1 “看见”基因如何塑造器官——Perturb-Multimodal平台让基因调控一目了然
❝
文章：Perturb-Multimodal: A platform for pooled genetic screens with imaging and sequencing in intact mammalian tissue
链接：https:///10.1016/j.cell.2025.05.022
在生命科学领域，揭开基因如何在复杂器官中“指挥”细胞行为一直是未解之谜。近日，国际团队在《Cell》杂志发表重磅研究，推出了一种名为Perturb-Multimodal（Perturb-Multi）的创新平台，将成像与单细胞RNA测序深度融合，实现了哺乳动物完整组织内的高通量、多模态基因型-表型图谱绘制。
Perturb-Multi平台的核心创新在于将CRISPR基因编辑、超多通道成像和单细胞测序无缝整合。研究团队以小鼠肝脏为例，通过病毒递送CRISPR文库，使不同肝细胞携带各自特定的基因扰动。随后，科学家利用RCA-MERFISH等前沿成像技术，原位检测每个细胞的基因型、蛋白和RNA表达，并结合单细胞测序，全面捕捉细胞的转录组响应和亚细胞结构特征。与传统方法相比，Perturb-Multi不仅保留了细胞的空间位置信息，还能在同一样本中实现多维度、多细胞类型的同步分析，大大提升了实验通量和数据丰富度。
在小鼠肝脏的应用中，Perturb-Multi揭示了肝细胞分区（zonation）的遗传调控网络。研究发现，氧气感应和Wnt信号通路是维持肝脏分区的关键机制。更令人振奋的是，团队还鉴定出多个此前未知的调控因子，如Hs6st1和B4galt7，这些基因的敲除会导致肝脏分区结构紊乱。此外，平台还揭示了肝细胞应对蛋白质折叠压力（未折叠蛋白应答，UPR）的新机制，即通过下调分泌蛋白mRNA减少内质网负担，这一现象为理解肝脏在压力状态下的适应性提供了新视角。
关于脂肪变性（steatosis），Perturb-Multi系统性梳理了诱发脂质积累的不同分子途径。研究显示，脂质生物合成、细胞应激反应和生长信号通路的异常均可导致肝细胞脂肪堆积，为脂肪肝等代谢疾病的靶向治疗提供了潜在新靶点。
值得一提的是，Perturb-Multi不仅推动了基础生物学研究，还为人工智能模型训练提供了丰富的“真实世界”细胞数据。通过多模态数据的整合，科学家可以训练机器学习模型，预测基因扰动对细胞和组织功能的影响，为未来疾病诊断和个性化治疗奠定基础。
2 空间转录组学助力破解胶质瘤亚克隆异质性和基因扩增新机制
❝
文章：Resolving spatial subclonal genomic heterogeneity of loss of heterozygosity and extrachromosomal DNA in gliomas
链接：https://www./articles/s41467-025-59805-z
胶质瘤是一类源自脑胶质细胞的恶性肿瘤，包括胶质母细胞瘤、星形细胞瘤、少突胶质细胞瘤和弥漫性中线胶质瘤等亚型。它们不仅分子特征各异，而且生长速度、侵袭能力和对治疗的敏感性也大相径庭。尤其是胶质母细胞瘤，属于最高等级的恶性肿瘤，细胞异质性极高，治疗难度大，预后极差。近日，《Nature Communications》发表了一项关于脑肿瘤——胶质瘤的突破性研究。科学家们首次利用空间转录组学、肿瘤/正常DNA测序和RNA测序等多组学集成技术，系统描绘了脑胶质瘤内部复杂的空间基因组异质性，揭示了肿瘤细胞如何通过“异染色体DNA”（ecDNA）和杂合性丢失（LOH）等机制实现快速进化和适应，为脑瘤的精准诊断和治疗提供了新思路。
