Name: 使用 Cell-ACDC 分析多维显微镜数据 (视频) | JoVE Journal
Uploaded: 2025-11-07T13:40:00.000+00:00
Duration: 6 min 17 s
Description: 学习使用Cell-ACDC软件分析多维显微镜数据，该开源工具整合AI模型实现细胞分裂周期的自动分割、追踪和定量分析，支持酵母和小鼠胚胎干细胞等生物系统，显著提升生物图像分析效率与准确性。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

感谢Mario Vitacolonna和Rudolf Rüdiger分享图10中的类球体数据，感谢功能表观遗传学研究所的同事Pascal Falter-Braun和Carsten Marr提供的宝贵讨论。特别感谢多位用户提供的宝贵反馈、对新功能的测试以及耐心报告的问题。本工作由德国研究基金会（Deutsche Forschungsgemeinschaft，DFG）项目416098229、亥姆霍兹协会以及慕尼黑数据科学联合研究学院资助。

<ol><li>Cuny, A. P., Schlottmann, F. P., Ewald, J. C., Pelet, S., Schmoller, K. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Live+cell+microscopy%3A+from+image+to+insight%5BTitle%5D)+AND+%22Biophys+Rev%22%5BJournal%5D)">Live cell microscopy: from image to insight.</a> Biophys Rev. 3, 021302(2022).</li>
<li>Hugelier, S., Colosi, P. L., Lakadamyali, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+single-molecule+localization+microscopy%5BTitle%5D)+AND+%22Annu+Rev+Biophys%22%5BJournal%5D)">Quantitative single-molecule localization microscopy.</a> Annu Rev Biophys. 52, 139-160 (2023).</li>
<li>Tavakoli, M. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Light-microscopy-based+connectomic+reconstruction+of+mammalian+brain+tissue%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Light-microscopy-based connectomic reconstruction of mammalian brain tissue.</a> Nature. 642, 398-410 (2025).</li>
<li>Seal, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cell+painting%3A+a+decade+of+discovery+and+innovation+in+cellular+imaging%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Cell painting: a decade of discovery and innovation in cellular imaging.</a> Nat Methods. 22, 254-268 (2025).</li>
<li>Robertson, M. J., Meyerowitz, J. G., Skiniotis, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Drug+discovery+in+the+era+of+cryo-electron+microscopy%5BTitle%5D)+AND+%22Trends+Biochem+Sci%22%5BJournal%5D)">Drug discovery in the era of cryo-electron microscopy.</a> Trends Biochem Sci. 47, 124-135 (2022).</li>
<li>Al-Refaie, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fasting+shapes+chromatin+architecture+through+an+mTOR%2FRNA+Pol+I+axis%5BTitle%5D)+AND+%22Nat+Cell+Biol%22%5BJournal%5D)">Fasting shapes chromatin architecture through an mTOR/RNA Pol I axis.</a> Nat Cell Biol. 26, 1903-1917 (2024).</li>
<li>Ueda, H. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tissue+clearing+and+its+applications+in+neuroscience%5BTitle%5D)+AND+%22Nat+Rev+Neurosci%22%5BJournal%5D)">Tissue clearing and its applications in neuroscience.</a> Nat Rev Neurosci. 21, 61-79 (2020).</li>
<li>Ko, J., Hyung, S., Cheong, S., Chung, Y., Li Jeon, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Revealing+the+clinical+potential+of+high-resolution+organoids%5BTitle%5D)+AND+%22Adv+Drug+Deliv+Rev%22%5BJournal%5D)">Revealing the clinical potential of high-resolution organoids.</a> Adv Drug Deliv Rev. 207, 115202(2024).</li>
<li>Vitacolonna, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+multiparametric+analysis+including+single-cell+and+subcellular+feature+assessment+reveals+differential+behavior+of+spheroid+cultures+on+distinct+ultra-low+attachment+plate+types%5BTitle%5D)+AND+%22Front+Bioeng+Biotechnol%22%5BJournal%5D)">A multiparametric analysis including single-cell and subcellular feature assessment reveals differential behavior of spheroid cultures on distinct ultra-low attachment plate types.</a> Front Bioeng Biotechnol. 12, 1422235(2024).</li>
<li>Qian, N., Weinstein, J. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Spatial+transcriptomic+imaging+of+an+intact+organism+using+volumetric+DNA+microscopy%5BTitle%5D)+AND+%22Nat+Biotechnol%22%5BJournal%5D)">Spatial transcriptomic imaging of an intact organism using volumetric DNA microscopy.</a> Nat Biotechnol. , (2025).</li>
<li>Wallace, C. T., St. Croix, C. M., Watkins, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Data+management+and+archiving+in+a+large+microscopy-and-imaging%2C+multi-user+facility%3A+microscopy+and+data+management%5BTitle%5D)+AND+%22Mol+Reprod+Dev%22%5BJournal%5D)">Data management and archiving in a large microscopy-and-imaging, multi-user facility: microscopy and data management.</a> Mol Reprod Dev. 82, 630-634 (2015).</li>
<li>Schindelin, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Fiji%3A+an+open-source+platform+for+biological-image+analysis%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Fiji: an open-source platform for biological-image analysis.</a> Nat Methods. 9, 676-682 (2012).</li>
<li>Bankhead, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((QuPath%3A+open+source+software+for+digital+pathology+image+analysis%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">QuPath: open source software for digital pathology image analysis.</a> Sci Rep. 7, 16878(2017).</li>
<li>Sofroniew, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((napari%3A+a+multi-dimensional+image+viewer+for+Python%5BTitle%5D)+AND+%22Zenodo%22%5BJournal%5D)">napari: a multi-dimensional image viewer for Python.</a> Zenodo. , (2025).</li>
<li>Padovani, F., Mairhörmann, B., Falter-Braun, P., Lengefeld, J., Schmoller, K. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Segmentation%2C+tracking+and+cell+cycle+analysis+of+live-cell+imaging+data+with+Cell-ACDC%5BTitle%5D)+AND+%22BMC+Biol%22%5BJournal%5D)">Segmentation, tracking and cell cycle analysis of live-cell imaging data with Cell-ACDC.</a> BMC Biol. 20, 174(2022).</li>
<li>Piñeiro López, C., Rodrigues Neves, A. R., Čavka, I., Gros, O. J., Köhler, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Segmentation+of+C.+elegans+germline+nuclei%5BTitle%5D)+AND+%22microPubl+Biol%22%5BJournal%5D)">Segmentation of C. elegans germline nuclei.</a> microPubl Biol. , (2023).</li>
<li>Ohira, M., Rhind, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((pomBseen%3A+an+automated+pipeline+for+analysis+of+fission+yeast+images%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">pomBseen: an automated pipeline for analysis of fission yeast images.</a> PLoS One. 18, e0291391(2023).</li>
