幽靈細胞術
Ghost cytometry
幽靈細胞術
Ghost cytometry
「幽靈成像」(ghost imaging)是一種不依賴具空間解析度的偵測器即可產生物體影像的方法。此研究發展一項稱為「幽靈細胞術 Ghost cytometry」的技術,為一種無需影像重建、以單像素偵測器進行的超高速螢光「影像式」流式細胞分析。當細胞通過靜止且具隨機圖樣的光學結構時,其運動所攜帶的空間資訊被壓縮轉換為依序抵達單像素偵測器的訊號。結合此時間波形與隨機圖樣的強度分布,即可計算性地重建細胞形態。更為關鍵的是,此研究證明可直接對壓縮波形套用機器學習方法,在不重建影像的情況下進行高效率、基於形態的細胞分類。儘管儀器體積精簡,幽靈細胞術仍能在無特定生物標記的前提下,達成精準且高通量的細胞分選,突破傳統流式細胞分析既有限制。
從壓縮感測到高通量分類
在微觀世界中,細胞展現高度的異質性,其結構與功能的解析對生命科學研究至關重要。在高通量測量中,傳統顯微鏡或流式細胞儀經常面臨解析力、速度與成本的三重限制。例如,在免疫學、腫瘤學或神經科學研究中,科學家需要對每秒成千上萬個細胞進行觀察與分類,以掌握群體中罕見或極端表型的行為。然而,常規光學影像技術需要逐點掃描或高像素陣列,相對速度低且成本高;而傳統流式細胞儀雖能高通量測量單一螢光通道,卻無法直接獲取高維形態資訊。在這樣的背景下,幽靈細胞技術(Ghost Cytometry,GC)應運而生,其核心理念是將細胞的空間螢光訊號轉化為時間波形,通過計算方法直接解碼細胞形態特徵,實現高速、高準確度、高通量的分類與分析。GC 的誕生,既是光學與運算技術融合的結果,也為單細胞研究開啟了新的可能性,將細胞的微觀世界轉化為可計算的數據語言。
圖 1. GC 壓縮感測的基礎原理
GC 的核心技術在於將細胞螢光訊號經由光學編碼結構壓縮映射為時間波形。當細胞以一定速度沿著靜態的偽隨機光學結構 H (x, y) 運動時,細胞上的螢光標記 (F1、F2 等) 會依據位置被依次激發,其空間資訊被編碼至時間序列 g(t) 中,由單像素探測器進行連續測量。在成像模式下,計算機可結合時間波形與光學結構分布進行反向計算,重建二維螢光影像;在影像自由模式下,時間波形可直接餵入機器學習模型,完成高通量、準確的細胞分類,而無需生成影像。這種方式實質上將每個細胞的形態特徵轉譯為可運算的「時間指紋」,使光學訊號捕捉與數據分析高度整合,克服了傳統方法在高通量、多色、多維形態分析上的限制。
圖 2. 運動螢光成像的實驗驗證
為驗證壓縮感測方法的可行性,研究者首先以螢光微球作為模型系統進行實驗。微球被置於玻璃載玻片上,電子平臺沿指定方向移動,使其穿過光學編碼結構。研究設計了兩種模式:SI(Structured Illumination,結構化照明)與 SD(Structured Detection,結構化偵測)。在 SI 模式下,微球通過結構化光照射,激發的螢光訊號經光學編碼轉化為時間波形;在 SD 模式下,微球均勻照明,其螢光影像經由孔徑陣列形成時間波形。計算機可依據時間波形重建二維影像,並與傳統陣列相機拍攝的影像進行比較。實驗結果表明,壓縮感測可準確捕捉微球的空間螢光資訊,並重建清晰影像,證實了時間波形作為空間資訊載體的可靠性。這一模型實驗為後續細胞多色成像提供了可控平台,也展示了 GC 方法的靈活性與可擴展性。
圖 3. 多色高通量細胞成像
微球模型驗證成功後,GC 技術進一步應用於多色細胞成像。整個系統可分為三個核心步驟:(1) 光譜分離、(2) 編碼調制、(3) 多通道壓縮重建。研究者選用 MCF-7(Michigan Cancer Foundation-7)細胞,分別將細胞膜、細胞質及細胞核標記為紅、綠、藍螢光,模擬真實生物研究中多色標記的需求。細胞在 SD 模式下沿光學編碼器移動,其螢光訊號生成時間波形。這些波形被分光鏡拆分為紅、綠、藍三條色通道,分別由光電倍增管記錄。計算機可從時間波形中重建各色影像,並合成彩色圖像。即便在每秒超過 10,000 細胞的高速流動條件下,GC 仍能精確呈現細胞內部結構及多色螢光分佈。這項實驗不僅展示了 GC 的高通量能力,也表明它能在短時間內捕捉多維形態與功能資訊,為後續影像自由分類奠定了基礎,並為多色螢光分析提供了一條高速可靠的技術路徑。
圖 4. 影像自由的高通量分類
GC 的另一核心創新在於影像自由分類。形態相似的 MCF-7 與 MIA PaCa-2 細胞被標記後,流經光學編碼器,時間波形被收集作為訓練資料集。研究者採用支援向量機(support vector machine,SVM)模型對波形特徵進行學習,使時間波形成為細胞的「形態指紋」。在混合樣本中,即便肉眼難以分辨細胞差異,GC 仍能即時分類每個細胞。實驗結果顯示,每秒超過 10,000 細胞的高通量下,約 50,000 個細胞的分類準確率達 AUC ≈ 0.998。這證明了時間波形不僅能替代影像資訊,還可作為可計算、可分類的精確指標。影像自由分類的實現,使 GC 在高通量單細胞研究中具備極高的效率與準確性,拓展了傳統流式細胞儀無法完成的高維分類能力。
圖 5. 無螢光成像細胞分選
GC 與微流控技術結合形成 FiCS(Fluorescence image-free Cell Sorting),實現實時細胞分選。細胞首先經三維流體聚焦,排列成單列流動,接著進入光學編碼區生成時間波形,訊號被現場可程式化邏輯閘陣列(field-programmable gate array,FPGA )即時分析;當波形符合分類條件時,PZT 壓電執行器立即偏轉流體,將目標細胞導入收集出口。實驗中,GC 可在每秒約 3,000 細胞的速度下,精準分離形態相似的細胞,或從複雜混合物中挑出目標細胞,分選純度可達 95%。這種方法不僅保留了高通量與準確性,還能進行實時操作,顯示了 GC 在臨床與實驗研究中可即時應用的潛力。FiCS 將光學編碼、時間波形與機器學習分析整合,形成一條完整、閉環的單細胞分選流程。
結語
從微球模型的驗證,到多色細胞成像,再到影像自由分類與 FiCS 分選,GC 將細胞的空間與形態資訊轉譯為時間波形,使光學訊號與計算分析高度整合。每個細胞的時間波形記錄其微觀形態特徵,機器學習模型則解碼並分類這些訊號。Ghost Cytometry 提供了一種高效、精準且可即時應用的單細胞分析方法,不僅拓展了傳統流式細胞儀的能力,也為免疫學、腫瘤學及多色單細胞研究提供了全新視角。GC 以光與演算法為橋梁,將微觀世界的複雜性轉化為可量化、可解釋、可操作的數據,為單細胞分析技術樹立了新的里程碑。
Citation:
Ota, Sadao, et al. "Ghost cytometry." Science 360.6394 (2018): 1246-1251.