Nature子刊！MIT華人科學家打造細胞版「谷歌地圖」，破解億萬年生物學黑箱！

過去，科學家觀察研究細胞的工具很有限。

隨著技術進步，科學家能同時拿到這些關于細胞的分子信息，例如DNA、轉錄組、蛋白質豐度等。

然而，生物學數據的難點不僅在于獲取，還在于如何分析與解讀。

我們雖然看到了更全更多的信息，科學家卻經常分不清哪些信息決定了細胞的功能。

近期，來自麻省理工、哈佛布羅德研究所及蘇黎世聯邦理工學院的研究團隊，推出了一款名為APOLLO的AI新框架。

這項研究為科學家提供了全新的視角：細胞行為的導航地圖，而不是一堆互不關聯的細胞數據。

這項研究于近日發表于《Nature Computational Science》上。

它有望為疾病診斷、藥物研發乃至合成生物學打開一扇新的大門。

正如第一作者zhang xinyi所言：“歸根結底，細胞只有一個底層狀態。通過更智能地整合所有觀測視角，我們終于能看清這個生命基本單元的真實面貌?！?/p>

細胞這個黑匣子，現在有了儀表盤

隨著工具、檢測手段的不斷發展，科學家們可以同時測量單個細胞的多種特征。

如基因表達、染色質可及性、蛋白質豐度，甚至細胞圖像等各種類型的數據。

這些數據就好像關于細胞這一基本生命單元的不同「信息拼圖」。

不過，現有方法往往只能把所有信息整合在一起，就像一個混淆的黑匣子。

結果是，雖然看起來像是拼好了，但我們根本不知道到底是哪一塊拼圖決定了細胞的某個功能。

因為細胞的結構太復雜了，不同的拼圖塊里既有共享信息（比如反映細胞的身份），也有各自獨有信息（細胞形狀、代謝活動、蛋白質表達）。

甚至于選擇哪一部分信息，對于科學家而言都是一個挑戰。

例如科學家很難知道，某個癌癥到底是因為基因變了，還是因為蛋白質堆積了，或者是兩者共同作用？

這種“混合信息”讓很多生物學謎題解不開。

為解決這一問題，麻省理工學院和哈佛大學布羅德研究所以及蘇黎世聯邦理工學院保羅·謝勒研究所（PSI）的研究人員開發了一個名為APOLLO的AI驅動的框架。

該研究能夠自動地解耦多模態數據中「共享信息」與「模態特異性信息」。

換句話說，它就像一個高效的信息分揀系統，能夠分揀出細胞狀態中哪些信息在不同測量方式間共享，哪些信息是特定測量類型獨有的。

該框架主要分為兩步訓練策略：

1、潛在空間優化：建立信息地圖

APOLLO先學習如何從原始數據中重建信息，就像小孩通過拼圖學習形狀匹配。系統通過反復試錯，逐漸構建出信息的地圖。

2、推斷 ：培養信息向導

一旦地圖繪制完成，APOLLO就訓練專門的編碼器，能夠快速將新的檢測數據定位到正確的位置。

隨之而來的，不同于傳統模型，APOLLO讓這個過程變得透明，研究人員能夠清楚地看到：

• 哪些信息是不同檢測方法共享的

• 哪些信息是某種方法特有的

• 這些信息如何影響最終的細胞狀態

這對科學家而言是一個強大的工具。

驗證與實際應用

APOLLO 在多個真實數據集上表現出了強大的能力。

在配對測序數據任務中(SHARE-seq)，它成功區分了由轉錄組和染色質開放性共同捕獲的基因活動，以及僅由其中一種模態捕獲的活動。

例如，共享空間主要包含轉錄調控因子，而RNA特異性空間包含細胞周期相關基因。

針對基因+蛋白質（CITE-seq 數據）分類中，團隊把不同時間、不同機器做出來的實驗數據混在一起，這會導致有很多噪音或批次效應。

APOLLO 成功將細胞類型與批次效應分離至共享空間與RNA 特異性空間，能把臟數據洗得很干凈。

那么，APOLLO有什么神奇應用呢？

隨著單細胞技術的不斷發展，APOLLO這樣的方法將幫助我們在更深層次上理解生命的復雜性。

促進精準醫療

這項技術有望為個性化醫療提供了強大支持。醫生未來可能通過相對簡單的檢測，就能預測患者細胞更復雜的特征，為疾病診斷和治療提供更全面的信息。

發現疾病標志物

在癌癥研究中，APOLLO有望幫助科學家區分哪些細胞特征是所有癌細胞共有的，哪些是特定類型癌癥特有的。

加速藥物研發

在藥物研發中，APOLLO可以幫助科學家更精確地理解藥物如何影響細胞的不同方面，加快新藥開發進程。

用于合成生物

這一點至關重要，因為編寫基因回路很容易，但它能夠預測如何在染色質、RNA、蛋白質和形態結構中發揮作用。

華人科學家一作

該研究的第一作者ZhangXinyi，是一位華人科學家，先后到加州大學伯克利分校和麻省理工學院求學。

2026年2月，她入職奧地利科學院AITHYRA研究所并建立課題組。

針對上述研究，她表示：“當我們研究細胞時，一次測量往往不夠，因此科學家們開發新技術來測量細胞的不同方面。雖然我們有多種觀察細胞的方式，但歸根結底，我們只有一個底層細胞狀態。通過更智能地將所有這些測量方式的信息整合在一起，我們可以更全面地了解細胞的狀態?！?/p>

這有助于科學家理解疾病機制，追蹤癌癥、阿爾茨海默病等神經退行性疾病以及糖尿病等代謝疾病的進展。

未來，我們將看到更多理解與預測生物學預言的大模型，助力人類攻克各類疾病。

—The End—