<li>Goldsborough, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((InstanSeg%3A+an+embedding-based+instance+segmentation+algorithm+optimized+for+accurate%2C+efficient+and+portable+cell+segmentation%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">InstanSeg: an embedding-based instance segmentation algorithm optimized for accurate, efficient and portable cell segmentation.</a> arXiv. , (2024).</li>
<li>Pietsch, J. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Determining+growth+rates+from+bright-field+images+of+budding+cells+through+identifying+overlaps%5BTitle%5D)+AND+%22Elife%22%5BJournal%5D)">Determining growth rates from bright-field images of budding cells through identifying overlaps.</a> Elife. 12, e79812(2023).</li>
<li>Bunk, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((YeastMate%3A+neural+network-assisted+segmentation+of+mating+and+budding+events+in+Saccharomyces+cerevisiae%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">YeastMate: neural network-assisted segmentation of mating and budding events in Saccharomyces cerevisiae.</a> Bioinformatics. 38, 2667-2669 (2022).</li>
<li>Cutler, K. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Omnipose%3A+a+high-precision+morphology-independent+solution+for+bacterial+cell+segmentation%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Omnipose: a high-precision morphology-independent solution for bacterial cell segmentation.</a> Nat Methods. 19, 1438-1448 (2022).</li>
<li>Zargari, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepSea+is+an+efficient+deep-learning+model+for+single-cell+segmentation+and+tracking+in+time-lapse+microscopy%5BTitle%5D)+AND+%22Cell+Rep+Methods%22%5BJournal%5D)">DeepSea is an efficient deep-learning model for single-cell segmentation and tracking in time-lapse microscopy.</a> Cell Rep Methods. 3, 100500(2023).</li>
<li>Lugagne, J. B., Lin, H., Dunlop, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeLTA%3A+automated+cell+segmentation%2C+tracking%2C+and+lineage+reconstruction+using+deep+learning%5BTitle%5D)+AND+%22PLoS+Comput+Biol%22%5BJournal%5D)">DeLTA: automated cell segmentation, tracking, and lineage reconstruction using deep learning.</a> PLoS Comput Biol. 16, e1007673(2020).</li>
<li>Kirillov, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Segment+anything%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">Segment anything.</a> arXiv. , (2023).</li>
<li>Weigert, M., Schmidt, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Nuclei+instance+segmentation+and+classification+in+histopathology+images+with+StarDist%5BTitle%5D)+AND+%22IEEE+Int+Symp+Biomed+Imaging+Challenges+%28ISBIC%29%22%5BJournal%5D)">Nuclei instance segmentation and classification in histopathology images with StarDist.</a> IEEE Int Symp Biomed Imaging Challenges (ISBIC). , (2022).</li>
<li>Dietler, N., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+convolutional+neural+network+segments+yeast+microscopy+images+with+high+accuracy%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">A convolutional neural network segments yeast microscopy images with high accuracy.</a> Nat Commun. 11, 5723(2020).</li>
<li>Stringer, C., Pachitariu, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cellpose3%3A+one-click+image+restoration+for+improved+cellular+segmentation%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Cellpose3: one-click image restoration for improved cellular segmentation.</a> Nat Methods. 22, 592-599 (2025).</li>
<li>Pachitariu, M., Stringer, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cellpose+2.0%3A+how+to+train+your+own+model%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Cellpose 2.0: how to train your own model.</a> Nat Methods. 19, 1634-1641 (2022).</li>
<li>Gallusser, B., Weigert, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Trackastra%3A+transformer-based+cell+tracking+for+live-cell+microscopy%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">Trackastra: transformer-based cell tracking for live-cell microscopy.</a> arXiv. , (2024).</li>
<li>Allan, D. B., Caswell, T., Keim, N. C., van der Wel, C. M., Verweij, R. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((soft-matter%2Ftrackpy%3A+v0.6.4%5BTitle%5D)+AND+%22Zenodo%22%5BJournal%5D)">soft-matter/trackpy: v0.6.4.</a> Zenodo. , (2024).</li>
<li>Ulicna, K., Vallardi, G., Charras, G., Lowe, A. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+deep+lineage+tree+analysis+using+a+Bayesian+single+cell+tracking+approach%5BTitle%5D)+AND+%22Front+Comput+Sci%22%5BJournal%5D)">Automated deep lineage tree analysis using a Bayesian single cell tracking approach.</a> Front Comput Sci. 3, 734559(2021).</li>
<li>Doersch, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TAPIR%3A+tracking+any+point+with+per-frame+initialization+and+temporal+refinement%5BTitle%5D)+AND+%22arXiv%22%5BJournal%5D)">TAPIR: tracking any point with per-frame initialization and temporal refinement.</a> arXiv. , (2023).</li>
<li>Zargari, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepSea+is+an+efficient+deep-learning+model+for+single-cell+segmentation+and+tracking+in+time-lapse+microscopy%5BTitle%5D)+AND+%22Cell+Rep+Methods%22%5BJournal%5D)">DeepSea is an efficient deep-learning model for single-cell segmentation and tracking in time-lapse microscopy.</a> Cell Rep Methods. 3, 100500(2023).</li>
<li>O'Connor, O. M., Alnahhas, R. N., Lugagne, J. B., Dunlop, M. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeLTA+2.0%3A+a+deep+learning+pipeline+for+quantifying+single-cell+spatial+and+temporal+dynamics%5BTitle%5D)+AND+%22PLoS+Comput+Biol%22%5BJournal%5D)">DeLTA 2.0: a deep learning pipeline for quantifying single-cell spatial and temporal dynamics.</a> PLoS Comput Biol. 18, e1009797(2022).</li>
