《自然》：AI揭示未知的细胞成分，或为人类发育与疾病提供新线索

大多数人类疾病都可以追溯到细胞中出现故障。例如，肿瘤能够生长是因为基因没有被准确地翻译成特定的蛋白质，或者代谢疾病的出现是因为线粒体不能正常发射。但要了解疾病中细胞的哪些部分会出错，科学家首先需要对细胞整体有完整的了解。

通过将显微镜、生物化学技术和人工智能相结合，加州大学圣地亚哥分校医学院的研究团队，在理解人类细胞方面取得重大飞跃。研究中的技术称为多尺度集成细胞（Multi-Scale Integrated Cell, MuSIC）。

研究人员说，当你尝试想象细胞的样子，你可能会想到细胞生物学教科书中描绘出五颜六色的图表，包括线粒体、内质网和细胞核。但这就是整个故事吗？绝对不是。

在初步研究中，MuSIC揭示了人类肾脏细胞系中包含的大约70种成分，其中一半是以前从未见过的。在一个例子中，研究人员发现了一组形成陌生结构的蛋白质，并最终确定了该结构是一种结合RNA的新蛋白质复合物。该复合物可能参与剪接（这是一种重要的细胞事件），可以将基因翻译成蛋白质，并有助于确定哪些基因在何时被激活。

细胞内部，以及在那里发现的许多蛋白质，通常使用这两种技术的其中一种进行研究：显微镜成像或生物物理关联。通过成像，研究人员将各种颜色的荧光标签添加到感兴趣的蛋白质上，并在显微镜的视野中跟踪它们的运动和关联。为了观察生物物理关联，研究人员可能会使用一种特定于蛋白质的抗体将其拉出细胞，看看还有什么附着在它上面。

多年来，研究团队一直对绘制细胞内部工作原理图感兴趣。MuSIC的不同之处在于使用深度学习直接从细胞显微镜图像中绘制细胞图。

显微镜可以看到一个微米的水平，大约是一些细胞器的大小，比如线粒体。较小的元素，例如单个蛋白质和蛋白质复合物，无法通过显微镜看到。从单一蛋白质开始的生物化学技术能够深入到纳米尺度。那么，如何弥合从纳米到微米尺度的差距呢？可以用人工智能来做到这一点——查看来自多个来源的数据，并要求系统将其组装成细胞模型。

研究团队训练MuSIC人工智能平台查看所有数据并构建一个细胞模型。虽然，该系统还没有像教科书上的图表那样将细胞内容映射到具体位置，原因是它们的位置不一定固定。组件的位置是流动的，并根据细胞类型和情况而变化。

研究人员表示，这是一项测试MuSIC的试点研究。他们只看了661种蛋白质和一种细胞类型。研究者明确下一步就是彻底解剖细胞，然后转移到不同的细胞类型、人和物种。最终，也许能够通过比较健康和患病细胞之间的不同之处，更好地了解许多疾病的分子基础。

题为A multi-scale map of cell structure fusing protein images and interactions的相关研究论文发表在《自然》上。

前瞻经济学人APP资讯组

本文来源前瞻网，转载请注明来源。本文内容仅代表作者个人观点，本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：service@qianzhan.com）