概要(Conspectus)：纳米材料与细胞的相互作用是众多诊疗(theranostic)及纳米医学应用的基础。例如，为实现靶向治疗作用，诊疗用纳米材料需被靶细胞选择性内吞，同时避免被非靶细胞非特异性摄取。纳米材料与细胞的特异性相互作用主要受二者间相互作用程度的影响，并进一步决定细胞内转运、毒理学反应及细胞清除等下游生物学过程，最终决定治疗效果与生物相容性。因此，学界积极致力于建立策略以选择性调控和探究纳米材料–细胞相互作用。虽然可利用多种生物标志物阐明纳米材料–细胞相互作用及相关生物学效应，最直接的方法是通过显微镜成像观察纳米材料处理后细胞形态的变化。事实上，常将细胞形态变化与其他生物标志物表达变化一并监测，以评估各类纳米材料的治疗效果与安全性。明场、相差、扫描探针及荧光等多种显微镜技术已能直接观察纳米材料在细胞和亚细胞水平的结合、摄取及定位。尽管 examination of cellular morphology 获得了大量见解，许多研究仍局限于人工检查和定性观察，导致解释主观且可靠性不足；此外，细微但具生物学意义的形态变异可能无法被常规目视检测发现。随着基于人工智能(AI)和机器学习(ML)的高级计算技术日益广泛地用于处理和分析显微镜图像，现已可定量探测细胞形态（即细胞形态计量学(cellular morphometry)），实现更客观、可重复和可靠的分析与解释。研究人员从显微镜图像中提取与细胞大小、形状、纹理和强度相关的数值描述符，将定性视觉数据转化为多维数据集进行系统分析，揭示隐藏的表型模式和构效关系。该进展有望揭示此前未被认识的纳米材料–细胞相互作用见解，并提供比常规生化检测更灵敏的细胞响应读出。本文中，研究人员描述了其在阐明纳米材料–细胞相互作用方面的贡献及近期开发细胞形态计量学方法定量探究这些相互作用的努力。研究人员首先强调利用无标记(label-free)和有标记(labeled)显微镜技术可视化纳米材料–细胞相互作用并获得关键机制见解；随后讨论细胞形态定量评估的重要性，以及从显微镜图像中进行定量形态学特征提取与分析的计算方法的最新进展，特别强调整合包括基于机器学习的图像分割和分类算法在内的AI驱动框架，以提高细胞形态计量学分析的准确性、可扩展性和可解释性；最后概述当前挑战并讨论将细胞形态计量学发展为探究纳米材料–细胞相互作用强有力平台的崭新机遇。
论文解读：《用于探究纳米材料–细胞相互作用的细胞形态计量学》
研究背景与立题依据
纳米材料是生物成像、生物传感和药物递送等诊疗(theranostic)及纳米医学应用的重要平台，其与生物体特别是细胞水平的相互作用决定了纳米治疗的疗效与生物相容性。纳米材料的尺寸、形状、表面化学和刚度等理化性质显著影响细胞摄取途径及生物学结局，但由于生物系统的复杂性和异质性，预测细胞对纳米材料的响应仍是纳米诊断与治疗领域的重大挑战。显微镜成像（无标记如明场、相差、扫描探针显微镜，以及标记如荧光显微镜）是研究纳米材料–细胞相互作用的核心手段，可直接观察膜结合、内吞、亚细胞转运及胞吐过程。然而，既往研究多依赖人工定性观察和主观判断，不仅引入观察者间差异、降低重现性，还容易遗漏细微但具生物学意义的形态变化。为此，研究人员提出采用细胞形态计量学(cellular morphometry)——即通过计算图像分析定量提取细胞大小(size)、形状(shape)、纹理(texture)和强度(intensity)等数值化形态特征——将定性显微图像转化为可系统分析的多维数据集，并结合人工智能(AI)与机器学习(ML)提升分割精度与分析通量，以客观、灵敏地揭示纳米材料诱导的细胞表型改变及构效关系(structure–activity relationship)。本述评(Account)发表于《Accounts of Materials Research》，系统总结了研究人员课题组在利用显微镜成像和AI驱动细胞形态计量学探究纳米材料–细胞相互作用方面的研究工作、技术进展及未来展望。
