概述
免疫荧光实验中，研究者经常需要回答一个问题：蛋白 A 和蛋白 B 在细胞内的空间分布是否存在重叠？这种空间重叠关系通常被称为”共定位”（colocalization）。与共沉淀等生化手段不同，共定位分析属于成像层面的关联性描述，不能直接证明两种蛋白存在物理相互作用，但可以为后续验证提供重要线索。
ImageJ/FIJI 内置的 Coloc2 插件是目前最常用的共定位分析工具之一。它可以计算 Pearson 相关系数、Manders 重叠系数、Li 系数等指标，并自动生成像素散点图和阈值化结果。本文将围绕 Coloc2 的实际使用流程展开，帮助你在实验图像上稳定、可重复地完成共定位定量。
适用场景与前置条件
什么样的数据适合共定位分析
- 双通道免疫荧光图像：例如绿色通道标记蛋白 A，红色通道标记蛋白 B
- 共聚焦或宽场显微镜拍摄的二维单层面图像
- 信噪比足够、背景均匀、无严重串色（bleed-through）的图像
不适合直接分析的情况
- 通道之间存在明显荧光串色：需要先进行串色校正或重新设计染色方案
- 单一通道信号极弱、接近背景：结果会严重受噪声影响
- 细胞密度过高、细胞边界难以区分：建议先分割单细胞 ROI
- 三维 z-stack 数据：Coloc2 默认按当前切片计算，若需体素级分析，应使用 3D 工具或插件
图像预处理
在运行 Coloc2 之前，建议完成以下预处理步骤。预处理越规范，后续阈值设置越稳定。
步骤一：拆分通道
Image → Color → Split Channels
将多通道图像拆分为独立的单通道灰度图。以 C1（DAPI/蓝色）、C2（绿色）、C3（红色）为例，通常只需要选取 C2 和 C3 进行分析。
步骤二：确认空间对齐
多通道图像在拍摄时已经由显微镜完成光学对齐。如果你的图像是分别拍摄后拼接的，需要先通过 Plugins → Registration 或手动平移完成配准。未对齐的通道会显著降低 Pearson 系数。
步骤三：背景评估
使用 ROI 工具在细胞外无信号区域画一个小区域，Analyze → Measure 读取 Mean gray value。两个通道的背景均值应接近，且远低于目标信号区域。如果背景差异大，建议先进行背景扣除（Process → Subtract Background，rolling ball radius 根据细胞大小设置，通常为 10-50 像素）。
Coloc2 操作流程
启动插件
Analyze → Colocalization → Coloc 2
选择输入图像
在弹出的 Coloc2 窗口中：
- Channel 1：选择通道 A 的单通道灰度图
- Channel 2：选择通道 B 的单通道灰度图
- ROI or mask：可选。如果需要只分析特定区域（如单个细胞、胞核、胞质），可在此选择 ROI Manager 中的 ROI 或二值 mask
选择算法
默认勾选：
- Pearson’s correlation coefficient
- Manders’ M1 and M2
- Li’s ICQ
对于大多数双通道共定位分析，Pearson + Manders 已经足够。如果样本存在明显比例差异（例如一个通道信号面积远大于另一个），Manders 系数比 Pearson 更有解释力。
自动阈值设定
Coloc2 默认使用 Costes 自动阈值法（Costes’ auto-threshold）。其原理是通过迭代寻找一组阈值，使得阈值以上像素的 Pearson 系数接近 0，从而排除背景相关性的干扰。
勾选 Costes' randomization 和 Show histograms / scatterplots 可以帮助判断结果可信度。自动阈值适合背景均匀、信号分布清晰的图像；如果自动阈值明显切掉真实信号，建议改用手动阈值。
运行分析
点击 OK 后，Coloc2 会生成结果窗口，包含以下核心指标：
| 指标 | 含义 | 取值范围 | 解读参考 |
|---|---|---|---|
| Pearson’s r | 两个通道灰度值线性相关程度 | -1 到 1 | 0.5-1.0 通常认为共定位较好；0.3-0.5 为中等；<0.3 较弱 |
| Manders’ M1 | 通道 1 信号中与通道 2 重叠的比例 | 0 到 1 | 表示 A 信号中有多少落在 B 信号所在区域 |
