撰文 | 我的闺蜜老红帽
单细胞技术极大地开拓了发育生物学研究边界【1,2】。单次实验可以同时得到数以千计细胞的转录组学和染色质可及性数据，多路成像技术也提供了组织的大量空间信息【3】。单细胞测序技术与基于成像的检测技术相结合，可以有效重现细胞发育轨迹，从而可以实现跨谱系以及跨空间的细胞分化动力学研究。若将上述技术应用于人类干细胞来源的类器官研究【4,5】，可以助力多个科学问题的研究解决，包括分子水平定义的细胞状态如何与组织结构以及形态学发育相联系，并最终搭建起人类疾病的预测性可视化模型。事实上，系统生物学的主要工作目标就是整合多复杂度、高精度以及大限度的细胞变化信息，并构建出数字组织模型（in silico tissue model）【6,7】。达到上述目标的主要挑战是通过具有生物学意义的方式，跨空间尺度整合大量分子信息，并从中揭示驱动组织发育和形态变化的分子机制。尤其是在人类发育研究中，胚胎样品极为稀少，类器官个体内和个体间存在差异，为通过类器官模型达到上述目标增添了难度。因此，学界亟需建立可整合多方发育动力学信息的人类相关数字模型【8】。
诱导性多能干细胞来源的类视网膜组织（Retinal organoids）为研究人类视网膜发育、识别视网膜病变机制以及干预手段提供了新的研究途径【9】。体外三维多能干细胞培养可以自发发育为眼杯（optic cups）是一项跨时代的技术革新【10,11】，且工艺已经趋于成熟。类视网膜组织由多种神经细胞类型所组成，包括视杆和视锥光受体细胞（rod and cone photoreceptors，简称PRs)、双极细胞（ bipolar cells，简称BCs)、水平细胞（horizontal cells，简称HCs) 、无长突细胞（amacrine cells，简称ACs)、视网膜神经节细胞（retinal ganglion cells，简称RGCs)、非神经米勒胶质细胞（Müller glia，简称MG）以及视网膜色素上皮（retinal pigment epithelium，简称RPE)。这些细胞类型可以自我装配成传统层状结构，包括外网层和内网层（outer and inner plexiform layers），外核层和内核层（outer nuclei and inner nuclear layers，简称ONL和INL）以及富含RGCs的RGC层。尤其值得注意的是，免疫组织化学和单细胞转录组分析确定，上述类器官与人类视网膜具有高度相似性，这项技术也为人类视网膜发育以及相关疾病研究奠定了技术基础。类视网膜（视网膜类器官）在体外发育长达数月，且在30周左右时达到最佳成熟状态。多项工作表明，类视网膜在模拟人类眼科病变上具有重大价值。当然，目前来说，类视网膜的分化轨道以及形态学异质性还没有规范的评价体系，其组织内部各神经细胞以及胶质细胞类型的基因调控网络还没有重塑。另外，整合高分辨率以及大信息量图像数据与测序数据，并与组织表型的平台也没有搭建。
2023年5月8日，来自瑞士University of Zürich的Lucas Pelkmans研究组 , ETH Zürich的Barbara Treutlein研究组和Institute of Molecular and Clinical Ophthalmology Basel的J. Gray Camp研究组在Nature Biotechnology上发表了文章Multimodal spatiotemporal phenotyping of human retinal organoid development的文章，成功搭建了上述平台。
作者搭建了类视网膜组织随时间变化以及人类原代视网膜组织的多路蛋白质图谱，并开发出一套对每个类视网膜和原代视网膜组织进行可视化神经元定位、胞外和胞内组分空间排布的工具包。另外，作者将上述数据与6到46周单细胞转录组和染色质可及性的多时间点数据整合，重建了神经系以及胶质细胞系的分化路径。这一数字类器官图谱可以用来研究多时间点的空间相互作用，也可以用来预测视网膜发育过程中的基因调控模块，并发现OTX2（orthodenticle homeobox 2）很可能参与视网膜神经发育。
综上所述，作者的工作在视网膜类器官可视化方面取得了重要突破，且上述实验方法也可以应用于其他类器官发育研究以及模型构建。
https://doi.org/10.1038/s41587-023-01747-2
制版人：十一
参考文献
1. Schier, A. F. Single-cell biology: beyond the sum of its parts.Nat. Methods17, 17–20 (2020).
2. Zhu, C., Preissl, S. & Ren, B. Single-cell multimodal omics: the power of many.Nat. Methods17, 11–14 (2020).
3. Hickey, J. W. et al. Spatial mapping of protein composition and tissue organization: a primer for multiplexed antibody-based imaging.Nat. Methods19, 284–295 (2022).
4. Chiaradia, I. & Lancaster, M. A. Brain organoids for the study of human neurobiology at the interface of in vitro and in vivo.Nat. Neurosci.23, 1496–1508 (2020).
5. Takebe, T. & Wells, J. M. Organoids by design.Science364, 956–959 (2019).
6. Rood, J. E. et al. Toward a common coordinate framework for the human body.Cell179, 1455–1467 (2019).
7. Camp, J. G., Platt, R. & Treutlein, B. Mapping human cell phenotypes to genotypes with single-cell genomics.Science365, 1401–1405 (2019).
8. Hao, Y. et al. Integrated analysis of multimodal single-cell data.Cell184, 3573–3587 (2021).
9. Brancati, G., Treutlein, B. & Camp, J. G. Resolving neurodevelopmental and vision disorders using organoid single-cell multi-omics.Neuron107, 1000–1013 (2020).
10. Sasai, Y. Cytosystems dynamics in self-organization of tissue architecture.Nature493, 318–326 (2013).
11. Nakano, T. et al. Self-formation of optic cups and storable stratified neural retina from human ESCs.Cell Stem Cell10, 771–785 (2012).
热门跟贴