空间蛋白质组与成像质谱流式（IMC）分析
空间蛋白质组是在组织切片上同时检测数十种蛋白，并保留每个细胞的位置。成像质谱流式（IMC）用金属同位素标记抗体，经激光逐点剥蚀后用质谱读数，常见约 40 个通道、亚细胞级分辨率，但每次只能采集较小的感兴趣区域（ROI）；MIBI 原理相近；CODEX（PhenoCycler）和 CyCIF 则用循环荧光成像，可以覆盖整张切片。分析流程通常是：图像预处理、细胞分割、提取每个细胞的平均蛋白强度、聚类和注释细胞表型，最后做细胞组成和空间关系分析。它特别适合研究肿瘤免疫微环境中细胞功能状态与空间结构的关系，比如 PD-L1 阳性巨噬细胞与 T 细胞的相对位置。
什么时候用
- 需要在同一张组织切片上同时定量 30 种以上免疫、肿瘤和基质标志物
- 关心蛋白层面的功能状态，如 PD-1、PD-L1、Ki-67、颗粒酶 B，而转录组无法准确反映
- 研究肿瘤免疫微环境的空间结构，如免疫细胞与肿瘤巢的距离和细胞邻域组成
- 在多例患者的 ROI 或组织芯片上比较细胞组成和空间模式
- 已有单细胞转录组定义的细胞类型，想在组织原位确认其分布
不适合的情况
- 需要发现新基因或无偏筛选，空间蛋白组只能测预先选定的抗体面板
- 只采集了一两个小 ROI 却要代表整个肿瘤的异质性
- 抗体未在该组织和固定方式下验证，信号特异性无法保证
需要准备的数据
- 多通道图像
- IMC 原始 MCD 或 TXT 文件，或已导出的多通道 TIFF；CODEX 为拼接后的 QPTIFF 或 OME-TIFF，需保留通道名称。
- 抗体面板表
- 每个通道对应的金属或荧光标签、抗体名称，并标注哪些通道用于分割（核与膜）、哪些用于表型分析。
- 串扰校正数据
- IMC 建议提供单染点阵的串扰矩阵采集数据，用于校正相邻质量通道和氧化物带来的信号溢出。
- 样本与 ROI 信息
- 每个 ROI 对应的患者、组织区域、组别和临床信息，用于以患者为单位汇总统计。
分析步骤
- 1
图像预处理
读取原始数据并导出通道图像，去除热点像素，IMC 数据可用 CATALYST 计算的串扰矩阵做通道补偿。逐通道检查图像，确认染色模式与预期细胞定位一致，如 CD3 为膜染色、Ki-67 为核染色。
- 2
细胞分割
用核通道（如 DNA 或 H3）和膜通道组合，借助 Mesmer、Cellpose 或 ilastik 加 CellProfiler 分割细胞。把分割掩膜叠加到原图上抽查，重点看密集淋巴区和大细胞是否被过分或欠分割。
- 3
提取单细胞特征
计算每个细胞在每个通道的平均强度，以及面积、形状、质心坐标。IMC 强度常做 arcsinh 变换，再按通道做分位数截断与缩放，以压缩极端值、让不同通道可比。
- 4
表型聚类与注释
选用表型相关的标志物，用 FlowSOM、PhenoGraph 或 Leiden 聚类，按各簇标志物均值热图注释为细胞类型。注释时注意剔除明显由分割串扰造成的双阳性簇，如 CD3 与 CD68 同时高表达。
- 5
质控与批次检查
按 ROI 和染色批次查看各通道强度分布和细胞类型比例。某批次所有细胞某通道整体偏高，提示抗体或仪器批次差异，需要在归一化或注释时处理，而不能直接当成生物学差异。
- 6
空间分析
基于细胞坐标构建邻接图，用置换检验分析细胞类型的相互作用或回避，计算细胞邻域，测量关键细胞到肿瘤边界的距离。imcRtools 和 Scimap 都提供这类函数。
- 7
患者层面比较
把各 ROI 的细胞比例、功能标志物阳性率和空间指标汇总到患者，再做组间比较或与临床变量关联。同一患者多个 ROI 先取平均或使用混合效应模型。
关键参数与决策
强度变换方式
IMC 计数常用 arcsinh 变换，余因子常取 1，CyTOF 悬液数据中常用 5；循环荧光数据动态范围不同，常用对数变换或分位数归一化。变换后看双峰标志物能否清楚分出阴性和阳性群。
分割通道与模型
核通道决定细胞数，膜通道决定细胞边界。膜标志物覆盖不全会让无膜信号的细胞被分割成只有细胞核大小，进而低估膜蛋白信号，可组合多个膜标志物生成一张膜图像。
聚类用的标志物
只用定义谱系的标志物做聚类，功能标志物（如 Ki-67、PD-1）在注释后按类型分别统计阳性率。全部标志物一起聚类会让同一谱系按功能状态被拆散，注释变得困难。
邻接距离
空间交互分析中常用几个像素到十几个微米的距离或 k 近邻定义相邻，具体取决于分辨率和细胞大小。IMC 常见像素尺寸约 1 微米，应换算成实际距离后再设定参数。
