mViSE：用于分析多重免疫组化脑组织图像（空间蛋白质组学）的可视化搜索引擎

在大脑中发现模式

现代显微镜现在可以捕捉到令人惊叹的整片脑切片的高精度图像，同时显示数十种不同的蛋白质。这些“多重”图像有望揭示脑细胞如何组织、如何相互交流以及疾病如何扰乱这些模式。但图像体量巨大且极其复杂，即使是强大的计算机也难以全面解析。本文介绍了 mViSE，一种可视化搜索引擎，允许研究者通过点击感兴趣的细胞和邻域来探索这些浩瀚的脑图像，而无需编写定制代码。

为什么大脑大图难以使用

每张多重脑图像就像一幅巨大的城市地图，其中每座建筑、每条街道和每条公用线路同时用多种颜色标注。不同的蛋白质标记不同的细胞类型、细胞状态、血管和神经连线模式。传统的分析流程将这张地图拆解为一长串预设的程序步骤：清理图像、检测细胞、分割、标注细胞类型，然后按区域汇总结果。尽管功能强大，但这种方法僵化，遇到新问题时难以适应——尤其是大脑，其由神经元、胶质细胞和血管构成的混合体具有巨大的分子与空间复杂性。科学家越来越需要一种更灵活、交互式的方法，以便在不成为全职程序员的情况下向这些数据提出新问题。

面向脑细胞的搜索引擎

mViSE 将脑图像视为更像一个在线照片库，而不是静态数据集。用户无需预先定义每一步分析，只需点击一个看起来有趣的细胞或小块组织。系统随后在整幅脑图像中搜索在多个蛋白通道上外观和“行为”相似的细胞或邻域。匹配结果会直接在整脑视图中高亮显示，并可汇总为蛋白表达谱。这使研究者能够快速发现相似细胞或微环境出现的位置、划定脑区和皮层层次，并比较脑中不同区域的模式——所有操作均由可视化查询驱动，而非代码。

教计算机理解组织

为实现这一点，mViSE 首先在后台进行学习阶段。作者将众多蛋白通道划分为生物学上有意义的面板，例如突出细胞类型、胶质细胞、神经纤维或血管的标记物。对于每个面板，一个强大的视觉变换器（vision transformer）——一种现代深度学习模型——查看脑中许多小块，并学习将每个小块表示为高维“特征空间”中的一个点。在该空间中，外观与功能相似的小块应该彼此接近。然后，一种基于信息理论的社区检测方法将相邻点分组为反映重复组织结构模式的社区。重要的是，这种学习是自监督的：不需要人工标注，但仍能生成颜色编码的地图，直观确认已捕获已知的层次和区域。

放大以查看细胞与邻域

训练完成后，mViSE 能响应不同类型的查询。对于包含单个细胞的非常小的图块，它会检索全脑最相似的细胞并显示它们的位置。作者证明该系统能够可靠地找到主要的大脑细胞类型——如神经元、星形胶质细胞、少突胶质细胞、小胶质细胞和血管细胞——以及更具体的神经元亚型，甚至定位靠近血管的细胞对。对于包含多个细胞和局部连线的较大图块，mViSE 会返回整个相似邻域的社区，常常描绘出已知的脑区或纤维束。通过同时结合来自多个标记面板的信息，它还可以区分皮层层间和一些难以辨别的小亚区的细微差异。

超越通用 AI 模型

研究者将 mViSE 与若干最先进的“基础”模型进行了比较，这些模型最初在大量自然图像或病理图像上训练。由于这些模型期望的是简单的三通道（RGB）图像，众多蛋白通道不得不被压缩到红、绿、蓝三色中，从而导致信息丢失。即便在这种适配之后，这些通用模型仍然产生了更模糊的层间边界并错过了精细的亚区。相比之下，mViSE 设计用于直接处理多通道数据，并在合并前分别编码每个通道，因此在匹配已知大脑图谱区域时取得了更高的准确性。它生成了更清晰的皮层层图和更连贯的相似图块社区，表明其表示更能反映真实的生物学组织。

探索“活地图”的新方式

本质上，mViSE 将巨大、多色的大脑图像转化为可交互的地图，研究者可以通过视觉方式搜索。不再需要费时编写每一步分析脚本，科学家可以点击吸引他们注意的细胞或微环境，立即看到相似结构出现的位置以及它们的蛋白质谱如何比较。该方法在训练期间不需要手动注释，并能扩展到非常大的数据集，使其成为空间蛋白质组学工具箱的实用补充。随着成像技术添加更多分子通道，以及类似方法扩展到病变大脑和其他器官，像 mViSE 这样的工具可以帮助将原始图像的复杂性转换为直观、可导航的组织结构视图——让我们更接近于像搜索地图一样读取大脑复杂的分子图谱。

引用: Huang, L., Mills, R., Mandula, S. et al. mViSE: A visual search engine for analyzing multiplex IHC brain tissue images (spatial proteomics). Sci Rep 16, 10245 (2026). https://doi.org/10.1038/s41598-026-40620-5

关键词: 空间蛋白质组学, 脑成像, 可视化搜索引擎, 多重显微镜, 计算病理学