编辑推荐：
为探究线粒体异质性引发的神经退行性疾病细胞反应差异问题，研究人员利用人诱导多能干细胞（iPS）衍生皮层神经元，以鱼藤酮、抗霉素、寡霉素抑制线粒体复合体 I、III、V（ATP 合酶），通过高内涵成像分析，发现单细胞分析可提升线粒体功能障碍预测准确性，为相关药物评估提供新方法。
线粒体作为细胞的 “能量工厂”，在神经退行性疾病中扮演着关键角色。其功能异常与遗传易感性、环境毒素等因素密切相关，可引发神经元功能障碍甚至变性。然而，线粒体异质性导致细胞对损伤的反应千差万别，使得传统的群体分析方法难以精准评估线粒体功能障碍。如何从单细胞层面解析线粒体形态与功能的关系，成为揭示神经退行性疾病发病机制及开发靶向疗法的关键科学问题。
为攻克这一难题，澳大利亚新南威尔士大学（University of New South Wales）和澳大利亚神经科学研究中心（Neuroscience Research Australia, NeuRA）的研究团队开展了深入研究。他们利用人诱导多能干细胞（human induced pluripotent stem cells, hiPSCs）分化的皮层神经元作为模型，通过抑制线粒体电子传递链复合体 I（complex I）、复合体 III（complex III）和 ATP 合酶（ATP synthase），结合高内涵成像与单细胞分析技术，系统解析了线粒体形态异质性与功能损伤的关联。研究成果发表在《Scientific Reports》，为神经退行性疾病中线粒体异常的精准评估提供了新视角。
研究采用的关键技术包括：
- 高内涵成像技术：利用 Operetta 高内涵成像系统采集神经元线粒体的荧光图像，通过 TMRM（线粒体膜电位指示剂）、Calcein（活细胞标记）和 Hoechst（细胞核标记）染色，获取线粒体形态、分布及功能状态的多维度数据。
- 单细胞形态特征提取：借助 Harmony 软件从 55,577 个单细胞中提取 50 项线粒体形态特征，涵盖大小、形状、纹理及空间分布等参数，构建单细胞层面的形态特征数据库。
- 多维数据分析方法：运用层次聚类分析（hierarchical clustering analysis）、主成分分析（Principal Components Analysis, PCA）和均匀流形近似与投影（Uniform Manifold Approximation and Projection, UMAP）等降维技术，结合机器学习模型，解析群体与单细胞层面的线粒体形态异质性。
研究结果
1. 线粒体复合体抑制对细胞呼吸的影响
通过细胞外氧消耗率（extracellular oxygen consumption rate, OCR）测定证实，鱼藤酮（rotenone，复合体 I 抑制剂）、抗霉素（antimycin，复合体 III 抑制剂）和寡霉素（oligomycin，ATP 合酶抑制剂）均能显著降低皮层神经元的线粒体呼吸功能（P<0.0001），表明三种抑制剂成功诱导了线粒体功能损伤。
2. 群体水平的线粒体形态聚类分析
层次聚类结果显示，不同抑制剂处理的细胞群体呈现显著的形态学差异：靶向电子传递链的鱼藤酮和抗霉素处理组聚为一大类，其中两者又各自形成亚群；而抑制 ATP 合酶的寡霉素处理组则单独聚为一类。这表明线粒体形态特征可有效区分不同作用机制的线粒体损伤，且同一抑制剂的不同浓度处理组呈现剂量依赖性的形态变化聚类模式。
3. 单细胞水平的异质性分析与关键细胞亚群鉴定
利用 PCA 和 UMAP 对单细胞数据进行降维分析，发现即使在相同抑制剂处理组内，细胞对损伤的反应仍存在显著异质性，可区分出高响应和低响应细胞亚群。进一步分析显示，鱼藤酮和抗霉素处理组中，神经突（neurite）相关线粒体特征（如 mito_SER_spot_neurite、mito_intensity_neurite）的改变更为显著，而寡霉素处理组的神经突线粒体特征变化相对温和，提示电子传递链抑制对神经突线粒体的损伤更为直接。
4. 机器学习模型预测性能的提升
基于高响应细胞亚群的特征数据训练机器学习模型，显著提高了线粒体功能障碍的预测准确性：抗霉素、鱼藤酮和寡霉素处理组的预测准确率分别从 62.75%、71.86%、86.72% 提升至 81.97%、75.12%、94.42%，且减少了抗霉素与鱼藤酮的误分类率。这证实靶向高响应细胞亚群可增强对线粒体损伤机制的精准识别。
研究结论与意义
本研究通过 “线粒体形态组学（mitochondrial morphomics）” 方法，首次在单细胞分辨率下系统解析了不同线粒体复合体抑制引发的形态异质性，揭示了神经突线粒体对电子传递链损伤的高敏感性，并证实靶向高响应细胞亚群可显著提升线粒体功能障碍的预测精度。研究结果不仅深化了对线粒体异质性与神经退行性疾病关联的理解，还为开发基于单细胞形态特征的线粒体靶向药物筛选平台提供了技术支撑。未来，结合多组学数据的整合分析，有望进一步推动神经退行性疾病早期诊断标志物的发现与个性化治疗策略的发展。