主要关键技术方法
研究人员采用无标记光学显微术（明场(bright-field)显微镜与相差(phase-contrast)显微镜）对活细胞与纳米材料相互作用进行时间序列成像；利用扫描探针显微镜（原子力显微镜(AFM)、高速扫描离子电导显微镜(HS-SICM)）获取细胞表面纳米级形貌及力学属性（如杨氏模量/细胞刚度）；借助荧光显微镜（共聚焦(confocal)及超分辨显微术）标记纳米材料及细胞骨架(如鬼笔环肽(phalloidin)染肌动蛋白(actin filaments))、细胞器以追踪纳米材料胞内分布与定位。定量分析中，研究人员使用基于监督随机森林(random forest)与无监督学习的AI计算流程，对明场/相差图像进行像素级分类生成概率图(probability maps)，转化为细胞分割掩膜(image masks)，批量提取面积(area)、周长(perimeter)、轴长(major/minor axis length)、圆度(circularity)、凸度(solidity)、偏心率(eccentricity)等形态特征并进行主成分分析(PCA)与聚类分析；部分工作拓展至三维(3D)光片显微镜(light-sheet microscopy)与3D电子显微镜结合机器学习量化三维球状体和组织内纳米颗粒分布。
研究结果
1. Introduction（引言）
研究人员指出纳米材料–细胞相互作用影响细胞摄取、胞内转运、细胞毒性反应及清除，是纳米医学核心科学问题。传统显微镜虽提供直观视觉信息但受限于定性分析，而细胞形态计量学结合AI可弥补此缺陷，实现高通量、客观的形态特征提取与表型分类，为解析纳米材料属性与细胞响应间关联提供定量框架。
2. Microscopy Imaging of Nanomaterial–Cell Interactions（纳米材料–细胞相互作用的显微镜成像）
- •
2.1. Brightfield and Phase-Contrast Microscopy Imaging（明场与相差显微镜成像）
研究人员利用明场显微镜时间序列成像观察金纳米星(gold nanostars)被不同表型巨噬细胞(macrophages)摄取过程中胞质暗化现象，证实时间依赖性摄取及对癌细胞选择性摄取与铺展影响。相差显微镜通过相移转化为强度差增强透明细胞组分成像对比度，适合活细胞在纳米材料暴露期间的形态动力学观察。两类无标记图像可为后续计算形态学分析提供大批量数据集。
- •
2.2. Scanning Probe Microscopy Imaging（扫描探针显微镜成像）
研究人员利用AFM获得氧化石墨烯(graphene oxide)与红细胞及疟原虫相互作用的表面拓扑图，揭示氧化石墨烯作为物理屏障限制疟原虫入侵红细胞的抗疟机制；通过力–距离曲线测量磷脂纳米载体(phospholipid nanocarriers)作用下细胞核、胞质及细胞–细胞连接处刚度变化，阐明纳米载体调控集体细胞迁移的力学机制。研究人员还采用非接触式高速扫描离子电导显微镜(HS-SICM)实时成像磷脂纳米颗粒与正常/癌细胞作用时微绒毛(microvilli)动态形态变化，证明纳米材料可诱导微绒毛形态重塑。
- •
2.3. Fluorescence Microscopy Imaging（荧光显微镜成像）
研究人员用共聚焦显微镜观察正常与癌上皮细胞在石墨烯薄膜上的铺展面积与活性（钙黄绿素AM(Calcein AM)/碘化乙锭(EthD-1)双染），以及荧光标记磷脂纳米载体在细胞内肌动蛋白纤维中的分布及纳米载体引起的肌动蛋白纤维增粗与致密化。荧光显微图像可提取荧光强度分布、空间定位及共定位系数(colocalization metrics)量化纳米材料摄取与胞内分布，并与形态计量学联合关联纳米材料暴露与细胞功能响应。
3. Quantitative Analysis of Cellular Morphology（细胞形态的定量分析）
