人類本質上是一種視覺物種。我們的大部分感覺新皮層都在處理我們從周圍環境中收集的視覺輸入。毫不奇怪，可視化技術是科學和工程的核心 。系統生物學的*終目標之一是闡明分子系統狀態與高級表型特征之間的關系。然而，生物體的光散射和其他光學特性使信息圖像的獲取復雜化。幾十年來，化學固定和生物物質切片已被用于提高樣品的穩定性和光學特性。然而，通過檢查固定樣本來了解活的動態生物系統充其量只是一個啟發式過程。

后基因組時代的主要挑戰是理解動態生物系統的規則。當前的基因組工具與顯微鏡和計算的進步相結合，促進了對任何感興趣的遺傳實體的體內觀察。生物技術、技術和跨學科合作的*新進展為生物過程提供了比以往任何時候都更現實的見解。在系統生物學方面，顯微鏡是一種連接生物復雜性的多個尺度的工具，范圍從分子到種群。光學顯微鏡的*新進展允許對納米結構的前所未有的了解，以及前所未有的實驗吞吐量。此外，小而完整的生物體的高分辨率三維 (3D) 成像現在是可行的。反過來，成像技術的進步需要用于自動圖像分析的計算機視覺技術。

系統生物學中的光學顯微鏡機會
近幾十年來，技術的突破性進步利用了高分辨率顯微鏡的發展。此外，對遺傳編碼熒光標記的化學和物理特性的更好理解導致了活細胞成像應用的優化和有限的不良實驗副作用 。此外，越來越多的可用熒光蛋白  和其他熒光標記 促進了從單個分子到整個生物體的廣泛樣本類型的成像。另一方面，大多數顯微鏡是高度專業化的設備。因此，選擇合適的顯微鏡和數據分析工具需要考慮生物學問題和樣品特性（圖?1）。在下面的部分中，我們介紹了從單一蛋白質復合物到細胞培養模型和越來越復雜的生物體的生物系統，并給出了適當的光學顯微鏡應用的說明性例子。然而，在許多情況下，所示技術可用于整個范圍的樣品類型。

圖1

基于顯微鏡的項目成功需要考慮的因素：高度專業化顯微鏡的發展提高了基于圖像的項目中原始數據的質量。然而，*佳結果基于選擇合適的成像系統?？捎贸上窦夹g的完整概述超出了本綜述的范圍。但是，作為指導，選擇合適的顯微鏡是基于樣本和項目特定的因素。顯微鏡的光學器件需要獲得具有足夠分辨率和穿透深度的圖像，并且需要考慮可接受的光毒性應力水平來照射樣品。在項目管理層面，需要考慮系統生物學中往往較高的所需吞吐量，并且需要建立足夠的圖像分析基礎設施以避免圖像分析和數據解釋中的瓶頸。

全尺寸圖片
分子成像
分子成像是分子生物學和體內成像交叉的學科。光學分子成像可用作研究生物分子的時空動態及其相互作用的有力工具，包括體外和體內。

例如，在純分子尺度上，成像提供了對 F1-ATPase 在 ATP 合酶內旋轉運動的理解。對這種高度結構化的大分子復合物的大小和動力學分別在納米和微秒范圍內進行分析，需要有關分子參與者的初步知識。為了在顯微鏡下觀察旋轉，Yasuda 等人。 將 F1 的亞復合物固定在表面結合的珠子上，并將熒光標記的肌動蛋白絲連接到 ATP 合酶的每個 γ 亞基上。這些結構安裝在蓋玻片上。在體外ATP 的加入*終觸發了幾個百分比的熒光肌動蛋白絲的連續旋轉。當時，這些以單分子分辨率獲得的高速圖像被記錄在 8 毫米的錄像帶上。自從這項工作發表以來，已經開發了新技術以獲得更高的時間和空間數據分辨率。然而，此類研究的樣品制備仍然是一項手動且耗時的工作。

