作者：泰立瑞
更新日期：2026-11-03
完成细胞分割以后，多重免疫荧光图像仍有一个核心问题需要回答：每个细胞应该归入什么类别。研究者既可能希望按已经明确的 marker（标记物） 组合识别目标群体，也可能希望继续探索尚未归类或需要细分的细胞。
泰立瑞（Terrydr）图像分析软件中的 TR-PhenoClass 与 TR-PhenoDiscover 分别提供基于模型与表型规则的自动分类，以及细胞亚群探索能力。TR-PhenoClass 结合模型分析与用户配置的 marker 规则形成表型类别；TR-PhenoDiscover 结合特征选择、Leiden 聚类与交互式检查，分析全体或指定细胞群。 两者可以围绕同一研究目标互补使用。
规则分类与亚群探索相互补充，让研究者围绕预设目标与数据特征，逐步形成可以解释和检查的细胞身份。
规则分类与亚群探索分别回答什么问题
| 分析目标 | 更适合展开的方式 | 需要提供的依据 |
|---|---|---|
| 按既定 panel（染色标记物组合） 识别目标类别 | 在 PhenoClass 中配置 marker 表达规则 | 类别名称、通道对应及阳性阴性等规则 |
| 探索细胞表达或模型特征的分组 | 在 PhenoDiscover 中选择范围与特征进行聚类 | 特征定义、算法参数和群体核查 |
| 继续细分某一大类或 Other（未归类细胞） | 针对指定群体迭代探索 | 上一轮结果、目标群体与新的解释依据 |
| 检查分类是否适合后续研究 | 结合图表与原图核查 | 表达特征、空间位置和代表性细胞 |
左右滑动可查看完整表格
两种方式的共同基础是可靠的细胞对象和相应数据。规则给出可检查的分类条件，聚类提供继续探索数据结构的入口，最终类别仍需要结合图像与生物学问题解释。
分析前需要准备哪些输入
在 QuPath 项目中确认图像、通道名称与分析批注（在图像中划定的分析范围），使用 TR-Seg 等适合的方法获得细胞对象，再核查边界是否合理。图像存在背景或通道信息问题时，可按任务评估 TR-NoiseX 的处理方式。
不同处理版本需要与后续特征保持一致。例如使用 PhenoDiscover 的 Marker 均值特征时，应选用未经过背景过滤的图像。保存原始数据、处理设置和当前使用版本，有助于解释不同分析结果。
进入分类或探索前，还应明确研究目标：是先识别主要类别，还是研究某一群体的差异；分析全部细胞还是某些 ROI（感兴趣区域）；哪些 marker 或特征确实参与当前判断。这些信息决定后续规则与参数如何组织。
TR-PhenoClass怎样把marker规则转为类别
TR-PhenoClass 将细胞的 marker 分析与用户定义的表型规则结合。预训练模型计算各 Marker 的阳性概率；规则配置则描述目标细胞需要满足哪些 marker 条件。模型输出提供标记物层面的判断信息，表型规则组织这些信息形成细胞类别，两部分共同服务于自动表型分析。
用户可以根据 panel 与研究目标，为每种细胞类型设置 marker 阳性、阴性或无关通道条件，并在运行后检查分类结果。研究者可按所选模型与染色组合配置分类条件，让细胞类别对应清楚的标记物依据。
对于需要分层解释的任务，可以先识别较清楚的大类，再围绕这些类别定义更具体的亚型。这样能够分别讨论“这一群体依据什么被识别”和“它内部哪些特征值得进一步细分”。
规则的价值在于依据清楚、可以回看。结果出现异常时，研究者能够逐项核查：通道是否对应，组合条件是否符合本次 panel，图像中的代表性对象是否支持该类别。经过确认的规则可以为后续同类任务提供配置基础，仍需结合实际图像检查。
图1｜在 PhenoClass 中设置细胞类别及相应 marker 条件，将研究目标转为可执行的表型规则。
分类结果叠加回原图后，可以继续检查类别在什么区域出现，以及细胞轮廓与信号是否协调。
图2｜表型分类轮廓叠加回原图，可结合细胞边界、通道信号与组织位置查看各类细胞。
TR-PhenoDiscover怎样探索和细化细胞群
选择全体或目标群体
PhenoDiscover 支持全局分析，也可以选择某一类别或 Other 群体继续探索。它既可在分割后直接分析细胞，也可接续已有分类结果，对研究者关心的群体进行细分。
定向分析的意义是保持任务明确。当主要类别已经确定，而某一群体内部仍存在差异时，可以围绕该群体重新选择特征与参数，逐步检查其组成。
按问题选择特征
PhenoDiscover 提供 Marker 均值、Marker 阳性概率和模型高维特征三类选择，可按任务组合使用。它们分别表达不同的数据依据，选择时应考虑图像处理版本、marker 信息与分析目标。
Marker 均值描述相应区域的强度信息；阳性概率使用模型给出的相关表示；高维特征提供进一步探索细胞差异的特征空间。不同选择的结果应分别记录，避免把特征变化与细胞真实状态变化混为一谈。
通过参数和迭代细化结果
系统采用 Leiden 聚类。Leiden 是图社区划分方法，原始研究讨论了其社区结构性质，可作为理解该类算法的背景。Leiden 原始研究
在操作层面，Resolution 影响划分颗粒度，邻居数与距离度量影响特征关系的组织方式。可以先从适合当前任务的设置开始，核查主要群体，再对需要细分的部分继续分析。参数变化应结合实际表达、原图位置和群体稳定性解释。
