MemBrain v2：冷冻电子断层扫描中膜分析的端到端工具

《Nature Methods》：MemBrain v2: an end-to-end tool for the analysis of membranes in cryo-electron tomography

　　

冷冻电子断层扫描（cryo-electron tomography, cryo-ET）能够在天然环境中为生物大分子复合物提供独特的结构认知，然而由于低信噪比、缺失楔伪影（missing wedge artifact）以及膜相关颗粒的复杂性，膜分析仍然是主要瓶颈。现有工具往往需要大量人工标注，难以在数据集间泛化，且缺乏集分割、颗粒定位与定量分析于一体的集成解决方案。研究人员推出了MemBrain v2，这是一个深度学习驱动的框架，将这些任务统一为一条精简的分析流程。MemBrain-seg利用多样化、协作生成的训练数据集和专门的模型训练策略，在不同断层扫描条件下实现可泛化的膜分割。MemBrain-pick通过将几何约束与深度学习相结合，实现膜结合颗粒的数据高效定位，减少了对大量人工标注的需求。MemBrain-stats计算空间指标以分析膜内颗粒组织，提供颗粒分布的定量洞察。MemBrain v2无缝整合至冷冻电子断层扫描工作流程中，为膜分析提供了一种易用且结构化的方案。

冷冻电子断层扫描（cryo-electron tomography, cryo-ET）能够在近天然状态下以亚纳米分辨率对细胞内分子环境进行三维成像，为解析细胞器及大分子复合物的结构、相互作用和空间排布提供了独特手段。膜及其嵌入的蛋白复合物在分泌途径、自噬、囊泡运输、突触传递、能量转换等多种细胞过程中发挥核心作用，因此精确的膜分割与膜相关颗粒定位对于理解膜架构如何驱动细胞功能至关重要。然而，cryo-ET数据固有的低信噪比严重妨碍了结构细节的准确判读；有限角度采样造成的缺失楔效应会在垂直于电子束方向的膜结构上引入各向异性畸变，使其难以分辨。现有膜分割工具如TomoSegMemTV在复杂膜形态区域表现不佳，基于U-Net的深度学习方法常因仅在单一细胞或膜类型上训练而缺乏泛化能力；TARDIS虽通过整合多样数据集向通用化迈出一步，但广泛应用仍需进一步突破。在膜结合颗粒定位方面，经典模板匹配受强膜对比度干扰，深度学习方法则大量依赖人工标注且难以利用稀疏标注。定量工具如PyCurv、Surface Morphometrics Pipeline、PyOrg等要么分析膜几何，要么分析颗粒分布，缺乏整合的颗粒-膜相互作用定量方案。为应对上述挑战，研究人员开发了MemBrain v2，将膜分析统一为集成框架。该研究成果发表于《Nature Methods》。

研究人员在论文中介绍MemBrain v2这一深度学习框架，其包含三个核心模块：MemBrain-seg、MemBrain-pick和MemBrain-stats，实现从膜分割到颗粒定位再到统计分析的端到端流程。MemBrain-seg在多样化、协作生成的训练数据集上训练，结合cryo-ET特异性数据增强和膜聚焦损失函数，实现跨不同断层扫描条件的鲁棒膜分割；MemBrain-pick利用DiffusionNet直接在膜网格表面操作，将膜几何纳入颗粒检测，显著提高数据效率与精度；MemBrain-stats计算颗粒浓度、测地线最近邻距离和Ripley统计量等指标，提供颗粒分布的定量洞察。在Spinach测试集上，MemBrain-pick仅用单条标注膜即达到91%的F₁分数；在跨数据集泛化测试中，菠菜训练的模型在Chlamy_old数据集取得84%的F₁分数。在红藻藻胆体组织和衣藻核膜多聚核糖体分析两个应用实例中，MemBrain v2成功实现了从原始断层图到定量空间模式的高通量提取，为大规模膜生物学研究提供了可复现的工具基础。

研究人员构建了以下关键技术路线：（1）迭代主动学习数据集生成：通过多轮人工修正网络预测，结合菠菜（Spinacia oleracea, EMPIAR-12612）、衣藻（Chlamydomonas reinhardtii, EMPIAR-11830）、外部协作者、合成数据（PolNet、CryoTomoSim）及DeePiCt数据集（EMPIAR-10988）逐步扩充训练集；（2）U-Net架构与Surface-Dice损失：采用nnU-Net启发的三维U-Net与可微骨架化损失；（3）傅里叶域增强：傅里叶振幅增强与人工缺失楔增强；（4）DiffusionNet网格网络：在膜网格表面投影断层密度并预测颗粒距离图，结合Mean Shift聚类定位颗粒；（5）MemBrain-stats空间统计：计算测地线最近邻距离与Ripley's统计量。