活體中的單分子成像提供了通過在天然細胞環境中定位特定分子（如 RNA 和蛋白質）來研究細胞和組織中分子組織的能力。然而，許多亞細胞結構的尺寸低于可見光的衍射極限。因此，允許超越衍射極限的超分辨率顯微鏡技術，例如 PALM 和 STORM，越來越多地用于分析活細胞內分子復合物和單分子的組織原理 [ 21]]。系統生物學的一個核心范式是理解包括許多不同分子因素的生物網絡。然而，在經典熒光顯微鏡中，可以同時測量的通道數量受到熒光團之間光譜重疊的限制。在這種情況下，重要的是要注意*近的發展成功地增加了可以同時測量的分子種類的數量。例如，Lubeck 等人。 報道了一種方法，通過將超分辨率顯微鏡和使用 mRNA 條形碼與相鄰發射器/激活劑對相結合的組合標記，顯著增加了可同時測量的分子種類的數量。作為概念證明，作者分析了單個酵母細胞內 32 個基因的 mRNA 水平。這種條形碼技術的進一步改進有可能用于以單細胞分辨率進行組學實驗，這可能是系統生物學的一個重要里程碑。

然而，從整體的角度來看，對單分子機器的機械理解并不能完全理解更高層次的系統。相反，重要的是研究多個尺度的生物系統并確定分子、細胞、器官和復雜特征（如臨床綜合征）之間的潛在信號轉導鏈?，F代系統生物學和系統生物醫學的一個主要目標是轉化研究，它開發臨床應用以改善患者的生活質量。然而，在找到臨床應用之前，體外實驗的結果需要在更生理的背景下進行驗證，例如細胞培養中的分子成像、活組織培養  或活腦 ]。

細胞成像
在體外在分子尺度生物物理過程的成像需要時間密集型的樣品制備，而比例較高過程的成像（圖?2）是通常在更高的吞吐量，這是在統計電源和網絡分析方面的一個重要優點是可行. 基于細胞篩選具有生物效應的生物或化學化合物是現代轉化系統生物學的核心。高內涵篩選 (HCS) 將高通量顯微鏡與大量單細胞生理特征的自動提取相結合。配備自動對焦系統的自動顯微鏡  可用于進行高通量實驗，其中分析了數十萬種化合物或遺傳擾動的影響。這種基于圖像的高通量篩選的經典讀數是固定端點，可以從多個圖像通道收集數據。雖然缺乏動態信息是終點測量的一個限制因素，但終點測量可能的高通量和使用針對固定樣本中細胞內抗原的抗體的可能性都是選擇終點分析策略的有效論據 。與許多生化測定，將得到的細胞群的圖像規避人口平均局限性通過在單細胞水平分析圖像數據。然而，這種高通量篩選產生的大量圖像需要自動圖像分析，包括識別和隔離感興趣的區域或對象（分割）以及提取數值強度和形態特征。

圖2

在生物醫學系統選擇顯微鏡應用：（甲），（乙），和（?通過隱馬爾可夫有絲分裂事件的建模來評價有絲分裂相變[的）分析 。（A）顯示給定單元格的類預測估計的格狀圖。( B ) 事件順序圖和時間序列圖像示例。( C ) 處于不同細胞分裂狀態的雙染色 HeLa 細胞。( D ) 和 ( E ) 線蟲形態分析。( D ) 單個蠕蟲的自動分割 。( E ) 單個線蟲數據集的拉直 。( I ) 和 ( J ) 斑馬魚的身體圖譜 。( I ) TH 表達區以綠色突出顯示。( J ) 將單個圖像信息注冊到斑馬魚身體圖譜數據庫中。( F )、( G ) 和 ( H )小鼠體內成像。( F ) 微型顯微鏡重 1.9 克 。( G ) 腸黏膜屏障功能的動態分析 。( H ) 活小鼠大腦中樹突棘動力學的納米鏡檢查 。所有圖像均經出版商許可使用。

