編輯 | 蘿卜皮

凝膠電泳是一種在實驗室中廣泛使用的生物分子分離和半定量分析方法。

然而，凝膠圖像分析原理幾十年來幾乎沒有任何進展，這與人工智能徹底改變數據處理方式的其他領域形成了鮮明對比。

作為一個搞分子生物學的前科研從業者，小編想說：天天都得用，分析很費勁，跑電泳很心累！

好在，科學家們逐漸注意到了這些痛點。

愛丁堡大學的研究人員展示了一種基于人工智能的系統 GelGenie，可以在幾秒鐘內自動識別各種實驗條件下的凝膠帶，在易用性和多功能性方面超越了當前的分析軟件。

該研究以「GelGenie: an AI-powered framework for gel electrophoresis image analysis」為題，于 2025 年 5 月 5 日發布在《Nature Communications》。

自早期玻璃移液器和手搖離心機的使用以來，現代實驗室技術已取得了長足進步。如今，各種高通量技術、自動化流程和微型電子設備已可用于增強和加速幾乎所有常見的實驗室工作流程。

但是，面世多年的凝膠電泳技術是個例外。由于簡便易行、成本低廉且定性結果即時，使它一直是許多生物分子分離、純化和半定量分析的首選方法。

悄悄告訴大家，它的原理超級簡單：生物分子懸浮在凝膠基質的嵌入孔內，施加電壓，帶電粒子被推入基質。不同分子的尺寸和電荷導致它們以不同的速率移動，從而形成從「通道」內的孔延伸出的「條帶」圖案。

實驗中如果再添加熒光或可見標記/染色劑，還可以成像、定性解讀，甚至可以通過比較條帶強度與參考強度來近似測量生物分子的濃度。

圖示：評估分割作為凝膠分析方法的潛力。（來源：論文）

雖然這項「古老」的技術已經非常成熟，但是用于凝膠電泳成像分析的軟件卻少之又少。以前，小編只用過一個叫 ImageJ 的分析軟件，處理后的數據誤差超級大！至于為什么敢用到論文里，只能說那時候小編膽子大（主要大家都用）。

其實，近年來發布的高性能機器學習模型非常適合解決凝膠電泳圖像分析任務。多年來，卷積網絡以及 Transformer 等神經網絡架構在物體識別、醫學圖像分割，甚至從各種輸入源生成全新圖像方面都展現出接近人類水平的性能。

在最新的研究中，愛丁堡大學的研究人員探究了基于機器學習的流程能否發展成為一種強大的凝膠圖像分析解決方案，從而顯著優化經典工作流程。

在新方法中，他們放寬了經典泳道/條帶方法和任務模型的限制和期望，可以直接從圖像中分割條帶，而不受其位置或形狀的限制。

研究人員用 500 多張手動標記凝膠圖像的數據集來訓練各種 U-Net 模型，使它們能夠在一系列次優不等但常見的凝膠場景中識別條帶（包括扭曲的條帶、高背景水平、凝膠污染物、彌散條帶等等）。當模型應用于其他實驗室的凝膠電泳數據時，該系統生成的定量結果與原作者的定量結果一致。

圖示：U-Net 分割模型在實際場景中的評估。（來源：論文）

最后，研究人員將識別模型集成到了 GelGenie 里，這是一款功能齊全的 QuPath 跨平臺圖形用戶界面 (GUI) 擴展程序，用戶只需點擊幾下即可使用。

GelGenie 允許使用該團隊訓練的所有模型進行一鍵分割，從而生成可單獨選擇或編輯的交互式波段圖。

它還可以自動執行波段體積測量、背景校正、歸一化和數據呈現，以及原始數據導出以供進一步處理。

此外，它內置的一些高級功能允許用戶為多幅圖像編寫分割/分析腳本，為單個波段分配標簽，甚至將分割限制在用戶定義的區域內。

圖示：運行中的 GelGenie。（來源：論文）

「據我們所知，GelGenie 是首個利用人工智能技術研究通用凝膠分析的軟件平臺。不過，它還有許多需要優化和研究的地方，為此我們開源了相關的數據、模型、結果和工具。我們希望 GelGenie 能夠為通用凝膠分析框架的建立奠定基礎，持續迭代，進一步完善和改進功能。」研究人員在論文里表示。

目前，該團隊已根據開放許可發布了完整的訓練數據集、模型和計算框架。

除了圖形包之外，他們還發布了 Python 訓練框架，其中包含研究人員標記自己的數據以及微調或訓練新模型所需的所有工具。

小編替大家試了，效果還不錯，快去用起來吧！

開源鏈接：https://github.com/mattaq31/GelGenie

論文鏈接：https://www.nature.com/articles/s41467-025-59189-0