CellProfiler 专家讲座：生物图像定量测量与表型分类方法

高内涵筛选把光学显微推向大规模扰动实验，但图像数据的评估始终是许多项目的瓶颈：即便 CellProfiler 及其扩展 Analyst 等开源工具已被广泛使用，不少常规或高级任务仍不被支持或需要编程技能^[1]。就测量本身而言，CellProfiler 能从图像中提取对象数量、颜色、大小与荧光强度等定量信息，并以可调模块流水线处理数十张乃至数十万张图像^[4]。围绕这些测量，学界发展出基于约300项单细胞表型测量的多变量方法，可区分药物处理前后的人类癌细胞，且仅需原始特征的10-15%即可检出化合物效应^[2]；Cell Painting 在单细胞层面计算大量形态特征，但换一种细胞类型就需重新优化图像采集与分割参数^[6]；自噬研究则用现成流水线自动统计荧光点（puncta）的数量与大小^[3]。真正缺少系统讲解的，是识别出细胞之后究竟测什么、怎么测这一步。

iBiology Techniques《Bioimage Analysis 5》讲座由 CellProfiler 项目的 Anne Carpenter 主讲，正聚焦这一环节：在识别、甚至时滞追踪细胞或区域之后，如何定量图像中的生物学现象。讲座把测量归纳为两大类指标：一是计数与形状/大小，形状度量可捕捉边缘曲折度等多维特征；二是强度，荧光标签的强度对应靶物的量，可在单细胞轮廓内查看像素强度的分布（直方图），据此判定生物标志物的阳性/阴性，常用 mean、median、max、min 及纹理等统计量。

这一讲的推进在于把表型测量的基本逻辑讲透：多变量表型研究动辄以数百项单细胞测量为特征^[2]、在单细胞层面衍生大量形态特征^[6]，本讲则说明这些数字来自“数多少、什么形状、多亮、强度如何分布”等基本操作，为实验者理解和挑选特征提供了框架，也衔接起从对象识别与测量^[4]到 SVM 等下游多类分类工具^[1]之间的关键环节。就定位而言，它属于经典图像分析（非机器学习）的定量显微方法，列为 Tier B。

当然，讲座本身不涉及深度学习分类及其与 kNN、SVM 等传统方法的效能比较^[5]，也未触及 Cell Painting 类工作在跨细胞类型时需重复优化的实际问题^[6]；而哪些最小特征集合足以刻画特定生物学效应，仍需如^[2]那样在具体数据中逐一确定。