**MemBrain v2模块概述**：MemBrain v2是模块化分析流程，三个核心模块协同实现膜分割、颗粒定位与定量分析，提供命令行界面与Napari插件集成，兼具灵活性与易用性。

**MemBrain-seg：膜分割的泛化方法**：该模块基于U-Net架构，通过单条命令从输入断层图生成三维膜分割。模型在涵盖不同物种、显微镜类型、成像设置和处理条件的多样化断层图上表现稳健。通过五轮迭代训练，DeePiCt测试集Dice分数从39%提升至66%。与DeePiCt、Ais和TARDIS的比较中，MemBrain-seg取得最高Dice分数；在合成数据集上，MemBrain-seg（66%）与TARDIS（59%）均表现良好。傅里叶振幅增强将DeePiCt测试集Surface-Dice从55%提高至59%，缺失楔增强提高至57%。微调实验表明，仅用DeePiCt补丁微调可将Surface-Dice从58%提升至67%，且监测Surface-Dice优于仅监测Dice。

**MemBrain-pick：高效定位膜相关颗粒的交互工具**：该模块通过3D套索工具从全图分割中分离单条膜，在Surforama中可视化标注，并训练DiffusionNet模型直接在膜网格表面预测颗粒距离图，结合Mean Shift聚类输出颗粒坐标。在菠菜类囊体膜光系统II定位任务中，单条标注膜即可达到91%的F₁分数；训练29条膜后达到93%，优于DeepFinder（60%）、crYOLO（26%）、MiLoPYP（64%）、MPicker（42%）、MemBrain v1（90%）和模板匹配（52%）。菠菜训练的模型在衣藻数据集上取得84%的F₁分数。

**MemBrain-stats：颗粒分布的定量分析**：该模块计算颗粒-表面浓度、测地线最近邻距离和Ripley's函数等指标。在菠菜类囊体颗粒浓度分析中，预测值（1,688颗粒/μm²）与已发表值（1,714颗粒/μm²）高度一致；衣藻数据略高于报道值，最近邻距离略短于报道值，与研究只测PSII-PSII距离而忽略未知密度的设定相符。

**测试应用：藻胆体在类囊体膜上的组织**：将MemBrain v2应用于红藻叶绿体数据集（EMD-31244），MemBrain-seg准确分割所有类囊体膜，人工标注6条膜训练MemBrain-pick后，在其余23条膜上成功预测藻胆体位置，Ripley's O函数确认了约35 nm的周期性排列，与人工测量值（34.5 nm）一致。

**测试应用：核膜上的多聚核糖体链组织**：在EMPIAR-11830数据集的衣藻核膜外膜核糖体分析中，人工标注13条膜训练MemBrain-pick后，在79条膜上预测出4,515个核糖体位置；STOPGAP亚断层图平均（STA）获得22.7 ?分辨率的膜结合核糖体结构，可见跨膜TRAP复合物密度。最近邻方向分析显示核糖体沿核膜呈链状聚集，与先前研究一致。

**讨论与结论**：讨论部分指出，MemBrain v2通过集成的膜分割、颗粒定位和定量分析方案，解决了cryo-ET膜分析中人工标注繁琐、缺乏公开GT标注等根本性挑战。MemBrain-seg的公开数据集和Surface-Dice指标为分割方法基准测试提供了基础；MemBrain-pick的交互式数据高效训练大幅降低了大规模分析的工作量。局限性包括：MemBrain-seg受训练数据多样性限制且分割厚度不反映真实生物膜厚度；MemBrain-pick在异质性靶标上的通用性能有待提高。未来改进方向包括与TomoTwin等工具整合以提升膜类型区分能力。研究人员得出的结论是：MemBrain v2以模块化集成方式将膜分割、膜结合颗粒定位与定量空间分析统一为端到端流程，在多种生物样本和成像条件下展示了优异的泛化性能与数据效率，所有组件和数据集均开源，已被多个研究组和Chan Zuckerberg成像研究所采用，为推进cryo-ET膜分析研究提供了通用可靠的工具。