計算生物學
癌細胞狀態的推斷對於理解致癌機制和預測臨床結局至關重要，然而，目前對轉錄組分析的依賴限制了其可擴展性和即時監測能力。在此，我們表明，細胞形態能夠提供一種低維、可觀測的細胞身份及其動態變化表徵。以神經母細胞瘤（NB）為模型系統，我們建立了一種機器學習—形態學表型分析框架，無需依賴轉錄組測量，即可直接從高維形態學指紋中推斷腎上腺能型（ADRN）和間充質型（MES）細胞狀態。通過與單細胞RNA測序（scRNA-seq）進行基準比對，我們證明了形態學定義的狀態在單細胞分辨率上與轉錄組特徵高度一致。
我們進一步表明，細胞狀態轉變可表徵為形態學定義狀態空間中的連續軌跡。針對不同調控層級的擾動，包括ROCK信號傳導以及通過EZH2介導的表觀遺傳調控，均可沿着共享的表型軸驅動趨同軌跡。綜上，這些結果確立了細胞形態作為細胞狀態的一種可擴展、無損讀出方式，而機器學習則為高通量表型分析和癌細胞狀態可塑性的即時追蹤提供了統一框架。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.12.724731v1?rss=1
🏷️ 神經母細胞瘤 細胞狀態推斷 細胞形態學 機器學習 單細胞RNA測序 表型可塑性