一、文章介绍
组成型外泌（constitutive exocytosis）是囊泡将货物运送到质膜和细胞外空间的运输途径，对所有真核细胞都至关重要。酿酒酵母（Saccharomyces cerevisiae）因其遗传可操作性而被确立为研究外泌分子机制的主要模型，其中已鉴定出超过30个关键组分。外泌复合体（exocyst）是一个异源八聚体复合物，在囊泡拴系和融合步骤中发挥核心作用。当与荧光蛋白融合表达时，外泌复合体和其他外泌组分可在质膜上成像为衍射极限的荧光点。单颗粒追踪（SPT）技术能够在活细胞延时电影中检测和连接这些点，捕捉它们在外泌过程中的时间行为，从而定量测量动力学参数、分子拷贝数和时空动态。
然而，外泌的SPT分析受到生物学和技术因素的双重限制。外泌的极化性质结合分泌囊泡的大小（直径约80 nm，小于衍射极限）使得空间分辨邻近外泌事件变得困难；每个外泌事件中参与蛋白质的拷贝数很少（平均7个外泌复合体控制每个事件），降低了信噪比（SNR）。因此，最先进的颗粒追踪算法即使在参数滤波器的辅助下也常无法准确捕获真正的外泌事件。这导致大量假阳性轨迹需要额外的人工检查------这一步骤需要高度专业化的研究人员，耗时且易引入个人偏见。这些技术限制不仅限于外泌分析，而是SPT社区面临的更广泛挑战。基于pH敏感的pHluorin荧光探针的方法在酵母细胞中因探针折叠、分泌和成熟问题而表现不佳，且仅反映与融合孔开放相关的局部pH变化，无法捕捉未发生囊泡融合的外泌事件，掩盖了功能和机制信息。
为克服上述限制，Eric Kramer、Laura I. Betancur及其合作者在Bioinformatics 上发表了题为"ExoFILT: a deep learning-based classifier for exocytic events in single-particle tracking data"的应用笔记，提出了一个名为ExoFILT的基于深度学习的分类器。
ExoFILT的核心是通过迁移学习 ------在大量模拟数据上预训练，再用少量实验数据进行微调------在标注数据有限的场景下达到与人类注释者相当的性能。研究者首先构建了SPT数据集：酵母细胞表达外泌复合体亚基Exo84融合三聚mCherry（exocyst-mCh），以115 ms/帧采集615帧（70秒）。经TrackMate自动追踪后，原始数据集包含约2,500条轨迹，其中仅约3.6%为真正外泌事件。通过宽松滤波器（permissive filter）去除明显虚假轨迹后，由人工注释者使用自定义ImageJ GUI将事件标记为"真正"（bona fide）或"模糊"（ambiguous）。
模拟数据生成涵盖3类真正外泌事件和11类模糊事件（共14个子类），通过改变信噪比、粒子密度、运动模式、背景噪声等参数生成20,000个视频/子类。CNN架构基于Inception模块 ，使用3D卷积（2D+T）同时学习时空特征。三种训练策略对比：（A）仅用实验数据训练（过拟合，F1=32%）；（B）仅用模拟数据训练（泛化差，F1=21%）；（C）迁移学习（ExoFILT） ------在模拟数据预训练模型上用实验数据微调，F1达42%，与人类注释者间一致性（F1=43%）相当。ExoFILT将人工注释时间从平均10.7小时减少至1.0小时（约10倍），并消除了注释者间的系统性偏差（真正外泌事件的exocyst-mCh寿命在注释者间无显著差异）。
在案例研究中，ExoFILT应用于同时双色成像（exocyst-mCh + mNeonGreen-Sec1），从53个电影中识别出194个真正外泌事件。其中98个与Sec1共定位，52个与模糊Sec1轨迹共定位，44个无检测到Sec1信号（22.7%）。定量分析显示，无Sec1事件的外泌簇寿命更短（10.6 vs 13.1 s）且峰值强度更低，表明Sec1阴性事件代表一类拷贝数不足、可能无法完成融合的"流产"外泌事件。
二、算法原理介绍
ExoFILT的算法设计围绕"模拟数据生成 → 3D CNN预训练 → 迁移学习微调"三个核心步骤展开。
（一）模拟数据生成。 基于DeepTrack 2.1和Andi-Datasets生成10×10像素、可变帧数的视频序列，模拟真正外泌事件（3个子类：高/中/低SNR，不同运动模式）和模糊事件（11个子类：噪声、漂移、重叠、短暂出现等）。每种子类生成20,000个视频，总模拟数据集71,430个样本。模拟参数涵盖SNR、粒子密度、运动模式、背景噪声、光漂白等真实实验中的变化范围，使模型学习区分真正事件与各种假阳性的时空特征。
（二）CNN架构与预训练。 模型基于Inception模块：输入视频同时经过四个分支------1×1×1、3×3×3、5×5×5的3D卷积核以及1×1×1最大池化，并行提取不同尺度的时空特征。特征拼接后经批归一化、3D全局最大池化，再经四个全连接层（含dropout层，P=0.5）输出二元分类。预训练在50,000个平衡模拟样本上进行（batch size=64，lr=0.001，Adagrad优化器），训练和验证准确率达98.0±0.2%，表明模型成功学习了模拟数据的判别模式。
（三）迁移学习微调（ExoFILT）。 关键创新：将模拟数据预训练模型的权重作为初始参数 ，用少量实验数据（FD2，119个真正+1,481个模糊事件）进行微调。采用非平衡采样（1:10真正:模糊），batch size=6，lr=0.0005，训练稳定且无过拟合（训练准确率94.2%，验证93.1%）。迁移学习使模型在保留模拟数据学到的通用时空特征的同时，适应实验数据的真实分布。在独立测试集FD1上，ExoFILT的AUC-ROC达0.92，AUC-PR达0.33（随机基线0.04），F1达42%（与人类注释者间一致性43%相当）。相比直接实验数据训练（过拟合）和纯模拟训练（泛化差），迁移学习在标注数据极其有限（仅119个正样本）的场景下实现了最优性能。
（四）推理与整合。 推理时，对每个输入视频应用6种数据增强（90°旋转和镜像），预测平均作为最终得分。用户可调整决策阈值（0-1）平衡精度与召回率。ExoFILT集成到ImageJ工作流：TrackMate检测轨迹→ExoFILT分类→Annotation GUI人工校验。注释者仅需检查被分类为"真正"的事件（从上千条轨迹减少到数百条），实现约10倍时间节省。
三、总结
ExoFILT是一个基于迁移学习的深度学习分类器，用于从单颗粒追踪数据中识别酵母外泌事件。通过在大量模拟数据上预训练3D CNN（Inception架构学习时空特征），再用少量实验数据进行微调，解决了标注数据有限的瓶颈，达到与人类注释者相当的性能（F1=42%），并将注释时间减少约10倍、消除注释者间系统性偏差。其核心创新在于：以模拟数据预训练提供通用时空特征先验，以迁移学习适应实验数据分布，使模型在正样本仅119个的情况下仍能稳健工作 。ExoFILT应用于exocyst-Sec1双色成像，发现约23%的外泌事件缺乏可检测的Sec1信号且寿命更短、强度更低，揭示了外泌事件的分子异质性，为外泌机制研究和SPT数据分析提供了可扩展、可复用的计算框架。