研究团队选取了11例不同病理类型的胶质瘤样本，并在一组高等级胶质母细胞瘤中进行了重复验证。他们将空间转录组学与肿瘤和正常组织的全外显子组测序、RNA测序相结合，实现了对肿瘤内部不同区域基因表达、染色体拷贝数变异和亚克隆结构的同步解析。这种方法不仅能在空间上“定位”肿瘤细胞的分子特征，还能揭示肿瘤核心与浸润边缘、肿瘤细胞与基质细胞之间的分子差异。
研究发现，约三分之一的胶质瘤样本存在局部高扩增的异染色体DNA（ecDNA），尤其是在EGFR扩增的IV级胶质母细胞瘤中，ecDNA驱动的亚克隆异质性尤为突出。具体来说，部分肿瘤细胞通过ecDNA携带高拷贝数的致癌基因（如EGFR、MDM2、MDM4），实现了对肿瘤生长和耐药的快速适应。更令人震撼的是，在一例TP53突变的胶质母细胞瘤中，研究人员发现了同时发生EGFR扩增（由ecDNA介导）和17号染色体杂合性丢失的亚克隆细胞，这种组合极大地增强了肿瘤细胞的生存与扩散能力。
除了ecDNA，研究还揭示了不同胶质瘤亚型在空间上的基因表达和染色体变异特征。例如，少突胶质细胞瘤常见1p/19q共缺失和IDH1/2突变，星形细胞瘤则多见TP53和ATRX突变，胶质母细胞瘤则以EGFR、PDGFRA扩增和染色体7增益、10丢失最为典型。通过空间转录组学，科学家能够精确描绘这些分子事件在肿瘤内部的分布格局，揭示肿瘤微环境对基因表达和细胞状态的影响。
研究还发现，ecDNA的出现不仅促进了致癌基因的高水平扩增，还加剧了肿瘤细胞的遗传多样性，使其能够在抗药压力下快速进化和逃避免疫监视。此外，LOH事件在肿瘤与基质细胞区域间的空间差异也为理解肿瘤进化和耐药机制提供了新线索。
3 TORC：为单细胞RNA测序量身定制参考集
❝
文章：TORC: Target-Oriented Reference Construction for supervised cell-type identification in scRNA-seq
链接：https://genomebiology./articles/10.1186/s13059-025-03614-6
代码：https://github.com/weix21/TORC
scRNA的核心优势在于能够在单个细胞水平上分析基因表达，帮助科学家了解不同细胞类型在健康与疾病状态下的功能和相互作用。然而，如何准确地识别样本中存在的各种细胞类型，依然是数据分析过程中的一大挑战。在实际分析中，研究人员通常依赖“监督式”方法进行细胞类型识别。这类方法需要借助“参考数据集”——即细胞类型已知的样本，来指导对新数据的分类。可以将其类比为一本带有详细注释的“细胞图鉴”，帮助研究者根据基因表达模式对未知细胞进行归类。然而，传统参考数据集往往无法完全覆盖目标数据中的所有细胞类型，尤其是稀有类型或成分比例差异较大的情况。此外，实验条件和测序平台的差异也会导致参考与目标数据之间存在“偏差”，进而影响识别准确性。
为了解决这一难题，美国布朗大学的研究团队提出了全新的“目标导向参考构建”（TORC）策略。TORC的核心思想，是根据目标数据集的实际特征，动态定制和优化参考数据集，从而让参考更贴合目标，最大限度减少两者之间的差异。具体来说，TORC采用了创新的“两轮预测”流程：首先，研究者利用已有的参考数据训练分类器，对目标数据进行初步细胞类型预测；随后，系统会根据这些预测结果，计算每个目标细胞的“熵”值，筛选出那些分类高度可信的细胞，将它们纳入扩展参考池。接着，TORC会按照目标数据中各类型细胞的预测比例，从扩展后的参考池中抽取代表性细胞，构建出与目标数据高度匹配的“定制参考集”。最后，研究者再用这个新参考集对目标数据进行二次分类，从而进一步提升识别的准确性和稳定性。