<li>Chatzitheodoridou, D., Bureik, D., Padovani, F., Nadimpalli, K. V., Schmoller, K. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Decoupled+transcript+and+protein+concentrations+ensure+histone+homeostasis+in+different+nutrients%5BTitle%5D)+AND+%22EMBO+J%22%5BJournal%5D)">Decoupled transcript and protein concentrations ensure histone homeostasis in different nutrients.</a> EMBO J. 43, 5141-5168 (2024).</li>
<li>Schmoller, K. M., Turner, J. J., Kõivomägi, M., Skotheim, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dilution+of+the+cell+cycle+inhibitor+Whi5+controls+budding-yeast+cell+size%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Dilution of the cell cycle inhibitor Whi5 controls budding-yeast cell size.</a> Nature. 526, 268-272 (2015).</li>
<li>Moore, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((OME-Zarr%3A+a+cloud-optimized+bioimaging+file+format+with+international+community+support%5BTitle%5D)+AND+%22Histochem+Cell+Biol%22%5BJournal%5D)">OME-Zarr: a cloud-optimized bioimaging file format with international community support.</a> Histochem Cell Biol. 160, 223-251 (2023).</li>
<li>Seshadri, A., Badrinarayanan, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exonuclease+action+of+replicative+polymerase+gamma+drives+damage-induced+mitochondrial+DNA+clearance%5BTitle%5D)+AND+%22EMBO+Rep%22%5BJournal%5D)">Exonuclease action of replicative polymerase gamma drives damage-induced mitochondrial DNA clearance.</a> EMBO Rep. 26, 1385-1405 (2025).</li>
<li>Dengler, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((When+mitochondria+fall+apart%3A+unbalanced+mitochondrial+segregation+triggers+loss+of+mtDNA+in+the+absence+of+mitochondrial+fusion%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">When mitochondria fall apart: unbalanced mitochondrial segregation triggers loss of mtDNA in the absence of mitochondrial fusion.</a> bioRxiv. , (2025).</li>
<li>Xiao, J., Turner, J. J., Kõivomägi, M., Skotheim, J. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Whi5+hypo-+and+hyper-phosphorylation+dynamics+control+cell-cycle+entry+and+progression%5BTitle%5D)+AND+%22Curr+Biol%22%5BJournal%5D)">Whi5 hypo- and hyper-phosphorylation dynamics control cell-cycle entry and progression.</a> Curr Biol. 34, 2434-2447.e5 (2024).</li>
<li>Roussou, R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Real-time+assessment+of+mitochondrial+DNA+heteroplasmy+dynamics+at+the+single-cell+level%5BTitle%5D)+AND+%22EMBO+J%22%5BJournal%5D)">Real-time assessment of mitochondrial DNA heteroplasmy dynamics at the single-cell level.</a> EMBO J. 43, 5340-5359 (2024).</li>
<li>Padovani, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((SpotMAX%3A+a+generalist+framework+for+multi-dimensional+automatic+spot+detection+and+quantification%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">SpotMAX: a generalist framework for multi-dimensional automatic spot detection and quantification.</a> bioRxiv. , (2024).</li>
<li>Lanz, M. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genome+dilution+by+cell+growth+drives+starvation-like+proteome+remodeling+in+mammalian+and+yeast+cells%5BTitle%5D)+AND+%22Nat+Struct+Mol+Biol%22%5BJournal%5D)">Genome dilution by cell growth drives starvation-like proteome remodeling in mammalian and yeast cells.</a> Nat Struct Mol Biol. 31, 1859-1871 (2024).</li>
<li>Kukhtevich, I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+origin+of+septin+ring+size+control+in+budding+yeast%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">The origin of septin ring size control in budding yeast.</a> bioRxiv. , (2024).</li>
<li>Chadha, Y., Kukhtevich, I. V., Padovani, F., Schneider, R., Schmoller, K. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-cell+imaging+reveals+a+key+role+of+Bck2+in+budding+yeast+cell+size+adaptation+to+nutrient+challenges%5BTitle%5D)+AND+%22bioRxiv%22%5BJournal%5D)">Single-cell imaging reveals a key role of Bck2 in budding yeast cell size adaptation to nutrient challenges.</a> bioRxiv. , (2024).</li>
<li>Seel, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Regulation+with+cell+size+ensures+mitochondrial+DNA+homeostasis+during+cell+growth%5BTitle%5D)+AND+%22Nat+Struct+Mol+Biol%22%5BJournal%5D)">Regulation with cell size ensures mitochondrial DNA homeostasis during cell growth.</a> Nat Struct Mol Biol. 30, 1549-1560 (2023).</li>
<li>Schuh, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Altered+expression+response+upon+repeated+gene+repression+in+single+yeast+cells%5BTitle%5D)+AND+%22PLoS+Comput+Biol%22%5BJournal%5D)">Altered expression response upon repeated gene repression in single yeast cells.</a> PLoS Comput Biol. 18, e1010640(2022).</li>
<li>Kukhtevich, I. V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Quantitative+RNA+imaging+in+single+live+cells+reveals+age-dependent+asymmetric+inheritance%5BTitle%5D)+AND+%22Cell+Rep%22%5BJournal%5D)">Quantitative RNA imaging in single live cells reveals age-dependent asymmetric inheritance.</a> Cell Rep. 41 (7), 111656(2022).</li>
<li>Freitag, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Single-molecule+experiments+reveal+the+elbow+as+an+essential+folding+guide+in+SMC+coiled-coil+arms%5BTitle%5D)+AND+%22Biophys+J%22%5BJournal%5D)">Single-molecule experiments reveal the elbow as an essential folding guide in SMC coiled-coil arms.</a> Biophys J. 121, 4702-4713 (2022).</li>
<li>Sugawara, K., Çevrim, Ç, Averof, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tracking+cell+lineages+in+3D+by+incremental+deep+learning%5BTitle%5D)+AND+%22Elife%22%5BJournal%5D)">Tracking cell lineages in 3D by incremental deep learning.</a> Elife. 11, e69380(2022).</li>
<li>Ershov, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((TrackMate+7%3A+integrating+state-of-the-art+segmentation+algorithms+into+tracking+pipelines%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">TrackMate 7: integrating state-of-the-art segmentation algorithms into tracking pipelines.</a> Nat Methods. 19, 829-832 (2022).</li>
</ol>

