引言

观察细胞状态是揭示生命奥秘和开发新药的核心环节，然而，传统的实验方法往往局限于分析少量的生物学特征，难以全面捕捉细胞复杂的状态变化。随着高通量显微技术和机器学习的迅猛发展，一种新兴的细胞成像技术——“细胞绘图”（Cell Painting），正在悄然改变这一现状。

“细胞绘图”技术于2013年首次提出，它采用六种荧光染料标记细胞的主要结构，包括细胞核（Hoechst 33342染料）、内质网（Concanavalin A染料）、线粒体（MitoTracker染料）等，通过荧光显微镜拍摄高分辨率图像。这些图像随后经过自动化分析，提取出超过1000种形态学特征，构建出一种“细胞指纹”，用于全面描述细胞的状态。这一技术的核心优势在于，它不仅能评估细胞对外界刺激（如药物、基因干扰或环境变化）的整体反应，还能够以高通量方式快速筛选数百万种化合物，探索其潜在的生物学机制。

在过去十年里，“细胞绘图”技术经历了从最初的实验室应用到广泛的学术和工业领域的迅速普及。研究人员通过该技术在药物研发、毒性预测以及疾病建模等领域取得了诸多突破。例如，它帮助研究人员更高效地解析化合物的作用机制，预测毒性并筛选新药，甚至发现与癌症和神经退行性疾病相关的新型生物标志物。这些进展不仅加速了新药的开发，还为未解的生物学问题提供了全新的研究思路。

随着人工智能和深度学习的介入，“细胞绘图”正在迈向更加智能化和精准化的方向。这种技术的潜力不仅局限于目前的细胞状态研究，还可能通过与转录组学、蛋白质组学等数据的整合，全面揭示生命活动的动态网络。展望未来，“细胞绘图”或将成为生命科学研究和医疗应用中不可或缺的工具，引领我们走向更多未知的领域。12月5日Nature Methods

细胞形态学的新革命

如何有效揭示细胞的状态一直是研究人员面临的关键挑战。传统研究方法通常局限于特定的分子或单一的细胞特征分析，这在处理复杂的生物现象时显得力不从心。近年来，一种突破性的技术——“细胞绘图”（Cell Painting）应运而生，它以全新的视角重新定义了细胞形态学研究。

细胞绘图技术于2013年首次由Broad研究所团队提出，其核心理念是利用荧光染料标记细胞的主要结构和细胞器，以捕捉细胞全貌的“形态学指纹”。这种方法的独特之处在于，其目标并非关注单一标志物，而是通过高通量显微成像和数据分析，全面记录细胞在不同条件下的形态学变化。与传统的高内涵筛选（High-Content Screening, HCS）相比，细胞绘图提供了更高维度的生物信息，使研究者能够以一种无偏见的方式探索复杂的生物学问题。

在过去十年中，细胞绘图技术的应用范围迅速扩大。数据显示，仅从2021年到2023年，发表在学术期刊上的相关研究就占到了总数的一半以上，这反映了该技术在学术界和工业界的广泛认可。与此相辅相成的是，该技术从最初版本不断优化，最新的3.0版本显著提升了实验的重复性和效率。此外，超过36家学术机构和51家公司正在使用或开发基于细胞绘图的项目，涵盖了从药物研发到环境毒性检测等多种领域。

什么是“细胞绘图”？揭秘技术背后的原理

在显微镜下，细胞似乎是一个微小但复杂的世界，拥有着各自独特的“形态密码”。如何解读这一密码，是研究人员长期以来的追求。而“细胞绘图”（Cell Painting）技术的出现，提供了一种高效且全面的解读方法。

细胞绘图的核心在于利用六种荧光染料标记细胞的关键结构和细胞器，这些染料分别针对细胞核（Hoechst 33342）、内质网（Concanavalin A）、线粒体（MitoTracker Deep Red）、核仁和胞质RNA（SYTO 14）、F-肌动蛋白（Phalloidin）以及高尔基体和细胞膜（Wheat Germ Agglutinin, WGA）。这些染料像画笔一样，为每个细胞器“上色”，让研究人员能够捕捉到细胞内各个部分的细节。通过这一过程，每个细胞就像被“绘制”出一幅高分辨率的生物图景。