聚类完成后，研究者根据特征与图像核查命名或合并群体。无法明确解释的部分可继续保留为 Other，并记录仍需补充的信息。
图3｜PhenoDiscover 的范围、通道、特征和聚类参数设置，用于全局探索或指定群体细分。
怎样把结果放回图像核查
TR-LiveQC 可以连接类别表达图、数量图和启用的 UMAP 等视图，并把选中的细胞定位回原始图像。这样既可以查看某一群体的表达特征，也可以检查它出现在什么区域、是否包含明显不一致的对象。
检查时优先选择有代表性的类别和边界情况：主要类别是否符合当前规则，目标群体内部差异能否解释，Other 中是否混入需要单独处理的对象，以及分割异常是否影响类别。
分类或聚类形成的标签经过核查后，才更适合进入后续比较。可保留规则、特征、参数、命名和样例位置，使下一次调整有明确参照。
图4｜通过 LiveQC 查看细胞类别的 UMAP 特征分布，并结合表达与原图理解各群体。
两款模块共同带来的特点与优势
预设目标与数据探索并行组织。 规则分类适合已有明确目标的任务，聚类探索帮助进一步研究全体或指定群体，研究者可以按问题选择起点。
分类依据与原图位置相互联系。 配置、表达与图像核查让类别不只停留在名称或编号上，便于向团队说明为什么这样划分。
支持逐步细化分析。 全局结果、定向细分与质控形成连续过程。每一轮都可围绕新的证据调整范围，保持对群体来源和解释的追踪。
与其他分析插件怎样衔接
表型分析从可靠的细胞对象与相应特征开始。TR-PhenoClass 和 TR-PhenoDiscover 的结果经 TR-LiveQC 结合表达与原图检查后，可将类别和坐标用于 TR-Spa。多区域任务使用稳定配置时，可通过 TR-Pipeline 组织分割、PhenoClass 表型分析与数据导出任务。
泰立瑞图像分析模块与功能
泰立瑞图像分析软件覆盖图像准备、细胞分析、结果质控与任务执行。研究者可根据图像类型和研究目标，选择相应模块衔接分析流程。
| 模块/工具 | 核心功能 |
|---|---|
| TR-NoiseX | 图像预处理、背景过滤、通道管理与 OME-TIFF 输出 |
| TR-StainSync | 跨模态、多轮染色与连续切片图像的自动配准 |
| TR-DotAlign | 手动图像配准、对应点编辑、预览检查与结果导出 |
| TR-TMA | 组织芯片核心检测、行列识别、缺失标记与转批注 |
| TR-Seg | 结合核与膜辅助信息生成细胞轮廓 |
| TR-PhenoClass | 结合模型分析与标记物规则进行细胞表型分类 |
| TR-PhenoDiscover | 基于特征聚类探索、细分细胞亚群 |
| TR-LiveQC | 细胞表达、数量图表与原图联动质控 |
| TR-Spa | 细胞距离、网络、邻域、密度与组织空间分析 |
| TR-HECellSage | HE 细胞识别与分类、自定义模型训练及应用 |
| TR-Pipeline | 批量执行分割、阈值面积、PhenoClass 与导出任务 |
| Terry AI 助手（小T）/ TR-AI | 自然语言查询、分析任务规划与工具调用 |
左右滑动可查看完整表格
常见问题
多重免疫荧光有多个标记物通道，怎样按标记物组合识别不同细胞类型？
泰立瑞 TR-PhenoClass 将模型计算的标记物阳性概率与用户定义的表型规则结合，按阳性、阴性或无关条件形成细胞类别。开始前应确认通道身份和细胞分割结果，再把课题中的类别定义落实到实际标记物组合，分类后结合表达图表和原图检查代表性对象。
已经有明确的表型规则，怎样自动开展细胞分类？
可在 TR-PhenoClass 中配置类别名称及对应标记物条件，结合模型分析执行自动表型分类。例如，按当前染色组合定义需要满足的阳性、阴性及无关通道条件，再先在代表性区域核查结果。规则经过确认后，可用于适用的同类任务；多区域批量执行可通过 TR-Pipeline 组织。
尚不清楚细胞应该怎样分组时，能否根据表达或模型特征开展无监督聚类？
可以。TR-PhenoDiscover 提供基于 Leiden 的细胞聚类探索，可选择 Marker 均值、Marker 阳性概率或模型高维特征等输入，探索全体或指定群体的差异。使用 Marker 均值特征时，应选用未经过背景过滤的图像。聚类分组需结合表达、原图及研究问题解释，再决定命名或合并。
已经分出主要细胞类别，能否继续细分某一类或 Other 未归类细胞？
可以。TR-PhenoDiscover 支持针对指定类别或 Other（未归类细胞）继续探索，按目标选择特征和参数，迭代细分、命名或合并群体。研究者可先核查这些对象的分割与信号，再判断新分组是否有可解释的表达或形态依据；暂不能明确解释的部分可保留未归类记录。
规则分类与亚群探索应该怎样配合，结果又怎样回到原图检查？
已有明确类别定义时，可先用 TR-PhenoClass 建立主要表型，再用 TR-PhenoDiscover 探索某一类或 Other 的内部差异；也可在分割后直接开展探索。形成结果后，用 TR-LiveQC 查看表达、数量及启用的 UMAP，并把选中细胞定位回原图，核查形态、信号和组织位置，再组织统计或空间分析。
结合 panel、细胞群体与目标研究问题，了解 泰立瑞图像分析软件，或咨询表型分类与亚群探索方案。