TORC方法的有效性在多组模拟数据和真实生物样本中得到了充分验证。无论是在计算机生成的复杂数据集，还是在实际采集的生物样本中，TORC都能显著提高细胞类型识别的精确度。尤其在面对目标数据中存在稀有细胞类型或细胞组成与参考集差异较大时，TORC的优势更加突出。研究团队指出，这一创新策略不仅提升了单细胞测序数据的生物学解释力，也为疾病机制研究和新型诊断方法的开发提供了坚实的数据基础。
4 AI新突破！OmiCLIP与Loki平台让组织病理与空间组学“跨界对话”
❝
文章：A visual–omics foundation model to bridge histopathology with spatial transcriptomics
链接：https://www./articles/s41592-025-02707-1
代码：https://github.com/GuangyuWangLab2021/Loki
在人工智能与生物医学深度融合的浪潮中，如何将传统的组织病理图像与前沿的空间组学数据有机结合，一直是科学家们追逐的目标。近日，休斯顿卫理公会研究所团队在《Nature Methods》上发表重磅成果，推出了视觉-组学基础模型OmiCLIP，并基于此开发了多功能分析平台Loki，为多模态组织分析和精准医学带来革命性工具。
OmiCLIP的最大创新在于，它首次用AI模型将常规H&E染色（即常规病理切片）的组织图像和空间转录组学数据深度整合。研究团队自建“ST-bank”数据库，涵盖32种器官、1000余份样本、220万个图像与转录组数据。与以往单一分析图像或组学的模型不同，OmiCLIP将每个组织小块的基因表达谱转化为“句子”，即由高表达基因符号组成的文本序列，通过对比学习，将图像和转录组数据投射到同一表征空间，实现了两者的精准匹配。这种创新让模型既能“看见”细胞结构，又能“理解”基因活动。
基于OmiCLIP，团队开发了Loki平台，集成了五大核心功能：组织对齐、组织注释、细胞类型分解、图像-转录组检索以及空间基因表达预测。Loki Align模块可实现多张组织切片的自动对齐，无论是空间转录组数据之间，还是病理图像与空间组学数据之间，都能精准匹配，为三维组织重建和异质性分析提供基础。Loki Annotate模块则可通过bulk RNA-seq数据或标记基因对病理图像进行自动注释，极大提升了组织类型和结构识别的准确率。Loki Decompose模块利用单细胞RNA测序数据，实现对组织切片中不同细胞类型的分布分解，揭示肿瘤、免疫、基质等多种细胞在空间上的精细分布。Loki Retrieve模块让研究者能够通过组织图像快速检索到对应的转录组学特征，反之亦然。Loki PredEx模块甚至可以仅凭一张常规病理图片，预测出每个区域的空间基因表达谱，降低了对高成本实验的依赖。
在多项公开数据集和自有实验中，Loki均展现出卓越的准确性和稳定性。无论是肿瘤、心衰、阿尔茨海默病等复杂病理条件，还是健康组织，Loki都能高效完成组织对齐、细胞分解和基因表达预测等任务。在组织切片对齐方面，Loki不仅能处理真实样本中的旋转、倾斜、碎片丢失等难题，还能通过“微调”适应新类型数据，显著优于现有的PASTE、GPSA等主流方法。在组织注释和细胞分解任务中，Loki结合转录组和图像信息，准确度大幅领先于OpenAI CLIP、PLIP等视觉-语言模型，尤其在肿瘤组织类型判别、细胞类型空间定位等场景表现突出。更令人惊喜的是，Loki在三维组织重建、稀有疾病场景和复杂空间异质性分析中也展现出极强的泛化能力和扩展性。