作者声明不存在利益冲突。

多维显微镜数据的分析通常需要使用前沿的由人工智能驱动的模型。然而，这些工具开发迅速，且在采用时存在较高的入门门槛。此外，生物学家通常需要对结果进行可视化，以实现有效的错误校正。本文展示了科学家如何利用 Cell-ACDC 来应对这些挑战。
本方案中的关键步骤是选择最优的分割模型。Cell-ACDC 包含一个图形用户界面，支持可视化选择（图1A，“&#34;可视化与校正&#34;模块）。同时提供了用于数据准备和多数据集批量处理的工具（图1A，创建数据结构、数据预处理、分割与追踪模块，以及实用工具）。鼓励用户在 image.sc 论坛（使用标签 #cell-acdc）或通过 Cell-ACDC GitHub 页面提交问题报告并提供反馈。
尽管Cell-ACDC已应用于相对较大的数据集，例如包含数千个细胞核的类球体图像9，或每帧包含数百个细胞的芽殖酵母延时成像数据，但该程序必须将整个单通道数据加载到内存中才能正常运行。建议可用内存至少为图像文件大小的三倍，以确保运行稳定。目前，超出系统可用内存的数据集无法处理，但未来计划通过整合OME-Zarr37实现对非核心（惰性）加载的支持。
目前，Cell-ACDC 的主要局限之一是对 3D+时间序列数据集的支持尚不完整，因为大多数工具仅针对 3D z-stack 或 2D+时间序列数据开发。因此，未来版本的 Cell-ACDC 将扩展其功能，以全面支持 3D+时间序列数据。此外，我们正在努力扩展细胞谱系注释框架，以适用于&#34;对称分裂&#34;的细胞（例如哺乳动物细胞），即母细胞分裂为两个子细胞的情况（与芽殖酵母相反，芽殖酵母的母细胞每个细胞周期仅通过出芽产生一个子细胞）。最后，目前 Cell-ACDC 仅限于单通道数据能够完全载入内存的数据。因此，我们计划如上所述实现惰性加载功能。
自发布以来，Cell-ACDC 持续得到改进，例如增加了新的分割与追踪模型、新的标注框架（如适用于哺乳动物细胞的框架，目前正在内测阶段），以及多项性能优化。得益于这些进展，科研人员可利用 Cell-ACDC 加速研究进程并推动科学发现6,9,16,35,38,39,40,41,42,43,44,45,46,47,48,49。与现有方法相比14,27,50,51，该软件框架的独特之处在于其能够利用并补充现有模型，从而受益于学术界的整体发展。Cell-ACDC 的持续开发正被积极维护，旨在将其确立为分析多维显微镜数据的参考框架。