全尺寸圖片
除了單細胞信息外，光學顯微鏡還提供了從粗略的靜態模型到更精細的動態模型的途徑。低通量和中通量自動顯微鏡可用于獲取多個樣品的連續圖像系列并分析所得動力學數據?；罴毎上竦?大優勢在于其評估細胞甚至亞細胞事件動態的潛力。一個例子是 Chao 等人的一項研究。，其中在單個細胞中分析了特定 mRNA 的局部翻譯。關于細胞群，活細胞成像能夠評估細胞異質性和同步性，這對于理解細胞分化很重要 ，以及轉錄因子（如 NF-kappaB）的局部和全局控制機制 。

現代活細胞成像可以建立在一系列基于熒光的方法之上，這些方法可用于量化蛋白質的亞細胞分布、亞細胞穿梭過程的動力學和分子結合率 。使用高度調諧的設置，例如 F?rster 共振能量轉移 (FRET) 和熒光壽命成像顯微鏡，可以在分子分辨率下觀察快速時空蛋白質-蛋白質相互作用的動力學 。然而，空間解析動態信息的充分解釋需要比穩態圖像更高級的分析。除了分割之外，活細胞成像應用通常還需要對象跟蹤。動態信息與轉化研究高度相關。例如，確定水凝膠基質彈性與肌肉干細胞遷移之間的相關性可能會導致開發基于細胞的肌肉萎縮疾病療法 。經典跟蹤算法通過連接相鄰的時間點以順序方法分割和跟蹤單元格。然而，與經典跟蹤和細胞譜系識別算法相比，可以實現考慮整個圖像序列和先驗知識（例如，關于有絲分裂和細胞凋亡）的改進算法，用于注釋*佳跟蹤和識別*可能的細胞譜系 。

同時測量多種細胞特性或特征的可能性賦予 HCS 巨大的力量和具有挑戰性的復雜性。典型應用包括篩選潛在的先導物、潛在的候選藥物分子和基因篩選。這兩種方法都檢測由分子因素引起的細胞形態變化。雖然系統生物學中的多尺度分析旨在將分子因素和表型結果聯系起來，但 HCS 可用于自上而下和自下而上的方法 。使用 HCS，可以分析未經測試的分子因素對明確表型結果的影響，或對多因素表型特征進行分類，以預測潛在的網絡狀態和途徑。使用 HCS 來預測在表型篩選中鑒定的化合物的潛在途徑或分子靶標是一種假設生成方法，可以為理解具有未發現致病過程的復雜疾病提供新的視角。相比之下，使用 HCS 來驗證潛在的藥物靶點是一種更經典的、假設驅動的方法，它需要關于表型特征的更具體的先驗知識。一個常見的例子是 RNA 干擾篩選，它通常側重于*定義的表型 。

HCS 的*高級形式結合了自下而上和自上而下的方法。例如，HCS 可以將全基因組篩選與對廣泛表型特征的整體看法相結合。由 Neumann 和 Walter 等人執行的具有高度先進計算圖像處理的全基因組 RNA 干擾篩選，使用來自 2 天活細胞成像的大規模多因素表型分析成功識別了數百個涉及多種生物功能的人類基因，包括細胞分裂、遷移和存活 [ 48 , 49 ]。重要的是，這項研究還證明了單細胞事件順序分析對于旨在了解細胞尺度上的相關性和因果關系的調查的價值。

細胞分裂等罕見事件的成像仍然是一項具有挑戰性的工作。繞過手動選擇罕見事件的一種方法是使用機器學習方法來識別感興趣的細胞事件。為了填補這一空白，康拉德等人。[ 50 ] 開發了 Micropilot，這是一種自動識別細胞狀態并為目標圖像采集做出決策的軟件。圖像采集級別的預過濾會導致有價值信息的丟失；因此，預過濾的適用性取決于預過濾的類型和提出的生物學問題。例如，預過濾從先前的時間點移除信息，但允許在選定的感興趣區域增加下游事件順序分析的吞吐量。

