深層学習で強化された多重化FUCCI取得のためのバイオイメージ解析

細胞が日常を生きる様子を観察する

すべての生細胞は常に成長、DNA複製、分裂の各段階を巡っています。生物学者は現在、これらの細胞周期の段階を異なる色で光らせる蛍光ツールを持ち、プロセスをリアルタイムで観察できるようになりました。しかし、記録される信号が多すぎると画像はノイズを帯び、コンピュータでも解釈が難しくなります。本論文は、こうした複雑な動画像を深層学習でノイズ除去し、個々の細胞を追跡し、それぞれの細胞が周期のどこにいるかを読み取る手法を紹介します。がん研究、幹細胞研究、薬剤試験に新たな力をもたらすものです。

生細胞内の光るタイマー

細胞がライフサイクルをどう進むかを可視化するために、研究者はしばしばFUCCIと呼ばれる分子ツールを使います。FUCCIは初期段階で核をある色で、後期で別の色に光らせ、中間では色の組み合わせを示します。最近の実験ではさらに踏み込んで、FUCCIとともに細胞内の骨格や他の構造を強調する蛍光マーカーを同時記録することがあります。この「多重化」により、細胞の構造的な状態と周期段階を結びつけられます。欠点は、生きた細胞を傷めないように光照射を弱める必要があり、その結果、色が混ざり合って暗くノイズの多い画像が得られる点です。こうした条件下では、標準的な画像解析ソフトが正確に各核を検出したり、正しい細胞周期段階を割り当てたりできないことが多くなります。

ノイズを見抜くようにアルゴリズムを教育する

著者らはこの問題に対して、2種類のヒト細胞株から得た何千枚もの丁寧に注釈付けされた画像を使ってカスタムの深層学習ネットワークを訓練しました。彼らのアプローチは複数チャネルをStarDistアーキテクチャに基づくセグメンテーションモデルに入力するもので、個々の核を輪郭化するのに優れています。入力設定は三通り試されました：細胞質マーカー（蛍光タグ付加された構造タンパク）だけを使うもの、FUCCIの二色だけを使うもの、そして三つすべてを組み合わせるものです。ノイズの多い条件にもかかわらず、二チャネルおよび三チャネル版は核検出で非常に高い精度を示し、信号が弱い場合に既存の事前学習済みツールを明確に上回りました。驚くべきことに、細胞質マーカーだけを用いたモデルでも、周囲の骨格が核の位置に特有の“穴”を残すため、しばしば核の位置を推定できました。

色付きの点から細胞周期ラベルへ

核を見つけることは課題の半分にすぎません。研究者は各核が細胞周期のどの段階にあるかも知る必要があります。従来はFUCCI色の強度に閾値を設定する単純な方法でこれを行っており、他チャネルからのブリードスルーにより簡単に誤認されます。研究チームはネットワークを拡張し、各核を輪郭化するだけでなく、色のパターンに基づいていずれかの細胞周期相に属するラベルを付けるようにしました。この手法を古典的な強度閾値法と比較したところ、深層学習分類器の方が特にノイズの多いデータでより高精度でした。さらに、著者らが色の組み合わせと各相の対応を単純に再マッピングするだけで、別研究室で使われている別バージョンのFUCCIにも再学習なしで一般化できることが示されました。

時間を通した細胞の軌跡を再構成する

信頼できる核の輪郭と相ラベルが得られたので、著者らは次に、記録が分裂から分裂までの完全な系列を捉えていない場合でも、個々の細胞が時間を通して周期をどう進むかを再構成できるかを検討しました。彼らは単一細胞のFUCCI信号を追跡し、各強度トレースを典型的な周期の参照パターンと比較するために、時間軸を柔軟に伸縮して最適な一致を見つける動的時間伸縮（dynamic time warping）という技術を用いました。これにより各細胞に「細胞周期百分率」という擬似時間が割り当てられ、どの程度進んでいるかの推定値となります。同様に重要なのは、参照に合わせるために必要な時間伸縮の量が警告になる点です。参照と一致させるために大きく歪める必要があるトレースは、ある相に長く留まるなど異常な挙動を示している可能性があります。

健康と疾患の研究における意義

多重蛍光イメージングと用途に合わせた深層学習ツールを組み合わせることで、本研究はエンドツーエンドのパイプラインを提供します：暗くノイズの多い画像をセグメント化し、各核に細胞周期相のラベルを付け、細胞を時間的に追跡し、標準パターンから逸脱するものを検出します。専門外の人にとっての要点は、研究者が生細胞の大量の挙動を、細胞の健康を保つ穏やかな撮像条件下でも、より確実かつ手作業を減らして追跡できるようになったことです。これにより、がん薬がどのように細胞分裂を阻止するか、幹細胞がどのように運命を決めるか、組織内の力学が細胞の分裂や停止のタイミングにどのように影響するかを、より精密に研究する道が開かれます。

引用: Zimmermann, J., Pezzotti, M., Torchia, E. et al. Bioimage analysis for multiplexed FUCCI acquisitions powered by deep learning. npj Imaging 4, 27 (2026). https://doi.org/10.1038/s44303-026-00159-6

キーワード: 細胞周期イメージング, 深層学習顕微鏡法, FUCCIセンサー, 細胞追跡, バイオイメージ解析