Nature Methods
基于误差预测的精准细胞追踪算法

小赛推荐：

该研究开发了一种结合神经网络与统计物理的细胞追踪算法，能够为每条细胞谱系提供误差概率，实现高通量、高可信度的细胞动态分析，显著提升分析效率与科学透明度。

 

文献概述
本文《Cell tracking with accurate error prediction》，发表于《Nature Methods》杂志，介绍了一种新型细胞追踪算法OrganoidTracker 2.0，该算法通过神经网络预测细胞连接和分裂的概率，并结合统计物理中的微观状态、配分函数和边缘化方法，计算出每一步的误差率，使得细胞追踪结果具备统计学意义，从而实现高效、可重复的自动化分析。

背景知识
细胞追踪是研究器官发育和组织稳态的重要工具，尤其在类器官培养系统中，其三维密集结构和动态细胞分裂使手动校正耗时且易错。现有算法无法提供误差估计，限制了自动化分析的可靠性。本文通过引入误差概率计算，使研究者可评估细胞周期、分化事件等谱系特征的可信度，类似于P值在统计学中的作用，同时大幅减少手动校正时间，实现完全自动化分析。

 

赛业生物提供基因编辑小鼠模型构建服务，支持Cre-LoxP系统实现条件性敲除，适用于特定组织或时期研究。

了解更多

 

研究方法与实验
OrganoidTracker 2.0利用3D U-Net神经网络检测细胞中心，并通过卷积神经网络预测细胞连接和分裂的可能性。随后，算法构建一个概率图谱，通过最小能量路径求解最优细胞轨迹，并结合统计物理中的边缘化方法计算每条连接的误差率。误差率可用于生成高可信度的谱系片段，支持后续的自动化分析。

关键结论与观点

• OrganoidTracker 2.0在肠类器官数据中实现每帧每细胞误差率<0.5%，大幅减少手动校正时间。
• 通过误差过滤，可实现完全自动化分析，提取细胞周期和分化率等谱系特征，支持高通量筛选。
• 该方法不仅适用于肠类器官，还可用于小鼠囊胚和线虫胚胎等不同模型系统。
• 误差率计算基于统计物理边缘化，可扩展至其他细胞追踪问题，提供P值类似的数据解释。

研究意义与展望
该算法为细胞追踪提供统计学基础，使结果具备可解释性，推动自动化、高通量谱系分析。未来可扩展至其他模型系统，结合荧光标记和AI图像增强技术，进一步提升追踪精度。

 

赛业生物提供全基因组敲除细胞库服务，支持高通量基因筛选，适用于基因功能与疾病机制研究。

了解更多

 

结语
本文介绍的OrganoidTracker 2.0算法通过引入误差概率计算，解决了现有细胞追踪工具缺乏统计学解释的局限性。该方法结合神经网络与统计物理，不仅提高了追踪准确性，还大幅减少手动校正工作量，实现高效、可重复的谱系分析。研究者可利用误差率筛选高可信谱系片段，进行自动化分析，为类器官动态研究、细胞谱系筛查和药物开发提供重要支持。

 

Max A Betjes, Rutger N U Kok, Sander J Tans, and Jeroen S van Zon. Cell tracking with accurate error prediction. Nature Methods.