酵母
系統生物學的一個主要目標是達到對細胞遺傳學和生理學的系統理解水平。芽殖酵母是一種簡單且遺傳易處理的真核系統，是此類功能基因組研究的主要模式生物 [ 51 ]。酵母中的經典基因組篩選側重于特定的形態特征，例如細胞大小、細胞形狀或芽位點模式 [ 52 , 53]]。此外，這種模式生物的短壽命為衰老研究提供了一個有趣的特征。然而，液體培養中的酵母細胞是懸浮細胞。出芽導致子細胞數量呈指數增長。通過拍攝單個酵母細胞整個生命周期的快照，對短壽命出芽酵母的衰老進行經典分析 [ 54 , 55 ] 涉及從較大的母細胞中手動解剖子細胞的繁瑣操作。*近，李等人。[ 56] 描述了一種基于微流體的解決方案，其中細胞在其整個生命周期內都被固定，而不會積累子細胞。因此，微流體與顯微鏡的結合極大地改善了基于圖像的衰老分析工作流程?；陲@微鏡的細胞計數法也是一種強大的工具，它具有免費提供的軟件，可以量化細胞分辨率時間序列中的熒光強度 [ 57 ]。

與哺乳動物細胞培養類似，酵母項目需要*大限度地提高表型讀數的多樣性。用于酵母細胞多參數形態學分析的現成解決方案 CalMorph 是一種圖像處理程序，可量化三重染色酵母細胞中的 501 個細胞形態參數 [ 58 – 60 ]。亞細胞事件的自動表型分析已成功用于基于參考突變組的形態表型識別藥物靶點 [ 61 ]。

秀麗隱桿線蟲
基因調控網絡的純細胞培養分析不足以理解信號轉導通路，信號轉導通路可能涉及不同生物復雜性規模的多種調控機制。與酵母相比，線蟲秀麗隱桿線蟲具有作為與人類具有更高遺傳同源性的多細胞動物模型的優勢。此外，用整只動物進行藥物發現篩選具有識別調節全身表型的化合物的優勢。動物篩選也有可能在發現過程的早期消除具有全身毒性的化合物。在動物模型（如秀麗隱桿線蟲）中進行正向和反向遺傳篩選的能力仍然是了解人類疾病表型的分子途徑的*有力的實驗范式之一 [ 62 ]。潛力分析訪問人類疾病表型的不同方面肯定會確保導向轉化研究在未來這種模式生物的重要作用，通過高通量大量等基因動物和HCS [ 62 - 67 ]。在成像方面，它對于成人來說只有大約 1 毫米的小尺寸和在所有發育階段的透明度都是有利的特征。*后，通過大小和熒光對蠕蟲進行流式分選的可能性能夠進行高通量實驗 [ 68 ]。

在線蟲中高級圖像分析的一個例子是行為運動分析。秀麗隱桿線蟲可以在廣泛的環境中移動，包括在基質上爬行、在流體中游泳以及通過微流體基質運動。對于經典運動分析，每個環境都需要定制的*先進的圖像處理工具，這些工具依賴于啟發式參數調整 [ 69 – 80 ]。斯尼特曼等人。[ 81] *近提出了一種所謂的多環境模型估計框架，該框架在各種環境中都是通用的。在此圖像分析過程中，背景環境和線蟲外觀的統計模型是從單個圖像中明確學習的，其中包括其環境中的線蟲，并用于準確分割目標線蟲。

蠕蟲的運動和復雜的形態結構對于系統生物學中的多尺度方法很感興趣，其目的是連接分子事件和有機狀態。完整的生物體，如線蟲，比簡單的細胞模型具有更多的形態特征。格林等人。[ 82 ] 表明復雜組織（如性腺）的穩態表型特征足以重建線蟲的高分辨率遺傳網絡。然而，相對復雜的形態對不同蠕蟲的比較分析提出了挑戰。圖像配準是解決此類問題的經典工具。圖像處理的*新進展可以使線蟲變直圖像，創建蠕蟲的帶注釋的 3D 身體圖譜 [ 35 , 83 ]，并對單個蠕蟲進行高通量形態學表型分析 [ 34 ]。