显微成像技术已成为推动生命科学研究与开发各个阶段生物发现的基础工具，从基础科学研究1,2,3到药物研发与测试4,5，其应用范围广泛，涵盖从细胞培养到组织6,7、类器官8,9乃至完整生物体10等多种尺度。然而，这些先进的显微成像技术存在两个主要缺陷。首先，显微成像数据本身体量庞大11，尤其是在获取多维数据（例如时间序列和三维体积）时尤为显著。其次，准确提取数据中蕴含的丰富生物学信息，需要依赖先进的图像分析框架，而这些框架通常基于人工智能模型。这一任务对实验生物学家而言可能极具挑战性。因此，数据处理、分析等环节往往会显著拖慢科研进程，并限制新发现的潜力。理想情况下，生物图像分析软件框架应能在分析的每个步骤中为用户提供支持，从原始显微图像文件的读取，到分割与追踪，再到下游生物学信息的提取分析。然而在实际中，尽管生物图像分析新软件的快速发展是积极现象，但也带来了一个副作用：形成了大量仅针对特定分析步骤的工具，且许多工具要求用户具备高级编程技能。这使得用户不得不面对构建完整分析流程的难题，常常导致次优的分析流程——数据在不同工具间需多次保存、处理和格式转换以实现兼容。此外，生物图像分析领域并未统一采用单一编程语言，许多工具以 ImageJ12 或 QuPath13 插件（Java）的形式开发，或作为 Napari 插件（Python）14，或直接为 Python 脚本。在某些情况下，这种复杂的环境促使科研人员选择手动分析，而这种方式不仅效率低下，还引入人为偏差，阻碍研究的可重复性。
为解决这一问题，开发了 Cell-ACDC（Cell-Analysis of the Cell Division Cycle）15，这是一套基于 Python 编写的开源图形用户界面（GUI）软件工具集，用于分析多维显微镜数据。关键的是，Cell-ACDC 提供了大量预实现且按需自动安装的前沿模型，涵盖分割（如 Cellpose、StarDist、Segment Anything、YeaZ、YeastMate 等16,17,18,19,20,21,22,23,24,25,26,27,28）和追踪（如 Trackastra、Trackpy、Bayesian Tracker、Cell-ACDC 等19,29,30,31,32,33,34）任务。这些模型还配备了一套用于可视化标注数据及计算机辅助手动校正的框架。此外，在同一框架内，Cell-ACDC 为图像分析流程的每个步骤提供了独立模块，可自动完成数据处理、分析与保存（图 1）。更具体而言，该工具使用户能够执行实例分割（例如单个细胞）、目标追踪、细胞状态标注（例如细胞周期阶段），以及多种定量分析，包括对可用荧光通道的分析。
Cell-ACDC 的主要优势之一在于对活细胞延时显微成像数据的分析，此类分析由于需要在不同时间点之间保持一致性而面临显著挑战。尽管目前已存在多种用于单细胞自动分割与追踪的模型，但在解决复杂的生物学问题时，人工校正仍然至关重要。Cell-ACDC 提供了一套专门设计的工具，旨在简化校正流程。它集成了智能算法，以最大限度减少所需的人工干预。值得注意的是，校正结果会自动传播至所有相关联的前后帧，从而在整个分析过程中保持数据的完整性。鉴于其模块化设计和不断增长的用户群体，该软件的持续开发已成为优先事项，未来工作将持续聚焦于整合新模型并满足科研社区不断变化的需求。

<table><tbody><tr><td>婴儿</td><td>Julian Pietsch</td><td>10.7554/eLife.79812</td><td>分割与追踪软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>贝叶斯追踪器</td><td>Kristina Ulicna</td><td>10.3389/fcomp.2021.734559</td><td>追踪软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>Cell-ACDC</td><td>Francesco Padovani</td><td>10.1186/s12915-022-01372-6</td><td>软件</td></tr><tr><td>Cellpose 生殖系细胞核模型</td><td>Cristina Pi&amp;ntilde;eiro L&amp;oacute;pez / Ana Rita Rodrigues Neves / Ivana &lt;img alt=&quot;方程 1&quot; src=&quot;/files/ftp_upload/68954/68954eq1.jpg&quot; style=&quot;margin: auto;&quot;/&gt;avka</td><td>10.17912/MICROPUB.BIOLOGY.001062</td><td>分割软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>Cellpose 版本 2</td><td>Carsen Stringer</td><td>10.1038/s41592-020-01018-x</td><td>分割软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>Cellpose 版本 3</td><td>Carsen Stringer</td><td>10.1038/s41592-025-02595-5</td><td>分割软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>Cellpose 版本 4（Cellpose-SAM）</td><td>Marius&amp;nbsp;Pachitariu</td><td>10.1101/2025.04.28.651001</td><td>分割软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>计算机</td><td>-</td><td>-</td><td>参见下方推荐配置</td></tr><tr><td>计算机 - CPU</td><td>任意</td><td>-</td><td>推荐最低配置：4 核，2.5 GHz&amp;nbsp;</td></tr><tr><td>计算机 - GPU</td><td>Nvidia（优先）&amp;nbsp;</td><td>-</td><td>（可选）推荐最低配置：8 GB 显存</td></tr><tr><td>计算机 - 硬盘空间</td><td>任意</td><td>-</td><td>4 GB + 显微图像文件大小的 3 倍</td></tr><tr><td>计算机 - 操作系统</td><td>Microsoft、Apple、其他</td><td>-</td><td>支持 Windows、macOS 和 Linux</td></tr><tr><td>计算机 - 内存（RAM）</td><td>任意</td><td>-</td><td>单个位置文件大小的 3 倍，最低 16 GB</td></tr><tr><td>DeepSea</td><td>Abolfazl&amp;nbsp;Zargari</td><td>10.1016/j.crmeth.2023.100500</td><td>分割与追踪软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>DeLTA&amp;nbsp;</td><td>Jean-Baptiste Lugagne / Owen M. O&amp;rsquo;Connor</td><td>10.1101/720615 / 10.1371/journal.pcbi.1009797</td><td>分割与追踪软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>InstanSeg</td><td>Thibaut Goldsborough</td><td>10.48550/arXiv.2408.15954</td><td>分割软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>Miniforge</td><td>conda-forge</td><td>-</td><td>从 Miniforge 官网下载安装程序的链接：https://conda-forge.org/download/</td></tr><tr><td>Omnipose</td><td>Kevin Cutler</td><td>10.1038/s41592-022-01639-4</td><td>分割软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>pomBseen</td><td>Makoto Ohira</td><td>10.1371/journal.pone.0291391</td><td>分割软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>SAM（任意分割模型）</td><td>Alexander Kirillov</td><td>10.48550/arXiv.2304.02643</td><td>分割软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>StarDist</td><td>Uwe Schmidt / Martin Weigert</td><td>10.1007/978-3-030-00934-2_30 / 10.1109/WACV45572.2020.9093435 / 10.1109/ISBIC56247.2022.9854534</td><td>分割软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>TAPIR</td><td>Carl Doersch</td><td>10.48550/arXiv.2306.08637</td><td>追踪软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>Trackastra</td><td>Benjamin Gallusser</td><td>https://doi.org/10.48550/arXiv.2405.1570</td><td>追踪软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>Trackpy</td><td>Daniel Allan</td><td>10.5281/zenodo.1213240</td><td>追踪软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>YeastMate</td><td>David Bunk</td><td>10.1093/bioinformatics/btac107</td><td>分割软件，可选，可通过 Cell-ACDC 自动安装</td></tr><tr><td>YeaZ</td><td>Nicola Dietler</td><td>10.1038/s41467-020-19557-4</td><td>分割与追踪软件，可选，可通过 Cell-ACDC 自动安装</td></tr></tbody></table>

