Nature Methods
CELLECT实现高效大规模细胞追踪

小赛推荐：

本文介绍了CELLECT，一种基于对比学习的高效细胞追踪方法，能够在不同成像模式和物种中实现广谱泛化。该方法在大规模细胞追踪任务中表现出色，显著优于现有方法，且计算效率高。

 

文献概述
本文《CELLECT: contrastive embedding learning for large-scale efficient cell tracking》，发表于《Nature Methods》杂志，回顾并总结了一种新型高效的细胞追踪框架CELLECT，该框架通过对比学习提升大规模细胞追踪的准确性和效率。文章展示了CELLECT在多种成像模式下（包括共聚焦显微镜、光片显微镜、双光子显微镜等）的广谱泛化能力，并在多个生物系统（发育生物学、免疫学、病理学和神经科学）中进行了验证。

背景知识
细胞追踪是定量生物学研究的核心任务，尤其在长时间、高通量成像实验中，手动追踪已无法满足需求。近年来，深度学习方法（如Imaris、StarryNite、linajea）在细胞追踪中取得了显著进展，但它们通常依赖大量手动标注，且计算成本高，难以适应不同细胞形态和成像条件。此外，现有方法在细胞分裂、动态组织运动等复杂场景下表现受限，亟需一种高效、准确且泛化能力更强的细胞追踪方法。CELLECT的提出正是为了解决这些问题，通过对比学习框架，从稀疏标注数据中提取细胞中心特征和嵌入向量，实现高精度、低计算成本的细胞追踪，为大规模3D动态细胞研究提供了新的解决方案。

 

提供基因敲除、基因敲入及转基因小鼠模型，适用于免疫学、发育生物学、肿瘤学等研究，助力疾病机制探索和药物筛选。

了解更多

 

研究方法与实验
CELLECT采用3D U-Net架构，通过稀疏标注生成多级置信度图，利用对比学习优化特征空间，实现跨帧的细胞中心匹配和分裂事件预测。该方法通过中心增强网络（CEN）和多层感知器（MLP）进行细胞合并与追踪，避免传统方法中ROI检测和全局路径优化的高计算成本。

关键结论与观点

• CELLECT在C. elegans和小鼠淋巴结数据中均表现出优于现有方法的追踪精度，错误率显著降低。
• CELLECT在细胞分裂、密集细胞追踪、动态神经信号提取等复杂场景中保持高精度。
• CELLECT的计算效率远高于现有方法，处理260 GB数据仅需157分钟，而Imaris则需480分钟。
• CELLECT可直接迁移至不同成像模态和物种，无需重新训练，泛化能力优于linajea和StarryNite。

研究意义与展望
CELLECT为大规模、动态3D细胞追踪提供了高效、准确的工具，可广泛应用于发育生物学、免疫学、病理学和神经科学等研究。未来，CELLECT可结合全局优化和运动先验进一步提升追踪一致性，并扩展至多尺度、多模态细胞追踪任务，为定量生物学研究提供更广泛的适用性。

 

提供全基因组人源化、神经疾病、肿瘤、代谢疾病等小鼠模型，适用于基因功能、疾病机制、药物开发等研究，支持定制化模型构建。

了解更多

 

结语
CELLECT是一种基于对比学习的高效细胞追踪方法，能够在不同成像模态和物种中实现高精度、低计算成本的细胞追踪。该方法在C. elegans、小鼠淋巴结、脾脏和脑组织中均表现出卓越的追踪能力，显著优于现有方法。CELLECT的提出不仅提升了大规模细胞追踪的效率，也为3D动态细胞行为的定量分析提供了统一框架，具有广泛的应用前景。

 

Hongyu Zhou, Seonghoon Kim, Zhifeng Zhao, Jiamin Wu, and Qionghai Dai. CELLECT: contrastive embedding learning for large-scale efficient cell tracking. Nature Methods.