貝塞爾光束技術和結構照明顯微鏡的進步有望超越衍射極限，深入了解復雜的生物現象，這些現象需要在多細胞環境中擴展高分辨率時間序列 。

定量圖像分析的挑戰
圖像分析的一個中心目標是將顯微圖像轉換為具有生物學意義的定量數據。然而，使用現代系統生物學產生的圖像數據量對于手動分析來說非常龐大。因此，自動圖像分析工具的開發是必不可少的。由于現代成像數據的復雜性和規模，生物成像數據的計算分析已經成為生物信息學和計算機視覺的一個重要新興子學科。使用多參數成像數據的研究在很大程度上依賴于圖像采集、數據管理、可視化和正確數據解釋的計算方法。專用計算機視覺系統的典型功能是數據預處理、圖像分割、特征提取和決策。在過去的 20 年里，無數的商業（表?1）和開源（表?2）圖像分析和數據管理工具已經發展 。在這篇評論中，我們專注于開源解決方案，這些解決方案促進了社區驅動的圖像分析開發工作。

需要自定義計算工作流程進行圖像采集的顯微鏡開發示例包括結構照明顯微鏡 、超分辨率顯微鏡 和貝塞爾光束顯微鏡 。一些現代顯微鏡每天可以產生高達 30 TiB 的數據 。然而，系統生物學中生成的圖像量正在迅速增長。因此，存儲解決方案的可擴展性以及對圖像存儲庫和成像項目常用文件格式需求的認識正在增加。

對圖像分析的研究已經開發了一個完整的圖像分析工具生態系統。ImageJ ，以前稱為 NIH 圖像，是圖像分析開源工具領域的榜樣。從一開始它*一直是免費的，并成為*受歡迎和廣泛使用的多用途圖像分析工具。ImageJ 之所以成功，是因為科學界可以自由地使用它來專注于圖像分析而不是應用程序編程。通過添加插件實現的軟件可擴展性概念對開發人員和*終用戶也很有用。此外，這一概念已被*近發展的平臺采用，例如 Fiji [ 和 Icy ]。ImageJ 的成功故事仍在繼續，因為目前正在開發下一代 ImageJ2 軟件（表?2）。

系統生物學中圖像分析的兩個主要挑戰是分析復雜的高級結構（例如整個生物體）以及隨著吞吐量不斷增加的實驗的興起。胚胎和大腦等大規模生物系統的圖像需要*先進的算法來拼接、配準和映射到解剖圖譜。除了在該領域建立的可擴展 Vaa3D  和 Fiji 軟件包之外，現在還出現了可以處理 TiB 規模數據集的新工具，例如 TeraStitcher]。雖然此類高級結構的成像通常以相當低的吞吐量進行，但需要大量用戶輸入的部分自動化工作流程仍然很常見。相比之下，高通量實驗中產生的圖像數量通常會增加幾個數量級，無法手動分析。面臨的挑戰是在合理的時間內對來自 HCS 集的數據進行有意義的分析。幾個用于圖像分析的開源軟件包包括基于機器學習的細胞分類功能。其中一些包是 CellProfiler 、CellClassifier  和 R 包 EBImage ，它們提供固定細胞圖像的工作流程。

