流式实验避坑指南（四）：补偿并不能解决所有问题，多色流式中的Spreading Error如何影响数据质量？

在多色流式实验中，光谱重叠是无法回避的基础问题，因此补偿（Compensation）也成为了每个实验人员的必备操作。不少实验者会有一个固有认知：只要单染对照合格、补偿矩阵校准无误，多色Panel就应该能获得清晰的分群效果。但实际操作中，很多人都遇到过这样的困境：

• •    单染管补偿调节到位，阴性群中位数完全对齐；
• •    抗体质量、染色流程均无异常；
• •    回到样本数据中，弱表达Marker的阳性群与阴性群依然边界模糊；
• •    多色组合下的分群分辨率远不及单色实验。

出现这种情况，未必是补偿操作出了错，很可能是忽略了另一个决定多色数据质量的关键隐形因素——Spreading Error（荧光扩散误差，又称Spillover Spreading Error）。理解Spreading Error的本质与影响，是从“会做补偿”进阶到“会设计高质量Panel”的关键一步。

图1. Spreading Error导致阳性群体区分度降低

一、补偿解决了什么问题？为什么它不是万能的？

1. 光谱重叠：补偿存在的前提

流式实验中使用的荧光染料，其发射光谱通常覆盖一定范围，而不是仅产生单一波长的光。因此，当某一种荧光染料被激发后，部分发射光可能会进入其他检测通道，这种现象被称为光谱溢漏（Spillover）。例如，PE的主要发射峰位于约575 nm附近，但其发射光谱仍会延伸至其他检测区域，从而在相邻通道产生额外信号。如果不进行校正，这部分溢漏信号会导致其他通道中的荧光强度整体升高，影响细胞群体的准确判断。补偿正是为了解决这一问题。

图2. 光谱重叠

2. 补偿的本质：校正信号均值的偏移

从数学角度来看，补偿是一种基于单染对照建立的信号校正方法：通过单染管计算某一荧光素在其他通道中的溢漏比例，再将这部分“额外”的信号从对应通道中定量扣除，最终让阴性群体的信号中位数回归到真实的基线水平。简单来说，补偿解决的是“群体整体偏移”的问题——它能把被溢漏拉高的阴性群，拉回它原本该在的位置。

3. 补偿的边界：无法消除的信号变异

然而，补偿并不能解决所有问题。因为荧光溢漏带来的影响，并不仅仅表现为一个固定数值的信号增加。真实的荧光检测过程中，每个细胞产生的荧光信号都会存在一定程度的变化：

• •    荧光分子数量存在差异；
• •    光子产生与检测过程存在随机波动；
• •    仪器检测系统也存在一定测量误差。

因此，当强荧光信号发生溢漏时，进入其他通道的不仅是平均信号，同时也包含这些信号变化带来的额外变异。补偿可以校正溢漏信号造成的平均偏移，但无法消除这种由信号变异传播导致的群体扩散。这种现象，就是Spreading Error。

图3. Spreading Error（DOI:10.1007/978-1-4939-6548-9_3）

二、什么是Spreading Error？

1. 从“信号溢出”到“信号扩散”

很多人对光谱重叠的理解停留在“一种颜色的信号跑到另一个通道里”，认为只要把这部分信号扣掉就万事大吉。但真实的荧光检测并非如此：流式细胞仪检测到的荧光信号，本质是对光子发射的计数结果，而光子发射本身符合泊松分布，天然存在统计波动；再叠加仪器检测噪声、荧光分子本身的强度差异，最终每个细胞的信号都是一个波动的数值，而非固定值。

当一个高亮度荧光产生溢漏时，它带入相邻通道的不只是“固定数值的信号增量”，还有与之伴随的统计波动。信号强度越高，光子数越多，对应的统计波动幅度也越大——使原本集中分布的阴性细胞群出现更宽的信号分布，离散度显著增加。这种因信号统计波动导致的群体分布增宽，就是Spreading Error（荧光扩散误差）。

2. 为什么补偿无法消除Spreading Error？

Spreading Error是荧光检测的固有物理特性，并非补偿操作导致；而补偿的数学逻辑决定了它只能校正溢漏的信号均值，无法消除这种底层统计误差。从检测原理看，流式PMT对光子的计数服从泊松分布，天然存在随机波动：若荧光素发射1000个光子，PMT光电转换效率为40%，理论检测值为400个光子，但实际会在370~430的区间内波动，这种信号波动就是Spreading Error，其幅度与信号强度的平方根正相关。在强信号的阳性群中，误差相对占比极低，肉眼几乎不可见；但它始终存在，与是否有补偿、是否存在溢漏无关。

当荧光发生溢漏时，伴随信号一同进入相邻通道的，还有其自带的统计波动。补偿仅能通过线性运算扣除溢漏的平均信号，将阴性群拉回基线位置，却无法消除同步带入的统计误差。更关键的是，补偿后阴性群的整体信号强度被拉至很低的水平，原本绝对值不大的误差相对占比显著升高，最终表现为阴性群分布变宽、CV值增大，甚至出现拖尾，直接降低通道分辨率。