常见错误
- 分割误差导致的信号串扰：密集区域中相邻细胞的膜信号被分到同一细胞，产生 T 细胞同时表达巨噬细胞标志物的假群体。
- IMC 不做串扰校正：相邻质量数通道和氧化物会把强信号溢出到弱通道，使低表达标志物出现假阳性。
- ROI 选择偏倚：人为挑选免疫细胞丰富的区域，会高估浸润程度，不同组如采用不同挑选标准，组间比较将失去意义。
- 以细胞为单位做组间统计：数十万细胞让任何差异都显著，实际只有十几例患者，应汇总到患者层面再检验。
- 用固定强度阈值判阳性却不看分布：不同 ROI 或批次的背景不同，固定阈值会把批次差异带入阳性率，应结合双峰分布或对照组织设定。
结果怎么看
分割掩膜叠加图
细胞轮廓叠加在核与膜通道上。轮廓应贴合细胞边界，每个核对应一个细胞；若大量轮廓只包住细胞核或一个轮廓包含多个核，分割参数需要调整，后续结果不可靠。
簇-标志物热图
行是聚类簇，列是标志物，颜色为缩放后的平均强度。每个簇应有清晰的谱系标志物组合；同时高表达两种互斥谱系标志物的簇多为分割伪影或双细胞，应单独标注或剔除。
细胞类型空间分布图
在 ROI 坐标上按细胞类型着色，与原始图像对照检查注释是否合理，如上皮细胞是否成巢分布、淋巴细胞是否聚集在基质区。分布与组织学明显矛盾提示注释有误。
细胞交互热图
展示每对细胞类型相互作用或回避的显著性，通常汇总多个 ROI 中显著的比例。只在少数 ROI 中显著的交互不应作为整体结论，应同时报告其在多少 ROI 中一致。
患者层面比较图
每个点代表一名患者的细胞比例或空间指标，按组别作箱线图或与生存时间关联。点数少时应展示全部数据点，避免只给均值；这里的关联分析属于科研探索，不能作为临床诊断或治疗依据。
和相近方法怎么选
IMC 与 CODEX、多重免疫荧光
IMC 无自发荧光干扰、通道串扰可校正，但每次只采集较小 ROI，剥蚀后样本不可复用；CODEX 和 CyCIF 用循环荧光成像，能覆盖整张切片，适合大范围空间结构，但受自发荧光影响，循环轮次多时组织可能损失。
空间蛋白组与空间转录组
空间蛋白组直接测蛋白和磷酸化等功能状态，标志物有限但细胞分型清楚；空间转录组可测数百至全转录组基因，适合无偏发现，但部分蛋白水平与 mRNA 相关性弱。两者可在相邻切片上互补使用。
IMC 与悬液 CyTOF
两者都用金属标记抗体和质谱读数，聚类方法相通；CyTOF 测的是解离后的单细胞悬液，细胞数多、通量高，但丢失位置信息。关心空间结构用 IMC，关心稀有亚群的精细分型用 CyTOF。
常见问题
IMC 数据分析一般用什么软件？
常见组合是 steinbock 或 ImcSegmentationPipeline 做预处理和分割，在 R 中用 imcRtools 读取和做空间分析、cytomapper 可视化、CATALYST 做串扰校正；Python 中可用 Scimap、Squidpy。早期的 histoCAT 也有图形界面可用。
IMC 细胞分割用什么方法好？
目前常用基于深度学习的 Mesmer（DeepCell）和 Cellpose，输入为核通道和膜通道合成图像，不需要自行训练即可得到不错结果；ilastik 像素分类加 CellProfiler 的方式更灵活但需要手动标注。无论哪种，都要把掩膜叠加原图抽查。
IMC 强度为什么要做 arcsinh 变换？
原始计数呈强偏态，少数高表达细胞会主导聚类和距离计算。arcsinh 在低值附近近似线性、高值处近似对数，既压缩极端值又保留低表达区分度。变换后通常再做分位数截断和缩放，使各标志物在聚类中权重相近。
CODEX 数据和 IMC 数据分析流程一样吗？
后半段基本相同，都是分割、提取单细胞强度、聚类注释和空间分析。前半段不同：CODEX 需要多轮图像配准、拼接和去背景，常用 MCMICRO 等流程处理；IMC 需要处理串扰和热点像素。
在 Codar 里怎么做
在 Codar 中提供多通道图像或单细胞强度表、抗体面板和样本信息后，会先确认分割通道、变换方式和比较分组，再完成图像预处理、细胞分割、单细胞特征提取、表型聚类与注释、空间交互与邻域分析，并在患者层面汇总比较。交付分割质控图、簇-标志物热图、细胞类型空间图、交互热图、统计表和可复现脚本。
我有 20 例三阴性乳腺癌的 IMC 数据，每例 3 个 ROI，38 个标志物，想做细胞分型并比较复发与未复发患者的免疫细胞空间分布。