CellProfiler 可用于解決多個應用領域，包括強度和形態測量。與為固定對象設計的工具相比，CellProfiler 可以執行二維 (2D) 對象跟蹤。有關細胞事件之間時間耦合的信息與理解生物系統的生理學高度相關。延時成像已成為研究動態細胞過程（例如細胞分裂或標記目標的細胞內運輸）的強大工具。然而，對于這種高通量電影攝影的分析，目前只有少數工具可用。細胞認知  是一個免費提供的軟件平臺，包括高通量批處理和復雜細胞動力學的注釋，例如單個細胞通過不同細胞分裂狀態的進展。在該平臺中，時間隱馬爾可夫建模用于減少狀態轉換時的分類噪聲并區分具有相似形態的不同狀態。簡而言之，CellCognition 為基于實時成像的篩選提供了一個分析平臺，可通過直接對細胞動力學進行評分的分析進行分析 。BioImageXD 是用 Python 和 C++ 編寫的，它利用了庫 VTK  和 ITK ]。因此，與 CellProfiler 和 CellCognition 不同，BioImageXD 可以通過為多維熒光圖像集（包括時間序列）提供高級批處理功能來提供 2D 和 3D 分析選項。除了用于可視化、共定位分析、分割和跟蹤的內置工具外，BioImageXD 的圖形用戶界面還有助于自定義圖像分析管道的組裝。該項目的開源設計，以及 Python 和黃金標準文件格式（如 OME-TIFF）的使用，應進一步促進該項目的發展，以幫助從事時空解析數據的社區。

開源軟件可以促進編程生物學家和對生物學感興趣的計算機科學家之間的富有成效的合作。然而，一個重要的挑戰是確保整個顯微鏡用戶社區都可以使用分析工具。用于圖像分析的專業編程、易于使用的開源工具的及時公開可用性將取決于有才華的圖像分析代碼編寫者的職業機會，而這些新興工具的質量將取決于良好的編程實踐。*近，Carpenter 等人。 描述了圖像分析軟件的可用性標準，并提倡將可用性作為具有廣泛影響的圖像分析研究中更有價值的目標。作者強調，圖像分析軟件應該是用戶友好的、模塊化的、開發人員友好的、經過驗證的和可互操作的。通常，可用的開源軟件的開發需要用戶和程序員之間的密切合作，這樣生成的軟件不會因缺乏軟件工程專業知識或現實世界的適用性而受到影響。具有非常好的可用性的開源圖像信息學平臺的一個突出例子是*近開發的通用圖像分析平臺 Icy 。該平臺的主要目標是對開發人員友好，促進及時有效的合作以及可重復的研究。該軟件基于 Java 構建，但也可以與*初基于 C++ 的 VTK 和 ITK 庫一起用于本地 3D 可視化?，F代且組織良好的用戶界面提供對*先進的圖像分析工具和基于 μManager 的  顯微鏡控制的訪問，以進行帶反饋的實時采集。此外，完整協議的編寫由所謂的工作流設計工具促進，該工具將單個進程表示為圖形塊，并且不需要任何 Java 編程知識 。

研究人員提出前所未有的科學問題的創造力將繼續給圖像分析帶來挑戰，而這些挑戰無法用單個軟件工具解決。由于普遍使用各種不同的軟件工具來獲取和分析數據，因此這些工具之間的連接性和互操作性至關重要。幸運的是，許多開發人員已經了解這一點，*成功的開源圖像分析平臺正在明確開發共享數據和代碼的方法 。*后，需要提取所需特征的圖像分析，但不足以得出生物學相關的結論。提取的基于圖像的特征需要進行進一步的高級數據分析。反過來，提取特征的分析和相關特征的識別可以通過機器學習大大提高。

機器學習
基于圖像的研究中不斷增加的信息內容對數據解釋提出了新的挑戰。由一整套特征定義的多參數表型描述符，也稱為表型 ，可用于對包含在單個像素、單個圖像或整個篩選數據集中的信息進行聚類。然而，基于機器學習的分類可用于圖像分割和圖像衍生特征的高級分析 。

Ilastik是基于該訓練機器學習算法用于識別屬于一類感興趣的[圖像的像素用戶定義的例子的開放源碼工具 ]。這種高度先進的分割方法對于經典的基于模型的分割結果不佳的圖像特別有用。

機器學習可以幫助將在圖像處理中獲得的基于圖像的特征分類為具有生物學意義的模式?？梢允褂脠D像特征執行以下 3 類一般任務：統計比較、監督學習和無監督學習。在監督學習中，用戶通過提供信息（例如實驗條件的注釋或指示化合物的濃度）來輸入先驗知識。在這些情況下，有監督的機器學習可以確定*有用的特征來區分注釋的生物模式。一些例子是劑量反應曲線 [和時間序列中的時間點 。