使用 cell-acdc 分析多维显微镜数据

Analysis of Multidimensional Microscopy Data Using Cell-ACDC

生命科学领域定量显微镜技术的最新进展，使实验生物学家能够以前所未有的分辨率和速度对细胞进行探测。与此同时，人工智能的革命显著提升了从多维显微镜数据中可提取的信息量。然而，生成的数据量巨大，且最先进的AI模型结构复杂，这在图像分析阶段造成了严重瓶颈。Cell-ACDC 是一款开源、用户友好的软件，为多维显微镜数据中单细胞的分割、追踪和定量分析提供了强大的端到端解决方案。该软件专为可能缺乏实施此类模型所需高级技术专长的实验生物学家设计。本文展示了如何利用该框架，轻松应用最新的模型，并结合多种智能及半自动化数据校正工具，以最大化可获取的生物学信息。Cell-ACDC 支持多通道、延时和 z 轴层析显微镜数据，并为每种数据维度类型提供专门的工具集。由于其模块化设计，新模型可无缝集成并由生物学家直接调用，因此 Cell-ACDC 有望成为显微镜数据分析的参考工具。

三维肿瘤球体中细胞核体积的定量分析
自动化的三维显微成像（z轴堆栈）使科学家能够可视化复杂的多细胞系统，例如类器官。为了在单细胞水平上量化形态学和荧光信号特性，通常需要进行三维细胞分割。以下示例展示了 Cell-ACDC 如何利用细胞核染色通道对包含数千个细胞的类器官中的细胞核进行分割，并量化其体积（数据来自参考文献9）。分割使用了一个定制的 Cellpose 模型完成，该模型已在参考文献9中训练并发布。通过在图形用户界面（GUI）中选择 Cellpose v2 的模型参数时提供权重文件路径，即可在 Cell-ACDC 中直接使用该训练好的 Cellpose 模型。分割过程使用 Cell-ACDC 的第二个模块批量处理所有图像（图1A，“分割与追踪”模块）。随后，在第三个模块的图形界面中对结果进行可视化（图1A，“可视化与修正”模块）。该模块经过优化，可对数千个独立对象进行可视化，并支持多种标注选项（例如轮廓线、叠加的分割掩膜或文本ID）。在基于三维掩膜计算出测量数据后，所有可用的测量参数会直接在图形界面中记录。用户可通过顶部菜单栏（图6，“菜单栏”），选择 测量值 菜单，然后点击 设置测量值… 进行访问。弹出的对话框允许用户通过信息按钮获取特定测量值的说明，并选择需要保存的测量项目。在 图10 所示的代表性结果中，使用了“cell_vol_fl_3D”这一参数，该参数表示每个对象的体积，其计算方式为：将对象内的总体素数乘以像素面积（像素大小的平方）再乘以体素深度。这些参数信息可从显微镜原始文件中自动提取，或由用户手动输入。通过该图形界面计算测量值需要加载原始图像。因此，为简化流程并实现批量处理，也可通过 工具 菜单（图1B，“工具”）中的子菜单 测量值 下的 为一个或多个实验计算测量值 功能来完成测量计算。最后，将细胞核体积分布绘制成代表性结果（图10）。该分析揭示了存在大量体积较小的细胞核，这可能是由分割伪影所致。这些小体积对象可通过在分割掩膜中过滤掉小尺寸对象轻松去除。同时，体积异常大的细胞核可能源于分割过程中多个细胞核被错误合并。建议始终绘制对象（例如单个细胞）的体积分布图，以识别伪影并获取有关细胞大小的额外生物学信息。
时间序列显微镜数据的量化分析
通过延时显微镜，可以在单细胞水平直接观察细胞动态。除了细胞分割之外，提取时间动态信息还需要进行额外的分析，包括细胞追踪和细胞谱系注释。由于这些分析步骤之间相互依赖，早期流程中引入的错误可能会传播到后续步骤中。因此，持续地对分割、追踪和注释错误进行可视化检查与校正十分必要。以下结果表明，Cell-ACDC 适用于完成这些任务。本研究选取了两种不同模式生物的两个数据集：1）出芽酵母（菌株 DCY001-1，来源参考文献35，其中两种组蛋白 H2B 蛋白 Htb1 和 Htb2 被标记为 mCitrine），以及 2）小鼠胚胎干细胞（mESCs，数据来自参考文献22）。
这两个数据集展示了 Cell-ACDC 中提供的两种标注模式：不对称分裂和对称分裂（即对称性细胞分裂，或“正常”细胞分裂）。由于分裂方式不同，这两种生物需要采用不同的追踪和注释框架。
在不对称分裂过程中，母细胞形成一个芽体，该芽体生长并最终分离成为子细胞。分裂后，母细胞保留其原有的细胞编号，其代数增加一，而子细胞被赋予新的细胞编号，其代数设为一。出芽阶段对应于细胞周期的S/G2/M期，在Cell-ACDC中被相应地标注。这些标注方式有助于解答与芽殖酵母细胞周期相关的典型生物学问题。
在“对称”分裂的情况下（例如哺乳动物细胞），母细胞分裂为两个子细胞。母细胞即其编号在分裂后消失，两个子细胞获得新的编号。此外，子细胞的代数相对于母细胞增加一代。Cell-ACDC 还会记录父代编号、根编号（谱系起始时的原始祖先细胞）以及姐妹细胞编号。
对于两种标注模式，均开发了一种创新框架以校正标注错误，该框架可将校正结果自动传播至所有相关的历史和未来时间点。可视化、标注及校正操作均在第三个模块的图形用户界面中完成（图1A，“可视化与校正”模块，以及图6）。为对数据集1中的细胞进行分割与追踪，相位差通道应用了模型YeaZ_v226，而细胞核（组蛋白）通道则使用了StarDist25模型。随后，通过工具追踪与谱系 &gt; 追踪和/或计数亚细胞结构（图1B，工具菜单栏），Cell-ACDC将每个细胞核分配其对应细胞的细胞ID，从而确保由细胞和细胞核掩膜生成的表格之间的一致性。
对于数据集2，采用了DeepSea22分割模型。这三种模型均已集成于Cell-ACDC中，体现了将多种分割模型整合至软件中的优势。
在修正了细胞分割与追踪错误后，对细胞谱系进行了注释，计算了数值特征，并开展了后续分析。对于数据集1，将列TaYFP_amount_autoBkgr以及被分割的细胞核数量（图11A）随时间作图。“TaYFP”是核通道的名称。“amount_autoBkgr”是来自落射荧光图像的细胞总蛋白量的代理指标36，其计算方法为：每个细胞掩膜内的平均荧光强度与背景中位值之差，乘以细胞面积（以像素为单位）。此处，背景中位值由所有未被分割为细胞的像素计算得出。如预期所示，H2B蛋白量在芽体出现时开始增加（图11A-ii），并在核分裂前达到稳定值（图11A-iii）。这是组蛋白蛋白稳态的一项重要质量控制指标，因为组蛋白蛋白的含量应依赖于细胞周期。此外，将细胞核数量随时间变化作图也证实，组蛋白蛋白量在核分裂前后达到峰值。
对于数据集2，绘制了经历细胞分裂的选定细胞随时间变化的细胞面积。如预期所示，细胞面积逐渐增加，直至达到最大值（图11B-i）；随后，细胞发生收缩，面积逐渐减小，直至完成细胞分裂（图11B-ii）。最后，两个子细胞重新开始这一周期。这是另一种推荐的分析方法，因为检测细胞周期中细胞大小的变化对于确认细胞是否正常生长和分裂（或在特定突变体中是否异常）至关重要。
<img alt="显微镜数据处理流程图；Cell-ACDC 中的图像分析、分割和特征提取。" class="xfigimg" src="/files/ftp_upload/68954/68954fig1.jpg" data-altupdatedat="1783396841000" data-alt="图 1"> 
图 1：Cell-ACDC 模块。（A）可从主 Cell-ACDC 启动器启动的四个主要模块概览。在完成显微镜数据的分割、追踪和标注后，数值特征可通过第三个模块（“可视化与校正”）或（B）顶部菜单栏中的 Utilities 菜单进行计算。“Utilities”是指可无需用户干预、自动在多个数据集上运行的程序。除计算测量值外，其他功能还包括将多个输出表格合并为单个表格、亚细胞结构的追踪以及图像预处理。Cell-ACDC 支持 2D、3D（z-stack 或延时成像）和 4D 数据（随时间变化的 z-stack），并可包含任意数量的附加通道。包含数值特征的输出表格可用于后续分析和生物学发现（图 10 和 图 11）。为此，Cell-ACDC GitHub 页面上提供了 Jupyter Notebook 示例，其中包含从输出表格生成的图表示例。<a href="https://www.jove.com/files/ftp_upload/68954/68954fig1large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
<img alt="使用 Cell-ACDC 和 Fiji 宏工具进行显微图像处理的细胞分割工作流程图。" class="xfigimg" src="/files/ftp_upload/68954/68954fig2.jpg" data-altupdatedat="1783396841000" data-alt="图 2"> 
图 2：Cell-ACDC 决策流程图。 该流程图概述了根据数据集类型和分析需求应使用的模块。<a href="https://www.jove.com/files/ftp_upload/68954/68954fig2large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
<img alt="用于显微镜数据分析的 Cell-ACDC 软件界面；指南和下载功能已标出。" class="xfigimg" src="/files/ftp_upload/68954/68954fig3.jpg" data-altupdatedat="1783396841000" data-alt="图 3"> 
