分享一篇发表在Nature Biotechnology的文章，文章的标题为“High-dimensional imaging using combinatorial channel multiplexing and deep learning”，本文的通讯作者是来自以色列维兹曼科学研究所的Leeat Keren，他们课题组的研究方向为系统组织病理学和多重成像技术。

本文主要报道了一种用于在复杂组织样本的多重检测技术CombPlex。CombPlex结合实验和深度学习，旨在提高蛋白质成像的多重检测能力。在传统方法中，每种蛋白通常需要单独的测量通道，限制了检测通量。CombPlex通过组合染色技术在单一通道内检测多个蛋白，并利用神经网络解压缩复合信号，从而提高检测能力，并能够在不同组织类型上泛化，提高蛋白成像的效率和适用性。

对于C个通道的复色成像系统，最多可以对P=2C-1个蛋白进行成像。但是从数学上来说，使用C个通道的组合染色解析P种蛋白的空间分布是无法实现的，因为具有P个变量、C个线性方程的线性方程组存在无穷个解，因此单纯对复色图像进行解压缩无法恢复原始蛋白图像。然而，蛋白质存在的多种性质能够限制解的空间，例如对于蛋白质图像是稀疏的，只有少数像素包含信号；蛋白质的表达是连续和结构化的；不同蛋白质在染色模式和丰度上存在差异。因此，作者采用深度学习的方式，结合这些难以进行数学表达的先验知识，在一个肿瘤结直肠癌标本数据集中选择22种具有特定染色且信噪比良好的蛋白质和41个视野以训练卷积神经网络(CNN)。

该网络首先预测每个像素是否包含特定蛋白信号（生成对应的二值掩码），然后进一步估计蛋白信号的强度。具体而言，CombPlex分成两个历程，一个用于预测图像中不同蛋白质的表达位置，另一个旨在恢复实际的信号强度。作者使用33张随机图像训练的CNN在8张图像上成功取得优异的结果，并在四折交叉验证中实现高度准确的重建。此外作者还评估了不同的通道数量和压缩矩阵，证明了ComPlex方法的稳健性。

随后，作者采样CombPlex分别对7种蛋白压缩至3个通道和22种蛋白压缩至5个通道进行实验测试，并分别采用单通道成像作为真值对照。结果显示，CombPlex均能够以高相关性解压缩对应的蛋白图像。此外，作者开发了基于计算机模拟的训练数据生成方法，使得模型可以基于已有数据进行训练，而不必依赖于实验获取的数据，进一步降低了数据采集成本。

总的来说，本文报道了一种结合深度学习，用于蛋白质组合染色并准确解压缩会单独的蛋白质图像的实验方法CombPlex。

本文作者：CJJ

责任编辑：WYQ

DOI：10.1038/s41587-025-02585-0

原文链接：https://doi.org/10.1038/s41587-025-02585-0