- •
3.1. Cellular Morphological Features（细胞形态学特征）
研究人员系统归纳定量形态描述符：①大小相关——面积(area)、周长(perimeter)、长轴长(major axis length)、短轴长(minor axis length)、平均半径(mean radius)、等效直径(equivalent diameter)等，反映细胞铺展、黏附丧失或凋亡收缩；②形状相关——圆度(circularity)、偏心率(eccentricity)、凸度(solidity)、紧致度(compactness)、形状因子(form factor)、延展度(extent)等，捕捉膜变形、丝状伪足(filopodia)、膜褶皱(membrane ruffles)及细胞极化迁移相关的不对称肌动蛋白聚合；③纹理与强度相关——基于灰度共生矩阵(gray-level co-occurrence matrix, GLCM)的对比度(contrast)、相关性(correlation)、均匀性(homogeneity)、熵(entropy)，以及平均强度(mean intensity)、积分强度(integrated intensity)、方差(variance)、偏度(skewness)、峰度(kurtosis)，反映荧光/散射信号胞内空间分布及纳米材料聚集于核周囊泡等异质性。研究人员发现大小特征更利于区分细胞类型，形状特征对外部刺激引发的细胞响应变化更具鉴别力。
- •
3.2. Artificial Intelligence-Powered Cellular Morphometry（人工智能驱动的细胞形态计量学）
针对明场/相差图像低对比度、晕轮(halo artifacts)及不均匀照明导致传统阈值分割困难的问题，研究人员构建端到端AI流程：用标注细胞与背景训练监督随机森林分类器进行像素级分类→生成高分辨率概率图→二值化获得单个细胞分割掩膜→批量提取多维形态特征→特征评分与排序(如信息增益比gain ratio、基尼系数Gini index)→PCA及无监督聚类揭示表型异质性。应用该框架，研究人员在无荧光标记条件下检测到无毒浓度金纳米颗粒处理巨噬细胞后多个大小与形状特征的显著改变(p<0.05)，证明形态学可作为比标准细胞活力检测更灵敏的纳米材料亚致死效应读出。研究人员还指出将形态计量学拓展至3D类器官/球状体需解决体分割及深度方向空间变异解析，已有研究结合3D光片显微镜与SVM或3D电子显微镜深度学习映射单纳米颗粒分布。文中提及深度卷积神经网络(CNN)与Transformer架构可通过迁移学习(transfer learning)、域适应(domain adaptation)克服标注数据稀缺问题，是未来发展方向。
4. Challenges and Future Directions（挑战与未来方向）
研究人员总结当前细胞形态计量学面临五大挑战：①复杂图像中准确、通用化的细胞分割算法仍需完善；②高维形态数据的生物学意义解读需更先进的可解释机器学习框架；③形态学数据应与转录组、蛋白质组、代谢组数据多模态整合以关联分子通路；④需建立标准化的样品制备、成像参数、预处理及特征定义流程以保障跨研究可比性；⑤大数据驱动的纳米材料–细胞相互作用预测模型有待发展。展望未来，系统关联纳米材料理化性质与细胞形态响应有望识别预测性形态标签，指导新一代诊疗纳米材料设计。
结论（翻译研究结论部分）
综上所述，人工智能驱动的细胞形态计量学使研究人员能更客观、全面且具机制信息性地分析纳米材料如何重塑细胞形态、细胞状态及纳米材料–细胞相互作用，推动该领域从定性观察转向定量、可解释和发现导向的评估。随着标注训练数据集的扩充、针对特定域的深度学习模型开发以及面向数据稀缺情境的迁移学习策略整合，AI驱动的形态计量学有望深化对纳米材料–细胞相互作用的理解，加速更高效、更安全的纳米医学的开发。