值得一提的是，OmiCLIP模型采用了对比学习策略，并借鉴了大语言模型在单细胞组学中的“文本化”思路，将基因表达谱转化为可供AI理解的“语言”，极大提升了多模态数据整合和知识迁移的能力。Loki平台还支持多模态组织重建，为三维组织学和空间组学研究提供高效框架，有望大幅降低实验成本，加速科研和临床转化流程。
5 STAMP技术让单细胞组学进入“平民时代”
❝
文章：STAMP: Single-Cell Transcriptomics Analysis and Multimodal Profiling through Imaging
链接：https://www./content/10.1101/2024.10.03.616013v1.full 代码：https://github.com/emanuelepitino/Stamp_V4
STAMP的全称是“Single-Cell Transcriptomics Analysis and Multimodal Profiling”，即单细胞转录组分析与多模态成像分析。它的核心思路，是把悬浮状态下的细胞像“盖章”一样均匀地压印到特制的玻片上，然后用高通量成像仪器（如CosMx SMI、Xenium Analyzer）对这些细胞进行分子探针杂交和多轮成像。这样就能一次性获取每个细胞的RNA表达、蛋白表达等多种分子信息，而且整个过程无需传统的高价测序，大大降低了成本和技术门槛。
这项技术到底有多厉害？研究团队用STAMP做了大量实验，发现它具备多项突破性能力。首先，它能轻松完成百万级细胞的高通量分析。比如，团队用STAMP一次性分析了170万个人类外周血单核细胞，不仅准确区分了T细胞、B细胞、髓系细胞等主要免疫细胞类型，还细致分辨出31种不同免疫细胞亚型，包括多种CD4+、CD8+T细胞的不同功能状态、NK细胞亚群、树突状细胞、不同类型的单核细胞等。这种能力为绘制人体免疫“全景地图”提供了坚实基础，也为大规模人群队列研究、疾病免疫机制探索带来了新可能。
更令人惊喜的是，STAMP对极低丰度的稀有细胞也有极高的灵敏度。在模拟临床“液体活检”场景时，研究者将极少量乳腺癌细胞混入百万级血液细胞中，STAMP依然能够准确识别出这些“迷你”肿瘤细胞，并结合分子和形态学双重特征进行验证。这意味着，STAMP未来可望应用于肿瘤早期筛查、微量残留病变监测等精准医学领域，极大提升临床诊断的灵敏度和可靠性。STAMP还支持同一细胞的多模态分子信息整合。研究团队用它对同一批细胞先成像RNA，再成像蛋白，发现两者数据高度一致，且均可用于高分辨率免疫表型划分。这让科学家能同时获得细胞的“基因表达”和“蛋白功能”两张“身份证”，为理解细胞状态和功能提供了更全面的视角。
不仅如此，STAMP允许在同一玻片上分析多个样本、不同细胞类型或多个实验条件。比如在胚胎干细胞分化研究中，团队将8个不同时间点的细胞同时“盖章”到玻片上，一次性追踪细胞从多能状态到不同胚层（如中胚层、外胚层、内胚层）的分化轨迹，精细揭示了、分化过程中关键基因的动态变化。这种高通量、多条件并行能力，为发育生物学和干细胞研究带来极大便利。
STAMP的特异性和重复性也非常出色。无论是全细胞还是细胞核，无论样本量多寡，STAMP都能稳定、准确地回收和分析细胞，聚类结果与传统单细胞测序高度吻合。它的灵活性还体现在实验设计上，可根据实际需求调整细胞数、样本类型和检测模式，适应从稀有细胞分析到大规模细胞图谱绘制等各种需求。
STAMP的意义不仅在于技术突破，更在于它让单细胞组学“飞入寻常实验室”。传统单细胞测序价格高昂，限制了大规模样本和多样本的分析。STAMP则极大降低了成本，为更多基础研究者、医院和药企提供了高效、易用的工具。更重要的是，STAMP成像不仅能捕捉分子信号，还能保留细胞形态学信息，实现分子与形态的“合体分析”，这对于肿瘤、免疫、发育等领域的临床和科研具有重要价值。