完成染色后，细胞会经过高通量显微镜的多通道拍摄，生成五个通道的图像数据。这些图像随后进入分析阶段，利用诸如开源软件CellProfiler或深度学习工具DeepProfiler等进行特征提取。研究表明，通过这种方式，每个细胞的图像可以生成超过1000种形态学特征，包括大小、形状、纹理和荧光强度等，最终形成一个高维度的“形态学指纹”。这一数据不仅可以用于比较不同细胞状态，还能发现细胞对外界刺激（如药物或基因干扰）的特异性响应。

为了确保数据的可靠性和可用性，细胞绘图还加入了标准化和批次效应校正等步骤。例如，JUMP-CP通过对90种化合物的形态学响应进行系统优化，提升了实验的重复性和数据的一致性。

使用细胞绘图进行形态学分析（Credit: Nature Methods）

细胞绘图实验概述（a）

描述了细胞绘图的基本实验流程。细胞首先经过培养和处理，然后使用六种荧光染料进行标记。这些染料分别标记了细胞的主要结构或细胞器，包括细胞核、内质网、线粒体、核仁与胞质RNA、F-肌动蛋白以及高尔基体和细胞膜。

图像采集与分割（b）

实验过程中，通过自动化显微镜拍摄图像，生成五个荧光通道的图像数据。随后，图像分析软件对细胞核和细胞整体进行分割，为后续的形态学特征提取提供基础。

形态学特征提取与数据处理（c）

使用适当的软件工具（如CellProfiler）或基于深度学习的方法，提取和计算图像中的形态学特征。这些特征涵盖了细胞的大小、形状、纹理和荧光强度等方面，为数据分析奠定了基础。

下游数据分析（d）

在特征预处理后，研究者可应用多种下游分析方法，包括监督和无监督机器学习。这些方法有助于解析化合物的生物学效应，例如明确其作用机制（Mechanism of Action, MoA）或安全性特征。

细胞绘图的扩展应用（e和f）

图中展示了细胞绘图技术的两个适配性扩展实例：使用BODIPY染料标记脂滴（e部分），适用于脂肪积累相关细胞的研究。结合针对人类冠状病毒229E（CoV-229E）病毒蛋白的抗体（f部分），扩展到病毒研究的应用场景。

从实验室到产业化：十年发展的里程碑

2013年，“细胞绘图”（Cell Painting）技术的诞生拉开了细胞形态学研究新时代的序幕。这一技术以其简便、高效的实验流程和无偏见的分析方式迅速引起了学术界的关注。在这一年，研究人员发布了“细胞绘图”1.0版本，其核心在于通过六种荧光染料对细胞主要结构进行标记，并利用自动化显微镜拍摄图像。这一版本的问世，让研究人员能够快速获取细胞的多维形态学特征，大大提升了高通量筛选的效率。

随着技术的广泛应用，2016年研究团队推出了2.0版本，对实验流程进行了优化。例如，研究者通过改进图像获取条件和实验步骤的标准化，进一步提高了结果的可靠性和一致性。这一改进极大地增强了技术的普适性，使其可以应用于更多种类的细胞系和实验环境。

进入2022年，“细胞绘图”技术迎来了第三次重要升级。最新的3.0版本不仅在实验成本上更加经济，还在重复性和数据质量方面达到了新的高度。JUMP-CP通过对阳性对照（包含47种机制的90种化合物）的形态学响应进行系统优化，为染色剂的选择、显微成像条件以及数据处理提供了最佳实践。这一版本的推出标志着“细胞绘图”从实验室研究工具向工业应用迈出了关键一步。

经过十年的发展，“细胞绘图”已经从初期的实验室创新，成长为涵盖药物研发、毒性预测和疾病建模等多领域的重要技术。据统计，超过36家学术机构和51家公司正在使用或开发基于“细胞绘图”的项目。

打开“细胞指纹”的宝藏：数据背后的秘密

每个细胞都像一幅复杂的图画，隐藏着丰富的生物学信息。而“细胞绘图”（Cell Painting）技术通过高通量成像和精确的数据分析，将这些信息转化为可以解读的“细胞指纹”，为揭示细胞状态打开了一扇新的大门。

细胞绘图技术的核心是形态学特征的提取与分析。这一过程从荧光显微镜拍摄的多通道图像开始，利用特定染料标记细胞的关键结构，例如DNA（Hoechst 33342染料）和线粒体（MitoTracker Deep Red染料）。通过自动化图像分析软件（如CellProfiler），研究人员可以从图像中提取超过1000种形态学特征，这些特征包括细胞的大小、形状、纹理和荧光强度等。以这些特征为基础，研究人员构建了一个高维度的数据集，形象地描绘出细胞的“形态学指纹”。

