8248个已知真实的微反应测试集中,TimeSight在所有单帧及多帧分析方法中取得了最高的F1值(0.968)和精确度(0.977),且参数增加量小于2%。特征激活分析表明,该网络能够抑制那些在终点图像中无法与真实阳性信号区分的开时间不变伪信号,从而在正常条件、低信噪比条件以及存在大量伪信号的条件下都能保持稳定性能。TimeSight在四个数量级范围内都能与参考浓度匹配,在检测真正的金黄色葡萄球菌DNA时也与商用数字PCR结果一致。实际应用测试显示,该技术在每组图像处理时间约为113毫秒的情况下仍具备便携性。这些结果表明,时间维度上的扩增动力学信息可以弥补因硬件小型化而丢失的空间信息,从而降低即时检测中实现绝对定量的难度。TimeSight为资源有限的场景下的数字核酸定量提供了一种时空检测范式。

引言
核酸检测在传染病诊断、食品安全分析以及环境监测中起着至关重要的作用(Zhao等人,2015)。近年来,数字核酸扩增技术作为一种新一代分子诊断方法逐渐兴起。通过将样本分割成数千个独立的微反应,数字核酸扩增技术可通过泊松统计分析实现目标分子的绝对定量,无需标准曲线,且具有抗反应抑制剂的能力(Hindson等人,2011;Quan等人,2018;Vogelstein和Kinzler,1999)。尽管具有这些优势,目前最成熟的数字PCR技术仍依赖于在三个不同温度阶段进行的重复热循环,这导致了设备体积庞大、能耗高以及检测时间长等问题,因此只能应用于中心实验室(Mahardika等人,2023;Quan等人,2018)。这一现状促使人们努力将数字核酸扩增技术与即时检测平台相结合,以便在需要的地方快速、便捷地实现核酸定量检测(Kang等人,2022)。然而,从中心实验室向即时检测设备的过渡带来了新的分析挑战:便携式设备通常采用简化的光学路径、紧凑的LED照明以及低成本的图像传感器,这使得其生成的荧光图像的空间分辨率较低、照明不均匀,且信噪比也远低于实验室级显微镜所获得的图像。这些较差的成像条件给后续分析算法带来了更大压力。

因此,等温扩增技术作为一种兼容即时检测需求的替代方案应运而生,它可在恒定温度下进行反应,无需复杂的热循环机制(Bellassai等人,2025;Yin等人,2023)。重组酶聚合酶扩增技术因其37–42℃的反应温度、不到30分钟的扩增时间以及简单的引物设计,特别适合在现场使用(Hueso等人,2025;Piepenburg等人,2006)。将这种技术与微流控技术相结合,便形成了数字重组酶聚合酶扩增技术,它能够在满足即时检测操作要求的同时保持绝对定量能力(Ji等人,2025;Shen等人,2011;Zhang等人,2022)。不过,无论采用何种化学扩增原理,数字PCR和数字重组酶聚合酶扩增技术最终都依赖于基于荧光的终点图像分析来对每个微反应进行分类,而这一步骤的准确性直接决定了定量的可靠性(The dMIQE Group等人,2020)。目前,现有的图像分析方法仍存在诸多局限性(Wei等人,2025)。

