Анализ биологического изображения для мультиплексных FUCCI‑наблюдений с применением глубокого обучения

Наблюдение за повседневной жизнью клеток в реальном времени

Каждая живая клетка постоянно проходит стадии роста, копирования ДНК и деления. Биологи теперь используют флуоресцентные инструменты, которые заставляют разные стадии клеточного цикла светиться разными цветами, позволяя наблюдать этот процесс в реальном времени. Однако при одновременной регистрации большого числа сигналов изображения становятся шумными и трудноинтерпретируемыми — даже для компьютеров. В этой работе представлен метод на базе глубокого обучения, который очищает такие сложные кинопоследовательности, отслеживает отдельные клетки и определяет, на какой стадии цикла находится каждая из них, что открывает новые возможности для исследований рака, стволовых клеток и тестирования лекарств.

Светящиеся индикаторы внутри живых клеток

Чтобы видеть продвижение клетки по жизненному циклу, исследователи часто пользуются молекулярным инструментом под названием FUCCI, который заставляет ядро клетки светиться одним цветом на ранних стадиях и другим — на поздних, с промежуточными комбинациями между ними. Современные эксперименты идут дальше: они регистрируют FUCCI вместе с дополнительными флуоресцентными маркерами, подсвечивающими внутренний каркас клетки или другие структуры. Такая «мультиплексная» запись помогает связать структурное состояние клетки с тем, где она находится в цикле. Минус в том, что чтобы не повредить живые клетки, их освещают бережно, что даёт тусклые, шумные изображения с перекрытием оттенков. В таких условиях стандартное программное обеспечение для анализа изображений часто не справляется с корректным обнаружением каждого ядра или присвоением правильной стадии цикла.

Обучение алгоритма видеть сквозь шум

Авторы решили эту проблему, обучив специализированные сети глубокого обучения на тысячах тщательно аннотированных изображений из двух линий человеческих клеток. Их подход подаёт несколько каналов на модель сегментации, основанную на архитектуре StarDist, особенно хорошо подходящей для обводки отдельных ядер. Были протестированы три варианта входа: только цитоплазматический маркер (флуоресцентно меченый структурный белок), только два цвета FUCCI и комбинация всех трёх каналов. Несмотря на шумные данные, версии с двумя и тремя каналами показали очень высокую точность в обнаружении ядер, значительно превосходя популярные предобученные инструменты при слабом сигнале. Удивительно, но даже модель, использующая только цитоплазматический маркер, часто могла восстановить положение ядер, потому что окружающий каркас оставляет характерную «пустоту» там, где расположено ядро.

От цветных точек к меткам стадии клеточного цикла

Обнаружение ядер — лишь полдела; учёным также нужно знать, на какой стадии цикла находится каждое ядро. Традиционно это делается пороговой обработкой интенсивности цветов FUCCI — простым методом, который легко вводит в заблуждение из‑за перекрытия сигналов из других каналов. Команда расширила свою сеть так, чтобы она не только обводила каждое ядро, но и помечала его как принадлежащее одной из фаз клеточного цикла, опираясь на цветовые паттерны. При сравнении с классическим методом пороговой интенсивности классификатор на основе глубокого обучения оказался точнее, особенно на шумных данных. Он даже обобщался на другую версию системы FUCCI из другой лаборатории после простой переназначения, какие комбинации цветов соответствуют каким фазам — без повторного обучения.

Восстановление пути клетки во времени

Имея надёжные контуры ядер и метки фаз, авторы далее проверили, можно ли восстановить, как отдельные клетки проходят цикл со временем, даже если запись не охватывает полного цикла от деления до деления. Они отслеживали сигналы FUCCI от отдельных клеток и сравнивали каждый временной профиль интенсивности с эталонным паттерном типичного цикла, используя метод динамического выравнивания временных рядов (dynamic time warping), который гибко растягивает и сжимает временную ось для наилучшего совпадения. Это давало каждой клетке «процент клеточного цикла», действующий как псевдовремя — оценку степени продвижения по циклу. Не менее важно, что величина требуемого растяжения времени служит сигналом тревоги: клетки, чьи профили приходится сильно искажать для сопоставления с эталоном, вероятно ведут себя аномально, например надолго застревают в одной фазе.

Почему это важно для здоровья и болезней

Комбинируя мультиплексную флуоресцентную визуализацию с адаптированными инструментами глубокого обучения, эта работа предлагает сквозной конвейер: она сегментирует тусклые, шумные изображения, присваивает каждому ядру фазу клеточного цикла, отслеживает клетки во времени и отмечает те, что отклоняются от нормы. Для неспециалистов ключевая мысль в том, что сейчас исследователи могут надёжнее и с меньшими трудозатратами следить за тысячами живых клеток, даже при щадящем режимe съёмки, сохраняющем здоровье клеток. Это открывает возможности для точных исследований того, как противораковые препараты останавливают деление клеток, как стволовые клетки принимают решение о судьбе, и как механические силы в тканях влияют на выбор клетки — делиться ли ей или приостановиться.

Цитирование: 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

Ключевые слова: визуализация клеточного цикла, микроскопия с глубоким обучением, сенсор FUCCI, отслеживание клеток, анализ биологических изображений