基于细胞器动态形态的机器学习模型量化上皮-间质可塑性

《Communications Biology》：A morphology-based machine learning model for scoring epithelial-mesenchymal plasticity using organelle dynamics

本研究针对上皮-间质可塑性(EMP)定量评估方法匮乏的难题，开发了基于Cell Painting染色和高通量显微镜的形态学机器学习模型。通过分析TGF-β1诱导的EMT过程中细胞器动态变化，该模型利用15个关键形态特征实现了跨物种、跨诱导剂的多维度EMP评分，为肿瘤转移机制研究和药物筛选提供了创新平台。

　　

癌症转移是实体瘤患者死亡的主要原因，其中上皮-间质可塑性(Epithelial-Mesenchymal Plasticity, EMP)作为关键驱动因素，通过上皮-间质转化(Epithelial-Mesenchymal Transition, EMT)及其逆过程MET，使肿瘤细胞获得迁移和侵袭能力。然而，EMP并非二元开关，肿瘤细胞往往呈现混合表型，传统方法如单一分子标记物检测或RNA测序存在分辨率有限、成本高、通量低等瓶颈，难以精准量化EMT连续谱系状态。

为解决这一技术难题，Justin Slager等研究团队在《Communications Biology》发表研究，开发了基于细胞器动态形态的机器学习模型。该研究创新性地将Cell Painting染色技术与高通量显微镜结合，通过对TGF-β1诱导的NMuMG乳腺上皮细胞EMT时间梯度样本（0、24小时、48小时、4天、8天）进行多维度形态特征采集，利用Histogram Gradient Boosting分类器筛选出15个关键形态特征，建立了能够精确评分EMT状态的机器学习模型。

关键技术方法包括：1）采用Cell Painting试剂盒对细胞核、线粒体、内质网、高尔基体和细胞骨架进行多通道荧光标记；2）通过高通量 spinning disk显微镜采集图像，CellProfiler软件进行单细胞分割和特征提取；3）使用基于中位数和四分位距的Robustize方法对群体水平形态特征进行标准化；4）通过Permutation重要性测试和Spearman相关性分析筛选最具判别力的特征组合。

研究结果方面：

1. 1.
   模型构建与验证：从2608个初始形态特征中筛选出的15个关键特征（包括细胞紧实度、内质网纹理相关性等）可解释45-50%的EMT状态变异。UMAP可视化显示不同时间点EMT状态形成明显聚类，4天刺激组作为过渡状态位于上皮和间质表型之间。
2. 2.
   EMT评分系统开发：研究人员将模型预测概率与EMT标志基因集（Hallmark EMT）表达谱加权整合，创建连续评分系统。该评分能显著区分TGF-β1诱导的各时间点（p<0.05），且成功捕获MET逆转过程——TGF-β1撤除4天后EMT评分开始下降，8天后低于未处理对照组。
3. 3.
   跨模型应用验证：在人类乳腺癌细胞系中，模型无需先验标注即可准确区分上皮型（T47D、MCF7）和间质型（MDA-MB-231、MDA-MB-436）细胞，评分结果与转录组EMT评分（KS、76GS）高度一致。在A549肺癌细胞中，模型成功检测到低氧和TGF-β1单独或联合诱导的EMT表型。

讨论部分指出，该研究的创新性在于首次将细胞器动力学与机器学习结合用于EMP量化，突破传统二元分类局限。细胞紧实度、线粒体颗粒度等特征反映了EMT过程中细胞力学特性和代谢重编程的深层关联。虽然群体水平分析可能忽略罕见过渡态，但该方法在跨物种（小鼠、人）、跨诱导剂（TGF-β1、低氧）、跨癌种（乳腺癌、肺癌）场景下均展现稳健性能。

该研究建立的形态学评分平台为大规模EMT调节剂筛选、肿瘤异质性研究和转移机制解析提供了重要工具，有望推动靶向EMP的抗癌策略开发。未来工作可结合单细胞轨迹分析进一步解析EMT动态异质性，并深入探讨关键形态特征与细胞功能的因果关联。