利用DeepCellMap和深度学习技术，揭示小胶质细胞在三维脑组织中对神经发育及SARS-CoV-2影响的动态变化

小胶质细胞在人类大脑发育中的作用及DeepCellMap的创新应用

在人类大脑发育过程中，数万亿神经元与胶质细胞共同构成了复杂的网络。小胶质细胞作为中枢神经系统的关键免疫哨兵，其空间分布和功能动态对神经回路的形成与重塑起着至关重要的作用。传统组织学分析方法由于手动标注效率低和二维图像局限性，难以全面揭示细胞在三维组织中的动态互作规律。特别是在病理条件下，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研究。

为应对这一挑战，巴黎高等师范学院生物研究所（Institut de Biologie de l’École Normale Supérieure, IBENS）的研究团队开发了DeepCellMap——一个结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，首次实现了对人类发育脑中小胶质细胞形态多样性和空间网络的系统解析。相关研究成果发表于2025年2月13日的《Nature Communications》上，论文链接：[https：//www.nature.com/articles/s41467-025-56560-z](https：//www.nature.com/articles/s41467-025-56560-z)，代码地址：[https：//github.com/holcman-lab/DeepCellMap](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，并通过增殖、迁移和凋亡动态塑造神经发育微环境。其形态从阿米巴状到高度分枝的稳态型，直接反映了功能状态的变化，包括吞噬凋亡细胞、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和伦理限制使得相关研究进展缓慢。现有技术瓶颈主要集中在三方面：

1. 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；
2. 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；
3. 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，分为三个阶段：

1. 自适应阈值分割与形态学操作：提取细胞轮廓。
2. 深度网络训练：基于5.5万张标注图像训练，将小胶质细胞分为五类（增殖型、吞噬型、聚集型、阿米巴型、分枝型），分类F1分数达81%。
3. 改进的空间关联分析：通过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。

为克服分类误差对统计结果的干扰，研究团队提出了概率加权校正模型，通过构建混淆矩阵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。

发育脑中的空间动态图谱

应用DeepCellMap分析17-20孕周的人脑组织，发现不同脑区的小胶质细胞呈现显著异质性。例如，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，互作频率是其他类型的2-3倍，可能在凋亡清除与组织重塑中发挥协同作用。

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。

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。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。

本文来源：