大多數人類疾病都可以追溯到細胞中出現故障。例如，腫瘤能夠生長是因為基因沒有被準確地翻譯成特定的蛋白質，或者代謝疾病的出現是因為線粒體不能正常發射。但要了解疾病中細胞的哪些部分會出錯，科學家首先需要對細胞整體有完整的了解。

通過將顯微鏡、生物化學技術和人工智能相結合，加州大學圣地亞哥分校醫學院的研究團隊，在理解人類細胞方面取得重大飛躍。研究中的技術稱為多尺度集成細胞（Multi-Scale Integrated Cell, MuSIC）。

研究人員說，當你嘗試想象細胞的樣子，你可能會想到細胞生物學教科書中描繪出五顏六色的圖表，包括線粒體、內質網和細胞核。但這就是整個故事嗎？絕對不是。

在初步研究中，MuSIC揭示了人類腎臟細胞系中包含的大約70種成分，其中一半是以前從未見過的。在一個例子中，研究人員發現了一組形成陌生結構的蛋白質，并最終確定了該結構是一種結合RNA的新蛋白質復合物。該復合物可能參與剪接（這是一種重要的細胞事件），可以將基因翻譯成蛋白質，并有助于確定哪些基因在何時被激活。

細胞內部，以及在那里發現的許多蛋白質，通常使用這兩種技術的其中一種進行研究：顯微鏡成像或生物物理關聯。通過成像，研究人員將各種顏色的熒光標簽添加到感興趣的蛋白質上，并在顯微鏡的視野中跟蹤它們的運動和關聯。為了觀察生物物理關聯，研究人員可能會使用一種特定于蛋白質的抗體將其拉出細胞，看看還有什么附著在它上面。

多年來，研究團隊一直對繪制細胞內部工作原理圖感興趣。MuSIC的不同之處在于使用深度學習直接從細胞顯微鏡圖像中繪制細胞圖。

顯微鏡可以看到一個微米的水平，大約是一些細胞器的大小，比如線粒體。較小的元素，例如單個蛋白質和蛋白質復合物，無法通過顯微鏡看到。從單一蛋白質開始的生物化學技術能夠深入到納米尺度。那么，如何彌合從納米到微米尺度的差距呢？可以用人工智能來做到這一點——查看來自多個來源的數據，并要求系統將其組裝成細胞模型。

研究團隊訓練MuSIC人工智能平臺查看所有數據并構建一個細胞模型。雖然，該系統還沒有像教科書上的圖表那樣將細胞內容映射到具體位置，原因是它們的位置不一定固定。組件的位置是流動的，并根據細胞類型和情況而變化。

研究人員表示，這是一項測試MuSIC的試點研究。他們只看了661種蛋白質和一種細胞類型。研究者明確下一步就是徹底解剖細胞，然后轉移到不同的細胞類型、人和物種。最終，也許能夠通過比較健康和患病細胞之間的不同之處，更好地了解許多疾病的分子基礎。

題為A multi-scale map of cell structure fusing protein images and interactions的相關研究論文發表在《自然》上。

前瞻經濟學人APP資訊組

論文原文：

https://www.nature.com/articles/s41586-021-04115-9

標簽： AI 細胞