| Manders’ M2 | 通道 2 信号中与通道 1 重叠的比例 | 0 到 1 | 表示 B 信号中有多少落在 A 信号所在区域 |
| Li’s ICQ | 基于强度变化方向的相关性 | -0.5 到 0.5 | 接近 0.5 表示高度共定位；接近 0 表示随机分布 |
| Costes P-value | 自动阈值随机化检验 | 通常 0 到 1 | 小于 0.05 表示相关性显著 |
结果解读
Pearson 系数 vs Manders 系数
Pearson 系数对两个通道的强度变化敏感。如果蛋白 A 和蛋白 B 在同一位置同时高表达或同时低表达，Pearson 会较高。但它不考虑信号面积比例，两个通道信号强弱差异大时，Pearson 仍可能很高。
Manders 系数反映的是”空间重叠比例”。例如 M1 = 0.8 表示通道 1 中 80% 的信号像素与通道 2 信号区域重叠。它更适合回答”A 是否在 B 所在位置出现”这类问题。
典型结果场景
| Pearson | M1 | M2 | 可能含义 |
|---|---|---|---|
| 高 | 高 | 高 | 两蛋白高度共定位，空间分布一致 |
| 高 | 高 | 低 | 两蛋白在重叠区域强度变化同步，但 B 信号分布更广 |
| 高 | 低 | 低 | 可能存在背景相关或阈值设置过低 |
| 低 | 高 | 高 | 信号区域重叠但强度不成比例 |
| 低 | 低 | 低 | 两蛋白空间分布独立 |
阈值选择对结果的影响
Coloc2 的结果高度依赖阈值。自动阈值可能过于保守或激进，建议：
- 同一批次图像使用相同阈值策略
- 记录每次分析的阈值数值
- 在正文中同时报告 Pearson 和 Manders 值，并注明是否使用 Costes 自动阈值
- 对于重复实验，建议固定手动阈值或使用批次统一的自动阈值
常见坑点与避坑建议
1. 只看 Pearson 系数
Pearson 容易受背景、曝光和细胞密度影响。一篇合格的方法描述应至少同时报告 Pearson 和 Manders M1/M2。
2. 未扣除背景
高背景会人为抬高 Pearson 系数，因为背景区域两个通道同时接近某个灰度值，产生伪相关。分析前应进行背景扣除或在阈值设置中排除背景区域。
3. 串色未校正
如果绿色通道抗体在红色通道有渗漏，两个通道本质上测的是同一信号，共定位系数必然虚高。拍摄时应设置合适的激发/发射滤光片组，并在分析前进行串色验证。
4. ROI 选择不一致
不同细胞、不同视野的共定位结果差异可能很大。建议：
- 每个条件至少分析 20-30 个细胞
- 随机选取视野，避免只挑”好看”的细胞
- 若分析胞核与胞质共定位，应使用 DAPI mask 分割 ROI
5. 忽略 z-stack 的光学切片效应
厚样本拍摄时，焦平面上下方的信号会进入当前切片。单一切片分析可能引入伪共定位。建议使用共聚焦薄层光学切片，或对 z-stack 进行最大强度投影后再分析。
批量分析建议
如果需要在多个样本上重复相同参数，可以使用 FIJI 宏录制功能：
Plugins → Macros → Record- 手动执行一次完整分析流程
- 将生成的宏保存为 .ijm 文件
- 使用
Plugins → Macros → Run批量处理同批次图像
批量分析时务必保持通道拆分顺序、阈值策略和 ROI 选择方式一致。
发表时的结果报告
在论文方法部分建议写明：
- 图像采集设备与物镜参数
- 通道拆分与背景扣除方法
- 共定位分析软件与版本（如 FIJI v2.14.0, Coloc2 v3.0）
- 阈值设定方法（Costes auto-threshold 或手动阈值）
- 统计方法：至少报告每个条件的细胞/视野数、均值、标准差或标准误
结果部分建议以表格形式呈现：
| 分组 | Pearson r | M1 | M2 | n（细胞数） |
|---|---|---|---|---|
| 对照组 | 0.72 ± 0.08 | 0.68 ± 0.09 | 0.71 ± 0.07 | 25 |
| 处理组 | 0.45 ± 0.11 | 0.42 ± 0.10 | 0.48 ± 0.12 | 25 |
总结
ImageJ Coloc2 是免疫荧光共定位分析的实用工具，但结果可信度取决于图像质量、预处理规范和阈值选择策略。分析时应同时参考 Pearson 和 Manders 系数，避免单一指标误导结论。对于发表级数据，建议统一分析参数、设置生物学重复和技术重复，并在方法部分完整报告分析流程。