基于自监督深度学习的汇集式Cell Painting CRISPR筛选平台实现基因功能的从头推断

《Nature Communications》：A pooled Cell Painting CRISPR screening platform enables de novo inference of gene function by self-supervised deep learning

本研究针对传统CRISPR筛选表型单一、高维方法成本高昂的问题，开发了兼容光学汇集筛选（OPS）的Cell Painting技术平台。研究人员通过形态学特征分析结合自监督深度学习，实现了无需预设生物标志物的基因功能挖掘，为无偏倚发现基因作用机制提供了新范式。

　　

在功能基因组学研究中，CRISPR筛选技术革命性地推动了大尺度基因功能解析，但传统方法大多局限于检测细胞存活率等简单表型。虽然Perturb-seq等转录组学方法能提供高维数据，但其高昂成本限制了应用范围。光学汇集筛选（OPS）通过结合CRISPR筛选和显微成像，实现了高通量、多参数的表型检测，然而现有技术多针对特定通路设计，缺乏系统性探索能力。

近日发表于《Nature Communications》的研究提出了一种创新性解决方案。该研究团队开发了兼容OPS的Cell Painting平台，通过多参数形态学分析实现了无假设驱动的遗传筛选。研究人员首先利用已知形态学相关基因集验证平台可靠性，进而对比传统图像分析与自监督深度学习方法的效能，最终应用药物基因组文库开展创新性发现筛选。研究表明，通过整合丰富形态学数据与深度学习算法，无需特定生物标志物即可构建基因功能网络，为基因功能的 unbiased 发现开辟了新途径。

关键技术方法包括：建立OPS兼容的Cell Painting实验体系，使用CRISPR机制筛选文库（包含机制验证库和药物基因组库）；采用多通道荧光成像获取细胞形态学特征；应用自监督深度学习模型（如变分自编码器）进行特征提取；通过聚类分析和网络建模推断基因功能关联。所有实验均使用标准人类细胞系完成。

研究结果

平台验证与性能评估

通过已知形态学相关基因集的测试，证实该平台能稳定检测出基因扰动引起的细微形态变化。与经典图像分析方法相比，自监督深度学习模型在区分不同作用机制的基因扰动时表现出更高灵敏度，尤其擅长捕捉非线性特征变化。

机制作用文库的深度解析

利用包含多种作用机制的文库筛选发现，深度学习模型能自发聚类具有相似功能的基因，如细胞周期调控相关基因扰动呈现出协同的形态学特征改变。这些聚类模式与已知通路高度吻合，验证了方法的生物学相关性。

药物基因组的系统性挖掘

在药物基因组筛选中，平台成功识别出多个未被报道的基因-功能关联。例如发现某些激酶扰动会导致独特的细胞骨架重排模式，提示其潜在的新型功能。这些发现为靶向药物开发提供了新线索。

网络推断与功能预测

通过整合所有筛选数据构建的基因功能网络，不仅重现了已知生物学通路，还预测了若干基因的新作用机制。后续实验验证表明，这些预测具有较高可靠性，证实了平台的理论预测能力。

本研究成功建立了将汇集式CRISPR筛选、多维度形态学分析与自监督深度学习相结合的技术框架。该平台不仅能系统解析基因功能，还可应用于药物作用机制研究、毒性预测等领域。特别值得注意的是，该方法克服了传统筛选对预设标记物的依赖，真正实现了无偏倚的功能发现。随着图像分析算法的不断优化，这种整合计算与实验的方法有望成为系统生物学研究的新范式，为理解基因功能网络提供更全面的视角。