当一张组织切片同时标记6种蛋白，产生超过10万条空间数据——科研人员该如何从这些海量信息中提取关键生物学洞见？

传统的单色免疫组化时代，研究者们往往陷入“数据贫瘠”的困境：有限的标记维度让肿瘤微环境如同雾中风景，免疫细胞与癌细胞的互动只能通过零散的拼图推测。而如今，多色免疫组化技术（mIHC）的突破，让单张切片即可呈现PD-L1、CD8、Ki-67等数十种标志物的共表达图谱，但新的挑战随之而来：

多色免疫组织化学分析挑战：

1.如何精准拆解重叠的荧光信号？

2.怎样量化细胞间的空间“对话”距离？

3.能否从数万细胞中自动识别关键表型？

思迪拜尔

这正是思迪拜尔多色免疫组化技术服务服务的核心使命——通过AI驱动的全链条数据分析引擎，将复杂染色数据转化为可行动的生物学语言。我们不仅提供定量报告，更致力于挖掘空间多组学数据的深层逻辑：从免疫细胞浸润热图到肿瘤-免疫边界动力学模型，让每一个像素都成为揭示疾病机制的钥匙。

01基础分析内容

1. 区域识别

肿瘤区域检测：使用例如细胞角蛋白、P53等肿瘤标志物，生成肿瘤区域的识别和分割结果，并进一步生成浸润边界等。

2.细胞分割及表型鉴定

通过基于AI的深度学习算法准确识别组织中的细胞，然后针对生物标志物分别设置最佳的阳性阈值，识别并统计不同的细胞表型。

细胞表型定量分析，单阳、双阳、多阳性统计

细胞双阳性统计

细胞表型识别

02

高级空间分析

1.特定距离范围内的邻近细胞计数

在所选目标细胞周围设置定义的距离带。量化此半径内的所有指定邻居细胞，并生成平均值、中位数和最小/最大读数。可以根据需要，在不同的距离范围内，分析不同类群的细胞。

2.最近邻分析

在任何感兴趣区域（ROI）中设置目标细胞，并获取有关每个目标细胞最近邻细胞距离的全面统计分析。定义一个最大距离以限制寻找最近邻的范围。

细胞邻域分析