對細胞中的所有RNA進行測序可以揭示大量關于細胞功能的信息，以及它在特定時間點的功能。然而，測序過程破壞了細胞，使得研究基因表達的持續(xù)變化變得困難。
麻省理工學院開發(fā)的另一種方法可以使研究人員在很長一段時間內追蹤這些變化。這種新方法基于一種被稱為拉曼光譜的非侵入性成像技術，不會傷害細胞，而且可以重復進行。
利用這項技術，研究人員表明，他們可以在幾天內監(jiān)測胚胎干細胞分化成其他幾種細胞類型的過程。這項技術可以研究長期的細胞過程，如癌癥進展或胚胎發(fā)育，有朝一日可能用于癌癥和其他疾病的診斷。
“有了拉曼成像，你可以測量更多的時間點，這對研究癌癥生物學、發(fā)育生物學和許多退行性疾病可能很重要，”麻省理工學院生物和機械工程教授、麻省理工學院激光生物醫(yī)學研究中心主任、該論文的作者之一Peter So說。
Koseki Kobayashi-Kirschvink是麻省理工學院以及哈佛大學和麻省理工學院Broad研究所的博士后，他是這項研究的主要作者，該研究發(fā)表在今天的《Nature Biotechnology》雜志上。
成像基因表達
拉曼光譜（Raman spectroscopy）是一種非侵入性技術，通過向組織或細胞照射近紅外或可見光來揭示組織或細胞的化學成分。麻省理工學院的激光生物醫(yī)學研究中心自1985年以來一直致力于生物醫(yī)學拉曼光譜研究，最近，So和該中心的其他人開發(fā)了基于拉曼光譜的技術，可用于診斷乳腺癌或測量血糖。
然而，拉曼光譜本身不夠靈敏，無法檢測到單個RNA分子水平變化這樣小的信號。為了測量RNA水平，科學家通常使用一種稱為單細胞RNA測序的技術，這種技術可以揭示組織樣本中不同類型細胞中活躍的基因。
在這個項目中，麻省理工學院的團隊試圖通過訓練計算模型將拉曼信號翻譯成RNA表達狀態(tài)，將單細胞RNA測序和拉曼光譜的優(yōu)勢結合起來。
“RNA測序給了你非常詳細的信息，但它是破壞性的。拉曼是無創(chuàng)的，但它不能告訴你任何關于RNA的信息。因此，這個項目的想法是使用機器學習來結合兩種模式的優(yōu)勢，從而讓你了解單細胞水平上基因表達譜的動態(tài)，”Kobayashi-Kirschvink說。
為了生成數據來訓練他們的模型，研究人員對小鼠成纖維細胞(一種皮膚細胞)進行了因子處理，使細胞重新編程成為多能干細胞。在這個過程中，細胞也可以轉化為其他幾種細胞類型，包括神經細胞和上皮細胞。
利用拉曼光譜，研究人員對細胞在18天內分化的36個時間點進行了成像。每張圖像拍攝后，研究人員使用單分子熒光原位雜交(smFISH)分析每個細胞，該技術可用于可視化細胞內特定的RNA分子。在這種情況下，他們尋找編碼九種不同基因的RNA分子，這些基因的表達模式因細胞類型而異。
smFISH數據可以作為拉曼成像數據和單細胞RNA測序數據之間的鏈接。為了建立這種聯系，研究人員首先訓練了一個深度學習模型，根據從這些細胞中獲得的拉曼圖像來預測這9個基因的表達。
然后，他們使用Broad研究所先前開發(fā)的名為Tangram的計算程序，將smFISH基因表達模式與他們通過對樣本細胞進行單細胞RNA測序獲得的整個基因組圖譜聯系起來。
然后，研究人員將這兩個計算模型結合成一個他們稱之為Raman2RNA的計算模型，該模型可以根據細胞的拉曼圖像預測單個細胞的整個基因組圖譜。
跟蹤細胞分化
研究人員通過跟蹤小鼠胚胎干細胞分化成不同細胞類型的過程來測試他們的Raman2RNA算法。他們連續(xù)三天每天四次拍攝細胞的拉曼圖像，并使用他們的計算模型預測每個細胞相應的RNA表達譜，他們通過將其與RNA測序測量結果進行比較來證實這一點。
利用這種方法，研究人員能夠觀察到單個細胞從胚胎干細胞分化為更成熟的細胞類型時發(fā)生的轉變。他們還表明，在兩周的時間里，他們可以追蹤小鼠成纖維細胞被重新編程為誘導多能干細胞時發(fā)生的基因組變化。
“這是一個證明，光學成像提供了額外的信息，使你可以直接跟蹤細胞的譜系和它們的轉錄進化，”So說。
研究人員現在計劃使用這項技術來研究其他隨時間變化的細胞群，比如衰老細胞和癌細胞。他們現在正在實驗室培養(yǎng)皿中培養(yǎng)細胞，但在未來，他們希望這種方法可以發(fā)展成為一種潛在的診斷方法，用于患者。
“拉曼的最大優(yōu)勢之一是它是一種無標簽的方法。這還有很長的路要走，但人類翻譯是有潛力的，這是使用現有的侵入性技術來測量基因組圖譜無法完成的，”麻省理工學院的研究科學家、該研究的作者之一Jeon Woong Kang說。
（文章來源：www.ebiotrade.com/newsf/2024-1） | 