細胞認知 是在有絲分裂調節劑的全基因組篩選的背景下開發的。該工具結合了明確編碼的圖像分割和監督機器學習來自動識別和注釋有絲分裂階段?？紤]到單個細胞有絲分裂狀態的注釋，監督學習意味著必須對一小組細胞手動進行有絲分裂狀態的注釋。將此帶注釋的訓練集提供給學習算法，以找到對剩余單元格執行注釋的方法。對于訓練集和主數據集中的每個細胞，算法被賦予一組輸入變量，它使用它標記有絲分裂狀態。形式上，學習階段包括找到將輸入變量映射到正確決策的數學函數。一些現成的分類器，包括基本形式的支持向量機，使用線性決策函數。然而，在 CellCognition 中，使用了具有非線性徑向核的支持向量機。設置工作分類算法的主要挑戰是定義足夠的特征作為輸入變量?？紤]人類可以用來執行分類任務的屬性類型可能會有所幫助。形狀是分類有絲分裂狀態的重要屬性（圖 考慮人類可以用來執行分類任務的屬性類型可能會有所幫助。形狀是對有絲分裂狀態進行分類的一個重要屬性（圖 考慮人類可以用來執行分類任務的屬性類型可能會有所幫助。形狀是對有絲分裂狀態進行分類的一個重要屬性（圖?2乙)。然而，形狀不容易量化。相反，CellCognition 在分類過程中使用了一組定量特征，例如圓度。CellCognition 的例子表明，監督式機器學習可以利用人類對復雜特征的解釋，如形狀和此類復雜特征的數學抽象，這是高通量項目中自動分類工作流程所必需的。

與監督機器學習相反，無監督學習（例如聚類分析）可以獨立于先驗知識使用，以在數據中查找組。無監督學習的一個例子是通過藥物的作用對藥物進行聚類 。監督學習和無監督學習的組合通常被稱為半監督學習。一個經典的方法是從監督學習開始，以確定在使用無監督學習來發現生物相關性的未知子類之前，是否可以使用給定的特征來區分一些主要類別 。

工作流系統
工作流系統*近開始出現在基于圖像的系統生物學中，并為用戶提供了更大的靈活性。這些工具將圖像分析工具和機器學習工具等應用程序稱為分析管道的組件。工作流系統可用于構建用于圖像采集的虛擬系統，并且無需編寫復雜的腳本即可執行特征提取和高級數據分析。隨著對復雜處理、圖像分析和高級數據解釋的需求不斷增加，開源工作流系統越來越受歡迎。KNIME  是一個開源工作流系統，具有非常廣泛的領域集，可連接圖像分析工具和其他生物信息學工具，以創建復雜的圖像處理和分析工作流。

一些開源圖像分析工具也可以在不使用工作流系統的情況下進行組合。例如，CellProfiler 憑借其強大的集成能力，可以在自動圖像分析管道的上下文中運行 ImageJ 宏或 Ilastic 機器學習算法。在基于圖像的系統生物學背景下，KNIME 的主要優勢在于它可以構建超出可用圖像分析工具直接互操作性的工作流程。例如，KNIME 可以將來自斐濟 [的用于 n 維圖像分析的庫 ImgLib 集成到尚未具備此功能的工作流程中。

數據庫
系統生物學中的大量實驗、圖像、元數據和可提取特征需要關系數據庫。在 HCS 中，內在需要用戶友好、可擴展且功能強大的信息管理系統。數據管理平臺應使用戶能夠收集、整合、共享和發布數據。在互操作性的范圍內，這些平臺還應該能夠連接到數據處理管道和工作流系統。使用開源數據庫的好處是可擴展性和平臺定制的可能性。