三、为什么Spreading Error对低表达Marker的影响格外显著？

Spreading Error是所有多色实验都存在的固有现象，但并非所有检测靶标都会受到同等程度的干扰。它的影响程度，核心取决于阳性信号与阴性背景的距离。

1. 高表达Marker：受干扰几乎可忽略

对于CD4、CD8、CD19这类谱系标记，抗原表达量高，阳性群的荧光强度远高于阴性背景，两者之间有非常大的分辨空间。即便相邻通道的强荧光让阴性群的分布变宽了一些，阳性群依然能和阴性群清晰分开，实验者几乎感知不到Spreading Error的存在。

2. 低表达Marker：分群困难的隐形元凶

而对于PD-1、TIM-3、TIGIT这类免疫检查点分子，或是部分活化标记、稀有细胞亚群的标志物，抗原表达水平低，阳性群的信号强度仅略高于阴性群，两者本身的边界就很窄。当目标通道受到其他强荧光的Spreading Error影响时：阴性群体分布被进一步拉宽，可能直接覆盖部分弱阳性区域，使阳性和阴性群体发生重叠。这也是很多实验者困惑“补偿明明调平了，弱表达Marker还是分不开”的核心原因。

图5. T细胞谱系标志物CD3所选择的不同荧光染料会影响对弱表达或持续表达抗原的分辨能力，当实验设计不佳时，SE会掩盖约一半真实的CCR4+细胞群体。（DOI: 10.1038/s41590-021-01006-z）

3. 误区纠正：最亮的荧光，不一定是最好的选择

很多人设计Panel时有一个默认逻辑：越亮的荧光素越好，信号越强越不容易出错。这种想法在单色实验中通常成立，因为更高的荧光强度能够提高阳性信号与背景之间的距离。但在多色流式实验中，情况更加复杂。

高亮度荧光素在提升自身信号的同时，也会向相邻通道施加更强的扩散误差。如果盲目将高亮荧光分配给高表达Marker，其产生的Spreading Error很可能会拖累相邻通道的低表达关键靶标，反而降低整个Panel的检测性能。Panel设计从来不是“亮度堆砌”，而是信号强度与通道干扰的综合平衡，这也是高质量多色Panel设计的核心原则之一

四、哪些实验场景更容易受到Spreading Error的影响？

1. 高维多色Panel

随着检测通道数量增加，荧光素之间的相邻关系更复杂，单个高亮荧光可能同时影响左右多个通道，扩散误差的叠加效应也会更显著。尤其是10色以上的高维Panel，Spreading Error是限制数据分辨率、甚至导致高维降维分析出现假异质性的核心因素之一。

图6. Spreading Error对 tSNE 多维数据可视化变异性的影响（DOI：10.1002/cyto.a.23566）

2. 低表达靶标检测

如前文所述，免疫检查点分子、细胞活化标记、趋化因子受体、稀有细胞亚群标志物等低丰度靶标，本身阳性与阴性的信号差较小，对背景宽度的变化高度敏感，是受Spreading Error影响最明显的场景。这类实验的Panel设计必须将扩散误差纳入核心考量，否则极易出现检测灵敏度不足的问题。

3. 强弱表达Marker的相邻组合

当高表达靶标使用了PE、APC等高亮度荧光，且其相邻通道恰好分配了低表达的关键检测指标时，强荧光带来的扩散误差会直接作用于弱靶标通道，造成分群模糊。这是多色Panel设计中最常见的隐性踩坑点，也是很多新手设计Panel时容易忽略的细节。

4. 高亮荧光的集中使用

PE、APC等通常属于流式实验中亮度较高的常用荧光素，能够显著提高低表达靶标的检测灵敏度。但如果一个Panel中集中使用多个高亮荧光，并且这些荧光之间存在较强相互影响，可能导致整体背景宽度增加。因此，高亮荧光并不是越多越好。优秀的Panel设计并不是简单堆叠最亮的荧光，而是在：荧光亮度、抗原表达水平、通道间影响、仪器检测能力之间寻找平衡。

五、Panel设计中，如何降低Spreading Error的影响？

Spreading Error是光子检测的固有物理特性，无法被完全消除，但可以通过科学的Panel设计与实验规划，将其影响控制在最低范围。

1. 按抗原表达水平匹配荧光亮度

遵循“高表达Marker优先匹配中低亮度荧光，低表达Marker优先使用高亮度荧光”的核心原则：

• •    对于CD45、CD3等高丰度谱系标记，无需占用PE、APC等高亮度的荧光通道，选择中低亮度荧光即可实现清晰分群；
• •    将亮度最高的荧光资源，优先分配给PD-1、转录因子等低表达、检测难度大的关键靶标，最大化其阳性信号与背景的差距，抵消扩散误差的干扰。

2. 关键靶标避开强荧光的相邻通道

设计Panel时，不能仅以“光谱重叠率”作为唯一判断标准，还要主动评估扩散误差的影响：

• •    提前明确Panel中亮度最高的1-2个荧光的位置，尽量将其排布在通道序列的两端，减少对两侧通道的双向扩散影响；
• •    低表达的关键检测靶标，尽量安排在两侧均为低亮度荧光的通道，避免被单侧或双侧的强荧光扩散效应夹击。

