Cell丨基于深度学习的Deep-Phase解析细胞凝聚体功能状态|rna|形态学|核仁|细胞凝聚体

撰文 | 易

生物分子凝聚体通过在细胞内形成无膜区室来组织和区隔复杂的生化功能，这对于实现基因表达、RNA稳态等关键细胞过程至关重要。然而，将凝聚体内部的分子相互作用与其介观尺度的结构组织联系起来，仍然是一个重大的挑战。传统的成像分析方法通常依赖于预定义的、低维度的形态特征（如数量、大小、形状），这些方法不仅繁琐，而且可能忽略掉由潜在生化活动驱动的、更复杂的形态变化，从而限制了从结构变化中提取机制性见解的能力。虽然基于深度学习的计算机视觉方法在分析亚细胞结构方面显示出潜力，但其在定量解码凝聚体形态与功能关联方面的系统性应用尚未充分开发。因此，开发一种能够直接从图像中无偏、定量地解读凝聚体形态变化，并将其与特定生化通路扰动相关联的方法，对于发现新的细胞组织原理、识别疾病生物标志物和药物靶点具有重要价值。

近日，美国普林斯顿大学Clifford P. Brangwynne在Cell期刊发表题为Deep learning of functional perturbations from condensate morphology的研究论文，开发了一种名为Deep-Phase的深度学习框架，能够直接从显微镜图像中定量解析生物分子凝聚体的形态变化，并将其与特定的生化功能扰动精确关联。通过该方法，不仅揭示了核仁形态变化可作为核糖体RNA转录与加工抑制的定量生物标志，还意外发现了拓扑异构酶1（TOP1）在维持核仁组织结构与rRNA加工过程中的全新功能。

首先，研究团队开发了一套名为Deep-Phase的基于深度学习的计算框架，该方法基于卷积神经网络（ResNet50架构），无需依赖预定义特征，直接从荧光显微图像中学习生物分子凝聚体的复杂形态特征。通过使用稳定表达三色核仁标记蛋白的细胞系，并以已知的rRNA转录抑制剂CX-5461诱导的“帽状”和“项链状”核仁形态作为训练集，该模型成功实现了对已知形态的高精度（>98%）分类，并展现出优秀的跨细胞系、跨标记方法的泛化能力。

随后，利用Deep-Phase对药物处理的浓度梯度和时间过程进行量化分析，通过计算细胞群体在形态“激活空间”中的投影，首次实现了对核仁多相结构扰动的连续、定量测量，并得出形态学半数响应浓度（RC 50 ）。关键的是，这些形态学RC 50 值与通过独立生化实验（如5-乙炔尿苷掺入法、RNA聚合酶II活性测定）测得的传统功能抑制IC 50 值高度一致，从而首次建立了核仁形态变化程度与特定生化通路（rRNA转录或加工）抑制强度之间的定量函数关系。这一关联仅在能够清晰分辨核仁多相结构的蛋白标记图像中成立，而在使用RNA染料时失效，证实了亚区室空间组织本身是功能信息的载体。

进一步为了验证Deep-Phase平台的普适性，该方法被成功推广至核斑点和呼吸道合胞病毒细胞质包涵体等其他类型凝聚体，针对其各自特征形态训练的新模型，所测得的形态学RC 50 同样与已知的功能性IC 50 值匹配，证明了Deep-Phase作为跨凝聚体类型通用量化平台的潜力。与基于手工特征提取的传统图像分析方法相比，Deep-Phase不仅在基准测试中表现相当，更在应对未知处理或不同实验批次时展现出显著更优的鲁棒性和泛化能力，凸显了其直接从原始像素中学习复杂模式的优势。

然后，研究团队利用Deep-Phase对一个靶向RNA过程的小分子库进行筛选，不仅验证了已知抑制剂，更发现拓扑异构酶1（TOP1）抑制剂拓扑替康（Topotecan, TPT）诱导出一种全新的、既非“帽”也非“项链”的核仁“花朵状”形态。通过构建包含此新类别的四分类模型，得以精确定量该形态。深入机制研究表明，此形态与TOP1从核仁中的重定位直接相关，其形成RC 50 与TOP1核仁定位减少的浓度范围高度吻合，且CRISPR介导的TOP1敲低足以重现该表型，证明TOP1的缺失是诱因。功能层面，5eU-seq和RNA FISH分析揭示，与诱导“项链”形态的加工抑制剂FVP（导致错误加工的rRNA中间体在DFC-GC界面异常积累）不同，TPT处理特异性地减少了涉及核糖体大亚基成熟的特定前体rRNA在颗粒组分中的丰度，从而维持了DFC-GC界面，形成了独特的花朵形态。

最后，为验证“形态差异源于特定rRNA加工中间体在界面处的差异积累”这一核心机制，研究团队进行了顺序扰动实验：先用FVP破坏加工导致“项链”形态，再加入CX-5461抑制转录以减少错误中间体的产生。此联合处理成功将形态逆转为类似TPT诱导的“花朵”状。该结果不仅直接证实了分子堆积模式决定形态的理论，更完美地将Deep-Phase解码的介观形态、分子层面的生化活动（转录/加工平衡）以及纳米尺度的分子分布三者串联，阐明了从分子扰动到功能输出再到宏观形态的完整因果链条。