生物圖像語義查詢用戶環境（Bisque） 是為交換和探索生物圖像而開發的。Bisque 系統支持從圖像捕獲到圖像分析和查詢的多個領域。該平臺以圖像和元數據數據庫為中心。集成的分析工具允許進行高級語義查詢以及圖像內容的比較。Bisque 專門為研究人員提供組織和定量分析工具，用于時間分辨多通道 3D 篩選數據。圖像和元數據使用與圖像相關聯的標簽（即名稱-值對）進行組織。通常，用戶通過瀏覽集合或使用特定查詢進行搜索來定位感興趣的圖像。該系統有一個集成的網絡圖像瀏覽器，用于對圖像進行過濾、排序和排序。圖像組織器通過分層標簽排序執行高級排序。此外，用戶可以使用數據模型和分析擴展來擴展 Bisque，以使系統適應本地需求。Bisque 的可擴展性源于以下兩個核心概念：靈活的元數據工具和基于 Web 的開放架構。

打開顯微鏡環境（OME）項目杠桿成像著眼于底層需要共同的文件格式的項目。OME 提供了 Bio-Formats，這是一種完全解析 120 多種專有圖像格式并將專有元數據轉換為 OME-XML 數據模型的工具。OME-TIFF 格式是帶有 OME-XML 元數據的 Tiff 圖像的容器格式，也是社區驅動項目中使用*廣泛的圖像格式。為確保數據完整性，Bio-Formats 將專有文件格式元數據轉換為鍵值對表，隨后將其作為注釋存儲在關系數據庫 OMERO  中導入的圖像上]。OMERO 旨在為圖像數據生成器和用戶提供一個統一的數據管理平臺。簡而言之，OMERO 對圖像和元數據使用了多種存儲機制，并提供了一個應用程序編程接口，用于使用基于 C++、Python、Matlab 或 Java 的遠程圖像分析工具。*近添加的功能還允許在表格中組織定量特征。

在 HCS 中，跟蹤定量特征至關重要。OpenBIS 是一個框架，用于為 HCS 數據和元數據構建用戶友好、可擴展且功能強大的信息系統。OpenBIS 允許用戶收集、集成、共享和發布基于圖像的數據并連接到數據處理管道。該框架建立在從項目管理層到樣本特定數據集的分層結構上，易于擴展和專業化，但不限于成像項目。OpenBIS 是一個靈活的平臺，用于處理圖像、結構化元數據（例如，樣本注釋）和非結構化數據（例如，附加文件），并且可以擴展到非常大的數據。

數據庫與工作流系統（如 KNIME）的組合可以實現經典圖像數據庫范圍之外的功能集成。例如，KNIME 節點 1Click1View (1C1V) 的開發是為了促進來自 HCS 的大規模圖像數據集和數字數據之間的鏈接 。在篩選板級別，1C1V 可用于以熱圖的形式可視化定量特征。Phaedra  是另一個連接到 KNIME 的信息學工具，已開發用于支持藥物篩選和目標發現的工作流程。該工具可用于繪制劑量反應曲線、管理排除和注釋選項，以及執行細胞分類、統計質量控制和報告。



結論
從歷史上看，顯微鏡一直是一種定性技術。然而，由于標記和成像方法以及計算機視覺和信息學的進步，現代顯微鏡已經廣泛改進了從生物樣本中提取有意義的定量數據。盡管技術進步，但需要找到統計顯著性所需的實驗吞吐量與新生物學知識的潛在輸出之間的平衡。明確的研究計劃和先驗知識是轉化系統生物醫學進展的關鍵先決條件。在許多情況下，基于圖像的方法可以做出重大貢獻。然而，選擇合適的實驗模型并使用*適合所選方法和樣品特性的成像技術至關重要。鑒于系統生物學中光學顯微鏡應用的種類繁多，尋找一種能夠滿足所有需求的通用圖像分析工具往往是虛幻的。正確的方法是專注于高質量原始數據的生成，并利用現有圖像分析工具的靈活性來集成所需的圖像分析和數據處理工作流程。