图 3：下载示例数据。（A）打开欢迎指南。（B）下载用于复现本实验方案所需的示例数据。<a href="https://www.jove.com/files/ftp_upload/68954/68954fig3large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="Cell-ACDC 软件使用步骤：打开文件、选择通道、查看图像属性；数据处理。" class="xfigimg" src="/files/ftp_upload/68954/68954fig4v2.jpg" data-altupdatedat="1783396841000" data-alt="图 4"> 
图 4：加载数据以进行数据预处理。（A）将数据加载到数据预处理图形用户界面中。（B）选择要加载的通道。（C）编辑并确认图像元数据。<a href="https://www.jove.com/files/ftp_upload/68954/68954fig4large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="使用软件界面进行细胞分析；显微镜图像制备；数据裁剪与感兴趣区域设置。" class="xfigimg" src="/files/ftp_upload/68954/68954fig5v2.jpg" data-altupdatedat="1783396841000" data-alt="图 5"> 
图 5：运行数据预处理流程。（A）启动流程。（B）设置感兴趣区域（用于裁剪）和背景感兴趣区域。 <a href="https://www.jove.com/files/ftp_upload/68954/68954fig5large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="带有注释选项、模式选择器和工具栏界面的细胞分割与追踪图形用户界面。" class="xfigimg" src="/files/ftp_upload/68954/68954fig6.jpg" data-altupdatedat="1783396841000" data-alt="图6"> 
图6：用于可视化和校正结果的第三个模块图形用户界面。 第三个模块的图形用户界面截图（见图1A中的“可视化与校正”），图中高亮显示了各项功能。请注意，工具栏上的大多数按钮都配有工具提示（将鼠标指针悬停在按钮上即可查看），说明如何使用特定功能。模式选择器可用于在5种模式之间切换：“查看器”、“分割与追踪”、“细胞周期分析”（适用于不对称分裂的细胞）、“正常分裂：谱系树”（适用于对称分裂的细胞，例如哺乳动物细胞）以及“自定义注释”。请注意，其他图形用户界面中也常包含工具栏或菜单栏（例如“数据预处理”模块，图1）。编辑工具栏包含所有可用于编辑和校正分割与追踪错误的功能（例如画笔、橡皮擦、编辑ID等）。加载的图像以双面板视图显示，这在需要不同注释选项时非常有用（例如左侧图像显示细胞周期信息，右侧图像显示细胞ID）。右侧图像也可以关闭（右键单击图像并取消选择显示镜像图像）。每个图像面板侧面均配有LUT滑块，可快速调整强度水平。通过右键单击LUT控件，用户可以选择不同的颜色映射方案用于强度图像。此外，在右侧还有一个LUT选择器，用于设置分割标签的颜色，以便叠加在强度图像上（注释选项称为Segm. masks）。在左侧图像的注释选项左侧，还有额外的切换开关用于控制某些设置，例如自动保存、字体大小等。<a href="https://www.jove.com/files/ftp_upload/68954/68954fig6large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
<img alt="图像处理软件界面、预处理步骤、示意图、数据重缩放和像素校正。" class="xfigimg" src="/files/ftp_upload/68954/68954fig7.jpg" data-altupdatedat="1783396841000" data-alt="Figure 7"> 
图7：在主图形用户界面中可视化预处理过程。（A）打开预处理对话框。（B）已初始化本实验方案所用参数的预处理对话框。<a href="https://www.jove.com/files/ftp_upload/68954/68954fig7large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="分割参数界面；图像分析软件；后处理；相差方法。" class="xfigimg" src="/files/ftp_upload/68954/68954fig8.jpg" data-altupdatedat="1783396841000" data-alt="图8"> 
图8：在主图形用户界面中可视化分割结果。（A）选择一个分割模型。（B）设置分割参数。<a href="https://www.jove.com/files/ftp_upload/68954/68954fig8large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="实验文件夹结构示意图、元数据文件、按组织位置排列的图像通道。" class="xfigimg" src="/files/ftp_upload/68954/68954fig9.jpg" data-altupdatedat="1783396841000" data-alt="图 9"> 
图 9：Cell-ACDC 所需的文件夹结构。要使用 Cell-ACDC，数据必须按照特定的文件夹结构进行组织。尽管 Cell-ACDC 提供了一个模块可自动生成该结构，但理解该结构的具体形式仍然非常重要。首先，所有文件必须位于一个名为 Images 的文件夹内。其次，所有文件名必须以相同的名称开头，即所谓的“basename_”。最基本的一组必需文件包括一个单通道 TIFF 文件（2D、3D z-stack 或 3D+时间序列）以及一个以 "_metadata.csv" 结尾的 CSV 文件。该 CSV 文件必须是一个包含两列的表格，第一列为 Description，第二列为 values，且至少包含 SizeT 和 SizeZ 两项，分别表示时间帧数和 z 层切片数。如果图像文件不包含 z 层切片，则 SizeZ 必须设为 1；同样，若非延时成像，则 SizeT 必须设为 1。作为 CSV 文件，每一项为一行 Description,value，以逗号分隔，例如 SizeZ,1。对于多通道图像，需为每个通道生成一个独立的 TIFF 文件。Images 文件夹随后必须置于名为 "Position_1" 的文件夹内。允许多个位置，且必须按连续编号命名。在将数据加载到任意 Cell-ACDC 模块时，用户可选择特定的 Position 文件夹，也可选择整个实验文件夹。<a href="https://www.jove.com/files/ftp_upload/68954/68954fig9large.jpg" target="_blank">请点击此处查看此图的放大版本。</a>
<img alt="细胞核分割过程；三维成像分析；荧光显微镜；直方图结果。" class="xfigimg" src="/files/ftp_upload/68954/68954fig10.jpg" data-altupdatedat="1783396841000" data-alt="图10"> 
图10：肿瘤类器官的三维定量分析。 将一个代表性肿瘤类器官（数据来自9）载入Cell-ACDC软件第三模块图形用户界面的截图（左图），带有红色轮廓的示例z切片，用于突出显示分割掩膜（中图），以及基于三维分割掩膜计算得到的细胞体积分布直方图（右图）。<a href="https://www.jove.com/files/ftp_upload/68954/68954fig10large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="细胞追踪分析软件界面，显示H2B蛋白和细胞面积随时间变化的图表。" class="xfigimg" src="/files/ftp_upload/68954/68954fig11.jpg" data-altupdatedat="1783396841000" data-alt="图11"> 
图11：延时显微镜数据的定量分析。（A）出芽酵母细胞的延时显微镜数据载入Cell-ACDC第三模块图形用户界面的截图（左），以及代表性细胞周期中组蛋白H2B蛋白含量随时间的定量结果（右）。放大图像显示了示例细胞及其芽体（白色箭头）在细胞周期开始时（i）、芽体出现时（ii）和核分裂时（iii）的状态。数据来自Chatzitheodoridou等人的研究35。（B）小鼠胚胎干细胞的延时显微镜数据载入Cell-ACDC第三模块图形用户界面的截图（左），以及代表性细胞分裂过程中细胞面积（µm2）随时间变化的曲线图（右）。放大图像显示了示例细胞及其子代细胞在分裂前达到最大细胞面积时（i）、分裂为两个子细胞时（ii）以及分裂后最后一个被分析的帧（iii）的状态。数据来自Zargari等人的研究22,33。<a href="https://www.jove.com/files/ftp_upload/68954/68954fig11large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>

