SpotMAX：多维自动斑点检测与量化的通用框架

《SCIENCE ADVANCES》：SpotMAX: A generalist framework for multidimensional automatic spot detection and quantification

　　

斑点状结构的分析是显微图像分析中的一项普遍任务。现有解决方案通常针对单一应用，且不使用多维信息，往往使手动标注成为唯一选择。在此，研究人员提出了SpotMAX，一个用于自动斑点检测与量化的通用人工智能辅助框架。SpotMAX可在三维（3D）数据中检测斑点，并借助易于使用的图形用户界面（GUI）以及细胞分割与追踪框架，充分利用多维数据集的全部信息。在一个大型3D数据集上的测试表明，SpotMAX的性能优于或媲美最先进工具及专家级人工标注者。研究人员将SpotMAX应用于多种不同的实验问题，从秀丽隐杆线虫（Caenorhabditis elegans）的减数分裂交叉事件，到酿酒酵母（Saccharomyces cerevisiae）的线粒体DNA动态，以及小鼠干细胞的端粒长度，均获得了新的生物学见解。凭借其在整体分析工作流中整合其他AI模型的灵活性，研究人员预计SpotMAX将成为显微数据斑点分析的标准工具。

**研究背景**
斑点状结构的分析是荧光显微成像中的普遍任务，也是生物图像分析的基础环节。然而，目前尚不存在通用的金标准工具用于斑点检测与定量。现有最先进工具主要针对单分子荧光原位杂交（fluorescence in situ hybridization, FISH）等特定应用开发，多数局限于二维（2D）检测，且往往仅实现检测功能，斑点特征（如大小、强度）的定量仍需另行处理。显微数据通常具有多维属性（多通道、z轴切片、时间序列），充分利用这些信息需要较高的技术门槛。因此，实验生物学家在处理三维（3D）球状结构及延时数据时，手动标注往往成为唯一可行的选择，该方法极为费时且易因人为偏差引入错误。为解决上述问题，研究人员开发了SpotMAX通用框架。
**研究内容与总体结果**
SpotMAX采用模块化流水线架构，依次执行图像预处理、参考通道语义分割与定量、斑点通道语义分割、斑点检测、斑点定量与验证循环。通过细胞分割掩码，斑点可与单个细胞关联，并利用多通道特征去除假阳性。研究人员在包含三类数据（酿酒酵母单分子FISH、酿酒酵母线粒体DNA（mtDNA）核仁、秀丽隐杆线虫交叉）的大型3D数据集上进行了基准测试，结果显示SpotMAX性能优于或媲美最先进工具及专家人工标注者。将SpotMAX应用于四种不同生物学问题，均获得新的生物学见解，该成果发表于《SCIENCE ADVANCES》。
**关键技术方法**
研究人员构建并公开了高质量人工标注3D数据集（369个z轴堆叠体积、20,692个斑点、2,894个细胞），样本来源包括酿酒酵母、秀丽隐杆线虫和小鼠造血干细胞。技术方法包括：训练自定义2D/