ImageJ 荧光灶点计数：DNA 损伤灶与蛋白 puncta 定量分析

什么是荧光灶点和 puncta

荧光灶点（foci）和蛋白 puncta 是指细胞内局部聚集的荧光信号小点，直径通常在 0.2-2 µm 之间。常见例子包括：

• DNA 双链断裂标记 γH2AX 灶点
• DNA 损伤应答蛋白 53BP1 灶点
• 自噬标志物 LC3 puncta
• 应激颗粒蛋白 G3BP1 puncta
• 线粒体或脂滴相关蛋白聚集点

与整体荧光强度定量不同，灶点分析需要同时统计数量和形态特征。单纯比较总荧光强度可能掩盖”少量大灶点”和”大量小灶点”之间的生物学差异。

分析前的图像质量检查

图像采集要求

关键判断：这图能不能做灶点分析

• 阴性对照几乎看不到离散亮点
• 阳性样品中灶点与背景对比明显
• 同一批次图像采集参数一致
• 没有明显的背景不均或光漂白

如果阴性对照就有大量亮点，说明抗体特异性或成像参数有问题，应先优化实验条件。

单张图像灶点计数流程

步骤一：导入并拆分通道

1. File → Open 导入多通道荧光图像
2. Image → Color → Split Channels 拆分通道
3. 选择目标蛋白对应的通道进行分析

步骤二：背景扣除

背景会显著影响阈值分割效果。推荐两种方法：

方法 1：滚动球背景扣除

Process → Subtract Background
Rolling ball radius: 通常 10-50 像素，取决于灶点大小

半径选择原则：大于单个灶点直径，小于细胞整体尺寸。可以先尝试 25 像素，观察背景是否被有效去除而灶点保留。

方法 2：高斯模糊差值

1. 复制图像：Image → Duplicate
2. 对复制图做高斯模糊：Process → Filters → Gaussian Blur，Sigma 设为灶点直径的 2-3 倍
3. 用原图减去模糊图：Process → Image Calculator，选择 Subtract

步骤三：阈值分割

Image → Adjust → Threshold

常用方法：

• Default 或 Otsu：适合大多数情况
• Triangle：适合背景较低、灶点明显的情况
• Li：适合背景较复杂的情况

操作要点：

1. 选择 Dark background
2. 点击 Auto 自动计算阈值
3. 手动微调，确保：
   • 大部分真实灶点被选中
   • 背景噪音不被选中
   • 相邻灶点能被分开
4. 点击 Apply 生成二值化图像

步骤四：去除噪音和分割粘连灶点

二值化后处理：

Process → Binary → Options

常用操作：

• Fill Holes：填充灶点内部小孔
• Dilate / Erode：调整灶点边缘
• Watershed：分割相互粘连的灶点

步骤五：颗粒分析

Analyze → Analyze Particles

设置参数：

输出结果包括：

• 灶点数量
• 面积
• 平均荧光强度
• 积分光密度（Integrated Density）
• 周长、圆形度等形态参数

步骤六：结果验证

1. 打开 Show → Outlines 图像
2. 检查软件识别的灶点是否与肉眼观察一致
3. 如果有大量漏检或误检，返回调整阈值或大小过滤参数
4. 建议对 5-10 张图做人工抽查，计算识别准确率

基于细胞核 ROI 的灶点分析

很多实验中需要先圈出细胞核，再统计核内灶点。这在 DNA 损伤分析中尤为常见。

操作步骤

1. 用 DAPI 通道识别细胞核
2. Process → Binary → Make Binary 或阈值分割得到细胞核二值图
3. Analyze → Analyze Particles，设置大小过滤得到单个细胞核 ROI
4. ROI Manager 中保存所有细胞核
5. 切换到目标蛋白通道
6. Analyze → Tools → ROI Manager 中选中所有细胞核 ROI
7. 点击 Measure，得到每个细胞核内的总荧光强度
8. 再对目标通道做颗粒分析，统计每个细胞核内的灶点数量和特征

推荐插件：TrackMate 或 FindFoci

对于密集、细小或动态变化的 puncta，ImageJ 自带颗粒分析可能不够。可以考虑：

• FindFoci：专门用于识别和量化荧光灶点
• TrackMate：适合追踪动态 puncta
• StarDist：适合细胞核分割

批量处理多张图像

使用宏（Macro）自动化

对于同一批次、参数一致的图像，建议写一个简单的 ImageJ 宏：

// 示例：批量打开图像、拆分通道、阈值分割、颗粒分析
input = "输入文件夹路径";
output = "输出文件夹路径";
list = getFileList(input);

for (i = 0; i < list.length; i++) {
    open(input + list[i]);
    run("Split Channels");
    selectWindow(list[i] + " (green)");
    run("Subtract Background...", "rolling=25");
    setAutoThreshold("Otsu dark");
    run("Analyze Particles...", "size=0.05-10 circularity=0.00-1.00 show=Outlines display summarize add");
    saveAs("Results", output + list[i] + "_results.csv");
    close();
}

注意：这只是一个示例框架，实际使用前需要根据具体图像调整参数，并在小批量图像上验证。

批量处理原则

• 同批次图像必须使用完全相同的分析参数
• 至少手动验证 3-5 张代表性图像
• 不同批次图像应分别建立分析参数
• 记录使用的宏版本和参数设置

常见定量指标

常见问题与排查

阈值分割后背景噪音太多

可能原因：

• 背景扣除不足
• 抗体非特异染色
• 图像信噪比低

处理：

• 优化背景扣除半径
• 提高阈值下限
• 增加 Size 下限过滤小噪音点
• 检查阴性对照确认背景来源

相邻灶点被识别为一个

处理：

• 使用 Process → Binary → Watershed 分割粘连区域
• 减小 Dilate 次数
• 调整阈值使灶点边缘更清晰

灶点漏检严重

可能原因：

• 阈值设置过高
• 灶点信号弱
• 背景扣除过度

处理：

• 降低阈值
• 优化成像曝光时间
• 减小背景扣除半径
• 对阳性对照单独优化参数

不同批次结果不可比

处理：

• 每批次必须包含共同对照
• 记录并固定分析参数
• 避免跨批次直接比较原始计数，优先比较相对变化倍数
• 如果可能，在同一次分析中处理所有对照组和处理组

发表文章时的报告要求

1. 说明图像采集参数（物镜、像素尺寸、曝光时间）
2. 说明分析软件和版本（如 FIJI v2.14.0）
3. 说明背景扣除方法和参数
4. 说明阈值算法和大小过滤范围
5. 报告阴性对照结果
6. 说明统计方法（如每个处理组分析了多少个细胞、来自几次独立实验）

推荐分析流程

1. 检查图像质量和阴性对照
2. 拆分通道并选择目标通道
3. 做背景扣除
4. 自动阈值分割并二值化
5. 填充孔洞、分割粘连灶点
6. 设置大小和圆形度过滤
7. 运行颗粒分析
8. 人工抽查验证识别效果
9. 批量处理同批次图像
10. 导出结果并用统计软件分析

相关阅读

• ImageJ 荧光图片分析：荧光强度定量与共定位分析
• ImageJ 细胞计数操作指南
• ImageJ Western blot 条带灰度定量操作指南
• 共聚焦显微镜信号弱怎么排查
• 免疫荧光背景高怎么降
• 免疫荧光有背景没信号怎么办