在数字核酸扩增技术中,现有的荧光图像分析方法可按计算复杂度逐步划分。最简单的方法是基于强度的基本算法,如奥茨阈值法这类全局阈值算法以及k均值这类聚类算法,它们通过确定终点图像中的特定荧光阈值来对微反应进行分类(Yu等人,2022;Zhu等人,2022)。虽然这些方法计算效率高,但它们对照明不均匀性和样本间的差异非常敏感,往往需要手动调整阈值(Trypsteen等人,2015;Yu等人,2022)。为了提高稳定性,近期有一些研究引入了基于深度学习的物体检测和分割框架,如YOLO系列、Mask R-CNN以及Attention DeepLabV3+这类语义分割模型,它们能够同时定位微反应并判断其荧光状态,且对图像中的伪信号具有更强的容忍度(Hu等人,2019;Song等人,2023;Yao等人,2023)。与此同时,诸如Bio-Rad的QX系列和Thermo Fisher的QuantStudio之类的商用数字PCR平台则采用了专有的分析流程,将自动门控技术与统计质量过滤功能相结合(Tan等人,2023;Vynck等人,2023)。尽管有了这些进展,但应用于便携式即时检测数字检测系统中的深度学习检测器仍存在两个与其应用场景密切相关的局限性。首先,这类检测器的核心架构源自自然图像物体检测技术,其设计上仅适用于单帧图像输入,因此只能将每个微反应的扩增历史简化为一个静态的强度值,从而失去了实时成像所能提供的时间维度信息(Wei等人,2025)。其次,这类二维检测器所依赖的空间特征在即时检测设备的光学系统中会严重受损:简化的照明条件以及低成本的传感器使得阳性微反应与阴性微反应之间的信噪比仅达到几分贝,而且那些用于区分真实阳性信号与荧光碎片、光点以及非特异性扩增产物等伪信号的形态特征也会被削弱;而在任何二维核心架构的初始降采样阶段,这些本就较弱的特征还会进一步丧失(Nikouei等人,2025;Rivenson等人,2018)。尽管有诸如强烈对比度标准化(Bae等人,2026)或逐图像调整阈值之类的补偿策略,但仍存在一定的不确定性。最近关于机器学习在即时检测中的应用研究也指出了同样的三个问题,即弱信号辨识困难、照明不均匀以及高质量标注数据稀缺,这些都是基于深度学习的图像分析在这一领域面临的持续挑战(Han等人,2025)。这类二维检测器根本无法获取反应的时间维度信息,而正是通过时间维度的扩增动态变化,才能消除那些模糊的静态信号。

从机制上来看,单帧图像分析在即时检测设备的光学条件下会导致三种具体的分析错误:第一是捕获时机敏感性,因为在等温反应中,各微反应的扩增动力学是随机且不同步的,所以过早或过晚的终点检测都会影响阳性结果的判定(Yin等人,2023);第二是伪信号误分类,因为物理伪信号(如光点、荧光碎片)与非特异性扩增产物在单帧图像中无法与真实阳性信号区分开来(Beini等人,2021;Trypsteen等人,2015);第三是弱信号遗漏,即低拷贝数的微反应会聚集在模糊的“雨区”内,其荧光强度低于静态阈值而被忽略(Berden等人,2022)。一旦能够获得完整的多帧扩增轨迹,第一种问题就可以得到解决;而剩下的两种问题则是本研究要解决的焦点,也是我们实验评估的目标。

核酸扩增本质上是一个动态过程,荧光强度随时间的变化蕴含着丰富的区分信息,而传统的终点分析方法却无法捕捉到这些信息。认识到这一点后,越来越多的研究开始将实时荧光监测纳入数字核酸扩增检测流程中。早期的数字PCR研究是通过手工制定的规则,如阈值设定或熔解曲线分析,来拟合每个微反应的荧光强度变化曲线(Selck和Ismagilov,2016;Zhou等人,2019)。近期的一些研究则进一步推动了时间维度分析的发展,例如在实时数字PCR中利用固有的动力学特征以及对扩增曲线的聚类分析(Li等人,2025),以及在数字CRISPR检测中结合机器学习分类器使用多维度动力学特征(Rolando等人,2026)。类似的研究也开始应用于即时检测领域,比如有一种用于实时数字PCR熔解曲线分析的时空立方体去噪模型(Zang等人,2025),还有一种便携式一体化设备,它能利用比色LAMP信号的实时变化来进行检测(Bai等人,2024)。不过,前者仍然需要先对微反应孔进行分割并分析熔解曲线,而后者则是在非数字反应模式下工作的。这些研究都遵循一种共同的架构:要么在每个微反应被单独分割后,从一维强度曲线中提取时间信息,空间处理则仅限于图像去噪;要么直接从非数字反应过程中获取时间信息。在这两种情况下,空间信息和时间信息都是分别、依次处理的,因此微反应级别的分类仍然依赖于手工制定的规则和预先定义的芯片几何结构。这种分离方式类似于早期视觉物体检测的两阶段处理模式,即先进行定位,再进行分类。后来人们发现,将这两步合并为一步,像单阶段检测器那样让各个子任务相互配合,既能提高效率,又能提升准确性。对于数字核酸扩增技术而言,目前还没有实现类似的转变,因为目前仍需分别学习每个微反应的空间形态特征和时间动力学特征,而非依次学习。与此同时,计算机视觉领域已经形成了时空特征学习这一强大的技术范式,用于处理序列化的视觉数据,该技术从三维卷积网络发展到双路径设计(SlowFast,Feichtenhofer等人,2019),再到端到端的时空Transformer模型(TransVOD,Zhou等人,2023),这些方法都利用时间冗余信息来识别那些单帧图像无法清晰呈现的目标。同样的原理也被应用于生物医学领域的定时荧光成像技术,时空网络已被证明能够去除受光子限制导致的噪声,甚至能从时序荧光图像堆栈中检测出动态的亚细胞事件(Li等人,2023;Lachuer等人,2024)。然而,这一技术范式尚未被应用于数字核酸扩增技术中的微反应级别分类,因为在数字核酸扩增技术中,扩增动力学特征正是那些单帧检测器所忽略的关键区分信息。对于便携式即时检测设备而言,从静态的二维终点图像转向包含时间信息的三维荧光图像堆栈尤为重要,因为受限的光学硬件使得单帧图像无法提供足够的空间信息,而每个微反应的时间演化轨迹则显得极为重要。