这些指纹不仅仅是数据点，而是揭示细胞生物学状态的线索。例如，当细胞受到化合物、基因干扰或环境因素的刺激时，其形态学特征会发生变化，这些变化可以被用来反映细胞的健康状态、功能甚至特定的生物学机制。研究表明，细胞绘图已经能够识别出细胞在面对DNA损伤、线粒体功能紊乱或微管结构破坏时的独特形态学特征，为研究细胞反应机制提供了宝贵的数据支持。

此外，通过结合机器学习和统计分析，研究人员可以进一步挖掘这些数据背后的规律。例如，无监督学习可以帮助发现不同样本之间的相似性，而监督学习则能够通过已知数据训练模型，用于预测新的细胞反应。这些分析手段不仅使得“细胞绘图”成为一种强大的数据驱动工具，还为药物研发、疾病建模和毒性预测等领域带来了革命性的变化。

药物研发的利器：从化合物筛选到毒性预测

药物研发是一场漫长且昂贵的旅程，而“细胞绘图”（Cell Painting）技术的出现，为这一过程注入了高效与精准的动力。它不仅能全面评估化合物的潜在生物学效应，还能帮助预测可能的毒性，为药物开发节省了大量时间与资源。

在药物机制解析中，细胞绘图的优势尤为突出。它通过高维度的形态学特征，揭示化合物如何作用于细胞。例如，研究人员可以通过对比“细胞指纹”中化合物处理组与对照组的形态变化，识别出药物的可能作用机制（Mechanism of Action, MoA）。一项研究显示，细胞绘图能够检测包括微管调节、DNA损伤和线粒体功能紊乱在内的多种机制。例如，通过与已知化合物的形态学模式匹配，研究人员发现一种新化合物的形态学效应与微管调节剂具有高度相似性，进一步验证了其对微管动力学的影响。这种“类比推测”的方法，为无已知靶点的化合物提供了可靠的机制预测。

在毒性预测方面，细胞绘图也展现了非凡潜力。一项研究中，研究人员利用细胞绘图数据成功预测了12种与细胞毒性和增殖相关的体外实验结果，预测的平均ROC曲线下面积（AUC）达到0.71，显著高于仅依赖化学结构数据的模型（AUC为0.56）。此外，它还能够评估线粒体毒性和肝毒性等更复杂的毒性特征。例如，关于药物线粒体毒性的研究显示，细胞绘图能够通过形态特征识别线粒体膜去极化效应，并准确预测毒性。

值得一提的是，细胞绘图的独特能力在新型药物领域尤为重要。对于缺乏传统经验的蛋白降解靶向嵌合体（PROTACs）类药物，细胞绘图能够识别出其独特的形态学效应，为这类新药物的开发提供了明确的方向。

揭示疾病的隐藏面纱：疾病研究的新视角

在复杂疾病的研究中，传统方法往往局限于对单一分子或特定途径的探索，而“细胞绘图”（Cell Painting）技术的引入，为癌症和神经退行性疾病等复杂病理提供了全新的研究视角。通过捕捉细胞形态学的全面变化，研究人员能够从细胞层面揭示疾病的动态机制，发现潜在的治疗靶点和生物标志物。

在癌症研究中，细胞绘图技术已经展示了非凡的应用潜力。研究人员通过分析癌细胞在化疗药物处理前后的形态学变化，不仅能够识别癌细胞对药物的敏感性，还能揭示潜在的耐药机制。例如，在食管腺癌的研究中，研究人员利用细胞绘图技术识别了与疾病特异性相关的形态学特征，并进一步筛选出可以逆转这些特征的小分子化合物，为精准治疗提供了重要线索。此外，通过对癌症相关基因突变的细胞模型进行形态学分析，研究人员发现了多个与癌症恶化相关的新型生物途径，为癌症的分子机制研究提供了重要启发。

神经退行性疾病的研究同样从细胞绘图中获益匪浅。阿尔茨海默病是一种典型的复杂疾病，与多种基因变异和细胞功能障碍相关。研究人员利用细胞绘图技术分析了与SORL1风险基因相关的神经前体细胞，发现16种FDA批准的药物可以逆转这些细胞的病理形态学特征，这为阿尔茨海默病的药物再利用提供了突破性思路。此外，在帕金森病的研究中，研究人员通过分析来自患者和健康对照者的皮肤成纤维细胞，成功区分了具有LRRK2突变和散发性帕金森病的细胞，为疾病的早期诊断和治疗策略提供了新工具。

