基于Nimbus深度学习模型的多重成像数据细胞表达自动分类及其在组织空间拓扑研究中的意义

来自研究团队的最新成果：为解决多重成像数据中细胞表型鉴定依赖无监督聚类的瓶颈，研究人员开发了深度学习模型Nimbus。该模型利用包含1.97亿标记物表达注释的Pan-M数据集，实现了跨细胞类型、组织来源和显微镜平台的单细胞标记物阳性预测，无需重复训练，准确率超越现有方法，为空间组学研究提供开源工具（https://github.com/angelolab/Nimbus-Inference）。

深度学习模型Nimbus通过大规模多重成像数据集Pan-M（包含15种细胞类型中1.97亿个标记物表达注释），实现了对单细胞标记物阳性率的精准预测。该预训练模型可直接应用于不同组织来源、不同显微镜平台获取的图像数据，无需重新训练即可准确分类细胞表达模式。研究证实Nimbus能完整捕捉Pan-M数据集中所有标记物的染色模式特征，其性能匹配或超越需针对各数据集重新训练的传统方法。此外，Nimbus预测结果可与下游聚类算法整合，显著提升图像数据中细胞亚型的识别鲁棒性。模型与数据集已开源（https://github.com/angelolab/Nimbus-Inference），推动空间组织学研究的技术革新。