为了解决仅依赖终点分析以及便携式即时检测设备所具有的较差成像条件所带来的双重挑战,本研究提出了TimeSight这一端到端的时空检测框架,它用完整的时序荧光图像堆栈取代了单一的终点图像快照。该框架基于分解式三维卷积技术,能够同时学习空间形态特征和时间扩增动力学特征,从而将真正的阳性微反应与那些时间特性不变的伪信号区分开来——后者的终点荧光强度虽看似与真实扩增信号相似,但实际上并非如此。同时,该框架还能识别出那些在单个时间点上的荧光强度低于常规检测阈值的微反应,但如果从整体时间演化轨迹来看,它们的荧光强度会逐渐上升,这与真实扩增过程的特征相符。如图1a所示,该框架可以作为标准数字核酸扩增检测流程中的一个即插即用型检测模块,无需进行微反应分割、空间配准或手动阈值调整,就能直接从原始图像堆栈中得出经过泊松校正后的绝对浓度值。

片段内容
数字重组酶聚合酶扩增反应及图像采集
数字重组酶聚合酶扩增反应是使用DNA等温快速扩增试剂盒(荧光型)(Amplification Future,中国)进行的。每个反应混合物中含有缓冲液、正向引物、反向引物、探针、Tween-20、模板DNA以及无核酸酶的水(具体成分见补充表S2)。作为目标模板的是由上海桑根生物技术公司合成的、含有金黄色葡萄球菌nuc基因的质粒DNA;目标片段、引物以及探针……

检测性能与比较
表1总结了TimeSight与七种传统方法在测试集上的检测性能,该测试集包含71组图像堆栈或单幅图像,以及8248个已知的阳性微反应。在传统分析方法中,通过对终点图像应用奥茨阈值法,虽然精确度较高(0.952),但由于照明不均匀以及伪信号的存在,导致一些荧光强度较低的微反应被归为阴性,因此召回率较低(0.808,F1值为0.874)。在阈值计算之前先进行帧间减法处理,可使召回率提升至0.916(F1值为0.945)……

结论
目前用于数字核酸扩增技术的荧光分析方法,无论是传统的阈值分析法还是基于机器学习的检测方法,都将每个微反应的扩增历史简化为一个单一的终点荧光强度值,从而系统地丢失了反映扩增动力学特征的时间维度信息。TimeSight则通过直接对时序荧光图像堆栈应用分解式三维卷积技术,同时学习空间形态特征和时间动力学特征,从而恢复了这一丢失的信息……

CRediT作者贡献说明
廖子晓:撰写原文初稿、可视化处理、验证工作、软件开发、方法设计、正式分析、数据整理。王宇:写作——初稿撰写、可视化、验证、资源整理、方法论设计、调查研究、数据筛选、概念构建。陈静薇:调查研究。桂业红:资源整理、方法论设计。刘静音:调查研究。梅浩华:资源整理。金伟:写作——审阅与编辑、监督工作、资源协调、项目管理、资金筹措。穆颖:写作——处理未标注出处的“et al., 2020”相关引用。

利益冲突
不存在需要声明的利益冲突。

利益冲突声明
? 作者声明自己没有已知的可能影响本文研究结果的财务利益或个人关系。

致谢
作者感谢中国国家重点研发计划(编号2023YFF0714303)、国家自然科学基金(编号32071481)以及中国工业控制技术国家重点实验室自主研究项目(编号ICT2025A11)所提供的财政支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号