准确观察小胶质细胞在三维脑组织中的动态？DeepCellMap给出答案

编辑 | 2049

在人类大脑发育过程中，数万亿神经元与胶质细胞形成复杂网络，而小胶质细胞作为中枢神经系统的免疫哨兵，其空间分布与功能动态直接影响神经回路的形成与重塑。

传统组织学分析方法受限于手动标注的低效性和二维图像的局限性，难以揭示细胞在三维组织中的动态互作规律。尤其在病理条件下，如母体感染 SARS-CoV-2 引发的胎儿脑出血，小胶质细胞如何响应血管损伤仍需深入解析。

针对这一挑战，来自巴黎高等师范学院生物研究所 Institut de Biologique de l’École Normale Supérieure ，IBENS)的研究团队开发了 DeepCellMap——一个融合深度学习与空间统计的开源分析平台。该工具通过自动化细胞分类与多尺度空间关联分析，首次实现了人类发育脑组织中小胶质细胞形态多样性及其空间网络的系统解析。

该研究以「Unraveling microglial spatial organization in the developing human brain with DeepCellMap, a deep learning approach coupled with spatial statistics」为题，发表于 2025 年 2 月 13 日的《Nature Communications》。

论文链接：https://www.nature.com/articles/s41467-025-56560-z

代码地址：https://github.com/holcman-lab/DeepCellMap

研究背景

小胶质细胞起源于卵黄囊前体细胞，在胚胎发育第 4 周迁入人脑，通过增殖、迁移和凋亡动态塑造神经发育微环境。

其形态从阿米巴状（amoeboid）到高度分枝的稳态型（ramified），直接反映功能状态的转变：吞噬凋亡细胞、修剪冗余突触或响应病理信号。

尽管啮齿类模型已揭示小胶质细胞的发育规律，但人类脑组织的复杂性与伦理限制导致相关研究长期滞后。

现有技术瓶颈集中在三方面：其一，传统形态分类依赖人工标注，难以处理全脑切片的海量数据；其二，荧光与明场成像的细胞分割算法在人类组织中的应用尚不成熟；其三，空间统计方法多局限于肿瘤等局部病变分析，缺乏针对发育动态的定量框架。

核心理念与算法架构

DeepCellMap 将 U-Net 驱动的细胞分类与广义空间统计方法有机结合。

其流程分为三阶段：

首先，通过自适应阈值分割与形态学操作提取细胞轮廓；

其次，基于 5.5 万张标注图像训练深度网络，将小胶质细胞分为增殖型（proliferative）、吞噬型（phagocytic）、聚集型（aggregated）、阿米巴型（amoeboid）与分枝型（ramified）五类，分类 F1 分数达 81%；

最后，通过改进的 Ripley's K 函数与 DBSCAN 聚类算法，量化细胞-细胞及细胞-脑区边界的空间关联。

图示：DeepCellMap 原理。（来源：论文）

为克服分类误差对统计结果的干扰，研究团队提出概率加权校正模型。通过构建混淆矩阵，系统评估形态分类的不确定性，并在空间关联分析中引入概率权重。

合成数据验证显示，未校正时关联距离误差可达 400 像素，而校正后误差降至 5% 以内。

这种统计鲁棒性使其能够精准识别如增殖型与吞噬型细胞的紧密耦合（平均距离 68 μm），以及聚集型细胞对脑区边界的特异性趋近（202 μm）。

发育脑中的空间动态图谱

应用 DeepCellMap 分析 17-20 孕周人脑组织发现，不同脑区的小胶质细胞呈现显著异质性。

在神经节隆起中，阿米巴型细胞占比从 17 孕周的 32% 升至 20 孕周的 51%，提示其作为迁移前体的功能；而纹状体与皮层则以分枝型细胞为主（>65%），符合区域成熟度差异。

空间关联分析进一步揭示，吞噬型、增殖型与聚集型形成紧密的功能单元，其互作频率是其他类型的 2-3 倍，提示其可能在凋亡清除与组织重塑中发挥协同作用。

图示：追踪不同脑区的小胶质细胞定植情况。（来源：论文）

DBSCAN 聚类分析显示，吞噬型与分枝型细胞更倾向形成稳定集群（65% 细胞聚集成簇），而阿米巴型仅 46% 形成松散集群。

随着发育推进，不同形态细胞的领地重叠度逐渐降低，至 20 孕周时分枝型集群内其他类型细胞占比不足 10%。

这种空间分离可能由增殖依赖性空间占据机制驱动，与小鼠研究中观察到的微胶质细胞通过增殖实现空间分布的规律形成跨物种呼应。

图示：神经节突起中的细胞群重叠。（来源：论文）

病理条件下的功能重塑

在母体感染 SARS-CoV-2 的胎儿脑样本中，DeepCellMap 揭示了小胶质细胞与血管的异常互作。与对照组相比，感染组中 50% 的小胶质细胞呈现 CD68+ 溶酶体活性标记（IBA1+CD68+），且其与血管的最近邻距离缩短 23%。

空间聚类分析显示，溶酶体活化的小胶质细胞在出血区域形成紧密聚集，而血管完整性标记 claudin-5 的丢失提示其可能参与血脑屏障修复或损伤加剧的双向调控。这一发现为理解病毒垂直传播的神经病理机制提供了新视角。

图示：DeepCellMap 应用于 SARS-CoV-2 (COVID19) 胎儿人脑共聚焦数据。（来源：论文）

未来展望

DeepCellMap 建立了首个针对人类发育脑的多尺度空间分析框架，其开源特性将推动神经发育与疾病研究的范式转变。

当前局限主要集中于三维重建能力不足，未来整合光片显微与空间转录组技术有望突破此瓶颈，揭示小胶质细胞的迁移轨迹与分子调控网络。

研究团队特别指出，算法在低密度脑区的分类精度仍需提升，且需扩展至更多病理模型验证其普适性。

随着空间组学技术的爆发式发展，DeepCellMap 或将成为解析脑细胞互作网络的关键工具，为神经免疫研究开辟新的探索维度。