更重要的是，细胞绘图还帮助研究者从疾病相关基因和细胞形态的关联中发现了未知的生物学联系。例如，研究揭示了NF-κB和Hippo途径之间的全新交互关系，为疾病治疗开发提供了新目标。通过这些发现，细胞绘图技术不仅成为探索复杂疾病病理的重要工具，也为个性化医学和精准治疗的实现提供了切实的技术支持。

技术边界的拓展：与深度学习和“-组学”数据的结合

随着生物数据量的爆炸式增长，“细胞绘图”（Cell Painting）技术与其他前沿技术的整合正在不断拓展其应用边界。尤其是与深度学习、转录组学（Transcriptomics）和蛋白质组学（Proteomics）等“-组学”数据的结合，使得“细胞绘图”从单一的形态学工具，演变为揭示复杂生物网络的新利器。

深度学习的引入大大提升了细胞绘图数据的解析能力。例如，研究人员开发了DeepProfiler等深度学习模型，用于直接从图像中提取复杂特征，无需传统的细胞分割步骤。实验表明，这些模型的化学扰动分类性能比传统方法高出29%。此外，基于迁移学习（Transfer Learning）的模型使用ImageNet预训练的神经网络，可以在未见过的形态学特征上实现高达95%的准确率，为研究人员在未知领域中的探索提供了强大支持。

除了深度学习，“细胞绘图”与“-组学”数据的整合进一步丰富了其生物学内涵。研究表明，将细胞形态学特征与转录组数据相结合，可提升化合物机制预测的准确率。例如，在一项分析中，单独使用细胞绘图或转录组数据时，化合物机制的分类准确率分别为44%和50%，而两者结合后，这一数值提高到了69%。类似地，与蛋白质组学数据的整合帮助揭示了化合物的潜在靶点，例如利用细胞绘图和nELISA技术联合分析的结果，成功识别了33%的新增作用机制类别。

此外，“细胞绘图”还能够与多模态学习方法结合，跨越单一数据类型的限制。例如，研究人员开发了CLOOME等对比学习算法，将细胞绘图图像与化学结构数据映射到统一的表征空间，实现了药物活性的精准预测。通过这些技术的协同应用，研究者能够从多个维度解析细胞的生物学状态，构建更全面的疾病模型和药物筛选体系。

未来细胞绘图技术的展望

目前，“细胞绘图”的局限性主要集中在数据标准化和一致性问题上。例如，不同实验室之间的操作差异和设备性能的波动，可能导致数据的可比性和重复性受到影响。此外，批次效应（Batch Effect）的存在也给大规模数据整合带来了困难。尽管Pycytominer等工具提供了多种校正方法，但现有的技术尚不能完全消除这一问题，尤其是在跨实验室数据整合中。另一个挑战是对形态学特征的生物学意义的解释。尽管机器学习能够提取大量特征，但如何将这些特征与具体的生物学过程联系起来，仍然是一个亟待解决的难题。

未来，随着技术和方法的不断进步，“细胞绘图”有望克服这些瓶颈。首先，深度学习的进一步应用将为数据标准化和批次效应校正提供更强大的工具。例如，DeepNoise等基于指导模型的方法已经在特定场景下显著提高了数据的一致性。其次，“细胞绘图”与其他“-组学”数据的整合，如转录组学和蛋白质组学，将为复杂生物网络的研究提供更加全面的视角。这种跨模态的数据融合，能够更好地解析细胞状态，并加速药物开发和疾病机制研究。

此外，实时活细胞成像（Live-cell Imaging）的发展为“细胞绘图”提供了新的方向。通过明场显微成像结合深度学习方法，研究人员可以捕捉活细胞在动态环境中的变化，而不再局限于固定细胞的静态图像。这一技术进步将极大拓宽细胞绘图的应用范围，例如在免疫细胞功能动态监测和神经元网络活动研究中的潜力。

“细胞绘图”技术的未来充满希望。随着批次效应校正、数据整合和实时成像等领域的持续突破，这一技术将进一步推动生命科学的前沿研究，成为从基础生物学到临床医学的关键工具，为健康和科学探索开辟更多可能性。

参考文献

Seal, S., Trapotsi, MA., Spjuth, O. et al. Cell Painting: a decade of discovery and innovation in cellular imaging. Nat Methods (2024). https://doi.org/10.1038/s41592-024-02528-8、