编辑丨&

细胞器经历不断的形态变化和动态相互作用，这是细胞稳态、应激反应和疾病进展的基础。尽管细胞器的形态与运动十分重要，但由于其复杂的结构，高速的运动模式与目前现有分析技术的局限性， 量化 细胞器形态仍具有挑战性。

美国旧金山 Calico Life Sciences 的团队推出了一个名为 Nellie 的模型，这是一种自动化且无偏倚的管道，用于分割、跟踪和提取不同细胞内结构的特征。它适应图像元数据，并采用分层分割来解析子细胞器区域，而其半径自适应 模式匹配 可实现精确的运动跟踪。

这项研究以「Nellie: automated organelle segmentation, tracking and hierarchical feature extraction in 2D/3D live-cell microscopy」为题，于 2025 年 2 月 27 日刊登于《Nature Methods》。

使用图形 自动编码器 ，该模型可以 量化 线粒体对离子霉素的反以及表征跨细胞类型和时间点的内质网网络。该工具通过提供可访问的自动细胞器动力学分析来满足细胞生物学中的关键需求。

Nellie

细胞器的复杂编织和复杂舞蹈是细胞生理学和病理学的核心。作为如此重要的部分，其具有的动态形态与运动性，加上显微镜固有的限制，导致目前在对其提取信息时遇到了巨大的挑战。

因此，迫切需要一种广泛可用的分析工具，该工具能够在多个细胞器尺度上提供空间和时间特征的详细提取，但这仍然独立于工具的用户或所讨论的细胞器。自动化方法在速度和客观性方面提供了改进，但经常难以应对生物成像数据固有的复杂性和可变性。

而 Nellie，这是一种新颖、易于使用的基于 GUI 的点击式图像分析管道，专为应对这些挑战而设计。通过结合多尺度、结构增强的预处理方法，Nellie 能够将细胞器分割和分层划分为 逻辑 子组件。

整个管道可以在 CPU 上运行或在 GPU 上加速，其中任何一种在计算上都优于当前的 SOTA 细胞器分割和跟踪工具。制作方还允许用户自行设置兼容插件，将他们定制的代码和管道集成到 Nellie 的生态系统中。

图示：Nellie 的用户工作流程和内部工作流程。（图源：论文）

研发团队采用三个用例来强调 Nellie 在提取细胞类型之间有意义的差异同时保持时间序列一致性的能力。他们希望这项工作能为细胞生物学家提供有价值的工具，使研究人员能够更深入地了解细胞内组织和动力学的复杂世界。

升级强化的多尺度模型

众所周知，基于对象的分割和骨架网络的一致性在时间点之间是有规律的，这在使用基于质心或骨架的跟踪方法时会导致链接问题。为了避免这些问题，研究者在细胞器中生成完全独立于标签的动捕标记，并使用这些标记作为跨时间框架链接图像可变半径区域的基础。

Nellie 可以很好地推广到各种数据集，包括来自不同显微镜和各种细胞器的数据集，并且在模拟数据集中的各种跟踪任务中超越了当前的 SOTA 方法。

图示：链接运动捕捉标记和插入细胞器的亚像素运动。（图源：论文）

尽管细胞器的分割和跟踪对于数据探索和可视化很有用，但只有当可 量化 的特征可用时，客观解释才成为可能。为此，Nellie 允许计算和导出特定于分割层次结构每个级别的大量特征，以及对层间特征进行统计调查。

Nellie 可以计算各种聚合指标，从像分支节点的平均线性速度矢量大小变化这样复杂的指标，到像细胞器内所有分支的长度相加这样简单的指标。这些特定于级别的和聚合特征中的每一个的值还可以叠加为每个体素、节点、分支或细胞器标签的颜色图，并在 Nellie 的插件中使用特征的相应直方图进行查看。

图示：提取多个分层级别的细胞器的空间和时间特征。（图源：论文）

公正且高效的模型

Nellie 是现如今一款高质量的分析模型，用于准确、自动地分析细胞器的空间和时间特征，同时保持对相关细胞器或子结构的不可知性。

其流 插值 方法允许跟踪亚像素坐标，而多级特征提取允许在感兴趣的尺度内和尺度之间进行横截面和分层分析。用户可以从亚像素级别一直到图像范围的级别来解释他们的数据。

Nellie 的优势在于它在细胞器中的通用性，无需任何 参数 调整或注释数据集。然而，Nellie 对于具有大短轴的细胞器表现不佳，它倾向于分割边缘而不是整个结构。

团队希望 Nellie 能够推广基于成像的方法来分析细胞器及其扰动介导的破坏。他们将 Nellie 作为新一波科学探索的催化剂，在这里，细胞器的复杂构造和精美艺术不仅被观察到，而且被深刻理解。

Calico Life Sciences

Calico Life Sciences 所属美国谷歌母公司旗下，以衰老细胞和细胞机制为研究方向，致力于开发神经退行性疾病的治疗方法。

他们正在利用获得的知识来发现和开发干预措施，使人们能够过上更长寿、更健康的生活。

该公司认为，当下的研究环境适宜采用跨学科方法，利用先进技术和计算来加速发现。当现有技术和方法无法满足现有的需求时，去开辟一条新的路。

原文链接：https://www.nature.com/articles/s41592-025-02612-7

代码链接：https://github.com/aelefebv/nellie

公司官网：https://www.calicolabs.com