成像技术在生物学中至关重要——从识别活检中的癌细胞到观察巨噬细胞等免疫细胞如何追踪并摧毁病原体。传统上，区分和标记图像和视频中的单个细胞是一项费时费力的手工任务。现在，加州理工学院的一个跨学科研究团队开发了一种人工智能算法，可用于各种生物应用的图像细胞识别。
这个名为CellSAM（细胞分割任意模型）的新工具是David Van Valen（生物学和生物工程助理教授、Heritage医学研究所研究员、霍华德·休斯医学研究所Freeman Hrabowski学者）和计算与数学科学教授Yisong Yue实验室合作的成果。描述该研究的论文已发表在《自然·方法》期刊上。
Van Valen表示："以前，学生们要花费无数小时手工识别细胞或修正算法的错误。现在，我们的单一模型可以在许多不同应用中为您完成这项工作。我非常期待看到这种方法如何推动生物发现的前沿。我们现在可以收集大量引人入胜的有趣数据，而从前获取这些数据洞察的障碍正被逐一消除。"
生物图像可能看起来大不相同，揭示的现象包括隐藏在组织中的肿瘤细胞和分泌粘性抗生素耐药性粘液的细菌。此外，技术进步正引领生物学进入大数据时代。
CellSAM是首个可应用于多种不同用例的模型，使研究人员能够识别不同类型的细胞，并了解它们的位置以及如何与邻近细胞相互作用。表征这些复杂的动态对于理解为什么某种癌症免疫疗法对一个人有效而对另一个人无效等情况至关重要。
CellSAM算法是在大量手工标注的生物图像上训练的。该团队计划通过继续在更多类型的生物数据上训练来进一步改进CellSAM。该工具目前可免费供研究人员使用。
Yue表示："像CellSAM这样的方法不仅使现有的图像分析工作流程更高效，还使得探索以前不切实际规模的生物学问题成为可能。当你能够在多种条件下追踪数百万个细胞时，你就可以开始研究罕见细胞状态如何出现，或者细胞形状的细微变化如何与治疗反应相关。只有当分析中的瓶颈被消除时，这类洞察才变得可获得。"
Markus Marks等人，《CellSAM：细胞分割的基础模型》，《自然·方法》(2025)。DOI: 10.1038/s41592-025-02879-w
关键概念：细胞生物学、细胞、人工智能、医学成像
本文由加州理工学院提供。
【全文结束】