对多维显微图像数据的准确分析需要复杂的流程。本文演示了如何使用软件 Cell-ACDC。该软件采用先进的由人工智能驱动的模型，用于显微图像数据的分割、追踪、细胞谱系分析和定量。尤为重要的是，它结合了一种创新的框架，可对模型输出结果进行半自动校正。

使用 Cell-ACDC 分析多维显微镜数据

生命科学领域定量显微镜技术的最新进展使实验生物学家能够以前所未有的分辨率对细胞进行探测……

我们正在通过开发一款名为 Cell-ACDC 的细胞分裂周期分析软件，改进多维显微镜数据的分析，以克服快速生物学发现中的瓶颈。目前的人工智能模型往往难以获取，此外，要获得高质量的结果，仍需要进行可视化和人工校正。然而，如果没有合适的工具，这些任务可能会变得非常繁琐。首先，在可视化与校正模块的主窗口中点击“启动图形用户界面（Launch GUI）”。然后点击新窗口工具栏中的文件夹图标，并选择包含数据的文件夹。然后按“选择文件夹”以确认选择。使用下拉菜单选择预处理的明场相位差通道，然后按“确定”以确认。选择分割掩膜名称，然后单击“加载选定”以加载上一步中创建的分割文件。单击“确定”以确认已加载位置的图像属性。当系统提示时，选择“否”以防止加载额外的荧光数据。使用模式选择器选择分割与追踪模式。在菜单栏中，依次选择跟踪（Tracking）、选择实时跟踪算法（Select real-time tracking algorithm），然后根据生物体选择所需的实时跟踪器。使用左、右箭头键在各帧之间导航。跳转至第 10 帧。按下 S 键以激活手动芽体分离工具，然后单击右键自动分割第一个细胞的分割掩膜。现在，导航至第 14 帧。按下 B 键以激活画笔工具，并使用鼠标左键绘制芽体缺失的分割掩膜。使用可用工具在后续帧中继续修正分割和跟踪错误。至少修正至第42帧。通过模式选择器启动细胞周期分析。当提示时，选择“是”以跳转到第1帧。使用左、右箭头键在各帧之间导航。当提示时，单击“确定”以接受细胞周期注释表的初始化，并导航至第41帧。右键单击细胞一或其出芽，以断开连接并标注细胞分裂事件。继续查看所有相关帧，并使用可用工具更正自动母细胞-出芽分配中的任何错误。要将出芽分配给母细胞，请按 A 键激活“将出芽分配给母细胞”工具。按住鼠标右键并拖动出芽，将其拖至对应的母细胞后松开鼠标按钮。要重新初始化细胞周期注释，请从工具栏中选择相应选项。若要断开或重新建立母细胞-芽体关联，请确保未选择任何工具。右键单击已存在的母细胞-芽体对以断开关联，或再次右键单击以重新建立连接。使用模式选择器激活正常分裂谱系树。当提示时，选择“是”以跳转到第一帧，并使用左右箭头键在各帧之间导航。利用编辑工具栏中提供的工具，修正自动母女分配中的错误。当系统提示时，单击“Propagate”以应用更改。要为新细胞 ID 分配母细胞，请按 F 键激活“为新细胞 ID 查找母细胞”工具。右键单击新细胞以循环浏览候选母细胞。肿瘤类球体中的核分割结果显示细胞核体积呈广泛分布，大量对象表现为体积较小，少数对象则表现出极大体积。肿瘤类器官的三维视图显示了大量带有标记标识符的分割细胞核，z轴切片展示了应用于每个细胞核的红色分割轮廓。在出芽酵母中，H2B蛋白含量在芽体出现时急剧增加，并在细胞核分裂前达到平台期。在酵母数据集中，细胞核数量在细胞核分裂时突然增加。在小鼠胚胎干细胞中，细胞面积持续增加直至达到最大值，随后在细胞分裂期间减小，之后在子代细胞中再次开始上升。因此，Cell-ACDC 是一个开源软件框架，可便捷地访问用于生物图像分析的人工智能模型，并确保显微镜数据具有高度可共享性。Cell-ACDC 的一个重要特点是，研究社区能够轻松地将新方法整合到具有标准化数据结构的现有工作流程中。利用 Cell-ACDC 提供的校正数据对最先进的方法进行微调，可为 fully automated bioimage analysis 奠定基础。

analysis-of-multidimensional-microscopy-data-using-cell-acdc

Research

科研

JoVE Journal

Biology

生物学

能够正常化细胞结构的黏附性微图案可用于提高药物效应检测的灵敏度，改善实验重复性，并简化自动图像采集与分析。该技术将有助于在传统细胞培养支持物上进行的药物/siRNA筛选实验，此类实验通常因细胞间变异性过大而受限。...

利用微图案化细胞改善药物效应的可视化与定量分析

我们开发了一个软件平台，利用 Imaris Neuroscience、ImarisXT 和 MATLAB...

一种可量化三维荧光图像中细胞形态变化的分析工具

本文展示了一种灵活的信息学工作流程，可实现对荧光标记细胞的多重基于图像的分析。该工作流程可定量分析细胞核和细胞质标志物，并计算这些标志物在不同区室间的转位情况。文中提供了利用siRNA对细胞进行扰动的实验步骤，以及在96孔板体系中通过间接免疫荧光法可靠检测标志物的方法。...

基于开源软件的通用显微镜数据中荧光标记物高内涵单细胞定量分析工作流程

细胞分化受到多种微环境因素的调控，包括基质成分和基底材料特性。本文介绍一种技术，该技术结合细胞微阵列与牵引力显微镜，用于评估在不同微环境背景下细胞的分化状态以及细胞与基底之间的生物力学相互作用。...

一种用于细胞分化与牵引力相关性分析的高通量细胞微阵列平台

本文介绍了一种高内涵显微镜工作流程，可同时定量活体贴壁细胞内的活性氧（ROS）水平以及线粒体膜电位和形态——统称为线粒体形态功能——该方法使用细胞通透性荧光报告分子5-(和-6)-氯甲基-2',7'-二氯二氢荧光素二乙酸酯乙酰酯（CM-H2DCFDA）和四甲基罗丹明甲酯（TMRM）。...

利用高内涵显微镜进行细胞氧化还原状态分析

本文描述了制备用于高通量操控模拟物理与化学信号的多重人工细胞微环境（MACME）阵列的详细方法 体内...

构建多重人工细胞微环境阵列

本文介绍的方法结合微图形化技术与定量成像，以揭示哺乳动物细胞培养物中的空间组织结构。该技术易于在标准的细胞生物学实验室中建立，为体外研究模式形成提供了一个可操作的实验系统。...

利用微图形技术和定量成像技术绘制哺乳动物细胞的自组织空间结构

本文介绍了一种从三维空间中分布的每一个活细胞中光学提取并编目其固有细胞荧光特征（即细胞自发荧光）的实验方案。该方法适用于在单细胞分辨率下研究多种生物系统的固有荧光特征，包括来自细菌、真菌、酵母、植物和动物的细胞。...

通过共聚焦显微镜重建单细胞固有荧光特征

我们提出一种方法，该方法利用一种可推广的基于区域的图像分析方法来识别细胞数量。对不同细胞群体的分析利用了不同细胞类型之间显著的细胞高度和结构差异，并通过自适应算法实现。...

基于面积的图像分析算法用于定量巨噬细胞-成纤维细胞共培养

整合型细胞信号分析工具包（iTACS）平台可自动化同步测量贴壁细胞中的多种化学和机械信号。iTACS...

整合型细胞信号分析工具包：力学、运动、形态与荧光

差分动态显微镜（DDM）结合了动态光散射和显微镜技术的特点。本文介绍了利用DDM通过量化波形蛋白网络中粒子的亚扩散和受限运动，以及活性肌球蛋白驱动的肌动蛋白-微管复合物的弹道运动，来表征重建细胞骨架网络的过程。...

使用差分动态显微镜定量细胞骨架动力学

学习使用Cell-ACDC软件分析多维显微镜数据，该开源工具整合AI模型实现细胞分裂周期的自动分割、追踪和定量分析，支持酵母和小鼠胚胎干细胞等生物系统，显著提升生物图像分析效率与准确性。

使用 Cell-ACDC 分析多维显微镜数据

探索更多视频