3. 用FMO对照评估真实分辨能力

单染对照只能用于校准补偿，无法体现扩散误差的叠加影响。要评估一个多色Panel的真实分辨率，荧光减一对照（FMO）是更可靠的工具。
FMO对照包含除目标荧光外的所有其他荧光，能够直观反映其他所有荧光的溢漏与扩散效应对目标通道的综合影响，帮助实验者判断阴性群的真实边界，更准确地设置阳性门控，避免因Spreading Error导致的结果误判。对于低表达靶标和高维Panel，FMO对照是验证Panel性能的必备环节。

六、光谱流式能完全避免Spreading Error吗？

随着光谱流式的普及，不少人会产生疑问：光谱流式通过全光谱解析区分荧光，不需要传统补偿，是不是就不存在Spreading Error了？答案是否定的。光谱流式利用荧光素的完整发射光谱进行解析，相比传统流式的单通道补偿，能更精准地拆分不同荧光的信号，减少了传统补偿方式带来的部分误差，在一定程度上降低了溢漏相关的干扰。但Spreading Error的根源是光子计数的泊松统计噪声，这是所有荧光检测共有的物理特性，与采用补偿还是光谱拆分的算法无关。只要存在强荧光信号的统计波动，就会伴随对应的扩散误差；且光谱流式中还存在因光谱解混矩阵差异带来的额外扩散类型，同样会影响阴性群的分布宽度。

表1. 不同流式平台下Spreading Error的产生机制与应对方式对比

结语

补偿是多色流式实验的基础操作，但绝不是解决所有数据质量问题的万能钥匙。它只能校正光谱溢漏带来的信号均值偏移，无法消除光子统计波动导致的信号分布增宽——也就是Spreading Error。

当你遇到“补偿正确但分群模糊”的情况，尤其是低表达Marker检测、高维多色Panel的场景，不妨从Spreading Error的角度重新审视实验设计。理解扩散误差的本质，跳出“只看光谱重叠”的单一思维，才能真正设计出分辨率更高、结果更可靠的流式Panel，这也是从“会做实验”到“做好实验”的关键进阶

关于我们

abinScience创立于法国，专注于高质量生命科学试剂的开发与生产，立足法国斯特拉斯堡创新科技中心，以"Empowering Bioscience Discovery"为愿景。

abinScience流式抗体产品覆盖常用检测指标，品类丰富，可满足多物种（Human/Mouse/Rat/Dog/Hamster/Monkey等）科研实验需求，为科研提供稳定可靠的支持。

参考文献

• [1] Mazza, E. M. C., Brummelman, J., Alvisi, G., Roberto, A., De Paoli, F., Zanon, V., Colombo, F., Roederer, M., & Lugli, E. (2018). Background fluorescence and spreading error are major contributors of variability in high-dimensional flow cytometry data visualization by t-distributed stochastic neighboring embedding. Cytometry. Part A : the journal of the International Society for Analytical Cytology, 93(8), 785–792. https://doi.org/10.1002/cyto.a.23566
• [2] Roederer M. (2001). Spectral compensation for flow cytometry: visualization artifacts, limitations, and caveats. Cytometry, 45(3), 194–205. https://doi.org/10.1002/1097-0320(20011101)45:3<194::aid-cyto1163>3.0.co;2-c
• [3] Nguyen, R., Perfetto, S., Mahnke, Y. D., Chattopadhyay, P., & Roederer, M. (2013). Quantifying spillover spreading for comparing instrument performance and aiding in multicolor panel design. Cytometry. Part A : the journal of the International Society for Analytical Cytology, 83(3), 306–315. https://doi.org/10.1002/cyto.a.22251
• [4] Niewold, P., Ashhurst, T. M., Smith, A. L., & King, N. J. C. (2020). Evaluating spectral cytometry for immune profiling in viral disease. Cytometry. Part A : the journal of the International Society for Analytical Cytology, 97(11), 1165–1179. https://doi.org/10.1002/cyto.a.24211
• [5] Mage, P. L., Konecny, A. J., & Mair, F. (2025). Measurement and prediction of unmixing-dependent spreading in spectral flow cytometry panels. bioRxiv : the preprint server for biology, 2025.04.17.649396. https://doi.org/10.1101/2025.04.17.649396
• [6] Liechti, T., Weber, L. M., Ashhurst, T. M., Stanley, N., Prlic, M., Van Gassen, S., & Mair, F. (2021). An updated guide for the perplexed: cytometry in the high-dimensional era. Nature immunology, 22(10), 1190–1197. https://doi.org/10.1038/s41590-021-01006-z
• [7] Lugli, E., Zanon, V., Mavilio, D., & Roberto, A. (2017). FACS Analysis of Memory T Lymphocytes. Methods in molecular biology (Clifton, N.J.), 1514, 31–47. https://doi.org/10.1007/978-1-4939-6548-9_3