用人工智能自动追踪细胞移动，更快找到调控因子

本文介绍了一种名为DeepBIT（深度学习明场成像与细胞追踪）的新型高通量、无标记细胞迁移分析平台。细胞迁移是免疫防御、组织修复、胚胎发育等生理过程的基础，但其失控也会驱动肿瘤转移。长期以来，迁移研究受限于低通量：传统方法需荧光染色（可能损伤细胞、引发光毒性），或依赖耗时费力的人工追踪（一名熟练人员每小时仅能追踪约50个细胞），难以系统性探索成百上千种药物或基因扰动的影响。DeepBIT巧妙解决了这一难题：它利用明场显微镜拍摄活细胞视频（不干扰细胞自然状态），再通过卷积神经网络（CNN）自动识别并追踪每个细胞核的位置。为训练AI模型，研究人员将明场图像与同步采集的荧光图像（Hoechst染活细胞核、碘化丙啶染死细胞核）配对，自动生成大量精准的“标准答案”数据集，彻底避免了繁琐且主观的手动标注。实验证明，该模型在多种乳腺癌细胞（如MDA-MB-231、MCF-7）上达到98%以上的像素级识别准确率，且在不同焦平面、不同细胞密度下均稳定可靠。使用DeepBIT，单块96孔板可在几分钟内完成2000多个细胞、100个时间点的追踪，效率比人工提升数百倍。研究团队用它系统筛选了96种美国FDA批准的药物（共280种剂量组合），发现其中32种显著影响细胞迁移速度；更关键的是，他们甄别出13种“纯迁移调节剂”——这些药物在不影响细胞存活率和增殖能力的前提下，专门增强或抑制迁移。例如，抗抑郁药雷莫司汀（resminostat）在特定浓度下使癌细胞迁移速度提升约80%，而另一种5-羟色胺受体拮抗剂拉莫塞tron（ramosetron）则被首次证实具有强效抑迁移作用。此外，研究还揭示迁移调控具有极强的“上下文依赖性”：同一种信号分子（如TNF-α或RhoA蛋白），在不同微环境（如有无胶原蛋白、不同血清浓度）下，可能完全相反地影响迁移——有时促进，有时抑制。通过整合CRISPR基因编辑技术，DeepBIT进一步证明，敲除细胞骨架相关基因（如RHOA、ARPC2）的效应也高度依赖外部环境。总之，DeepBIT提供了一个客观、高效、可扩展的工具，让科学家能以前所未有的规模和精度，系统解析细胞迁移的调控网络，为发现抗癌新靶点和开发抗转移疗法开辟了新路径。