《Nature Methods》：Reconstructing signaling histories of single cells via perturbation screens and transfer learning
编辑推荐：
操纵信号环境是改变细胞状态以服务广泛应用的有效方式。这类操纵需要知道细胞在体内经历过的信号状态与信号历史，而目前缺乏高通量发现方法。研究人员提出一个实验—计算整合框架，从高通量体外扰动图谱中学习可迁移的信号响应特征，并以高分辨率和时间精度推断体内细胞类型的信号
操纵信号环境是改变细胞状态以服务广泛应用的有效方式。这类操纵需要知道细胞在体内经历过的信号状态与信号历史，而目前缺乏高通量发现方法。研究人员提出一个实验—计算整合框架，从高通量体外扰动图谱中学习可迁移的信号响应特征，并以高分辨率和时间精度推断体内细胞类型的信号活动与历史。研究人员在人多能干细胞上生成信号扰动图谱，并用以训练名为IRIS（Intracellular Response to Infer Signaling State）的神经网络模型。将IRIS应用于小鼠胚胎单细胞图谱后，研究人员揭示了组合信号编码使用的全局特征，识别出具有生物学意义的异质性，并重构了多条发育谱系上的信号历史。该框架表明多种细胞类型共享保守的信号响应特征，并为绘制体内复杂信号互作、指导靶向干预和实现细胞命运工程提供了可扩展方案。
研究背景方面，由外部信号组合驱动的细胞状态转变是胚胎组织构建、成体稳态维持以及疾病发生发展的基础。体内关联信号通路与细胞状态转变主要依赖遗传扰动和转基因信号报告系统，但这些方法难以用于人类组织，且通量低、缺乏时间精度。基于配体—受体对的细胞—细胞通讯算法只能估计信号潜能而非信号状态。信号激活会诱导转录响应，这是细胞信号状态最直接的高通量可读指标；但信号通路数量多、细胞类型多样、信号使用具有组合性，不可能对每种细胞类型逐一做定义信号刺激并测转录响应。学界通常认为每条信号通路的转录响应是细胞类型特异的，这暗示若要推断体内细胞信号状态，就需对目标细胞类型本身做扰动，而这在体内细胞类型中往往不可行。因此，核心科学问题是：是否存在跨细胞类型共享的信号响应特征，从而用体外扰动学习、再迁移到体内推断。
研究人员构建了“体外高通量组合信号扰动筛选 + 迁移学习”的框架，并训练IRIS模型。结论上，研究人员发现不同细胞类型间确实存在可共享、可迁移的转录组范围信号响应特征；IRIS能跨批次、跨细胞类型、跨物种推断TGF-β（转化生长因子β）、FGF（成纤维细胞生长因子）、BMP（骨形态发生蛋白）、HH（Hedgehog）、RA（视黄酸）和WNT等通路活动；该框架可重构小鼠原肠胚形成期多谱系的信号历史，还能优化人多能干细胞向器官特异性间充质的定向分化方案。论文发表于《Nature Methods》，意义在于把“信号状态推断”从配体—受体潜能估计推进到细胞自主的响应特征推断，为发育生物学、干细胞分化和治疗性干预设计提供可扩展工具。
主要关键技术方法方面，研究人员使用小鼠胚胎干细胞（mES cell）六通路全组合扰动单细胞数据集作为起点；构建三个人胚干细胞（hES cell）顺序组合信号筛选体系，分别覆盖中胚层第4天（hM_d4）、中胚层第7天（hM_d7）和内胚层第8天（hE_d8）状态；以小鼠原肠胚E6.5–E8.5单细胞图谱、小鼠前肠器官发生间充质数据集、成人支气管上皮类器官刺激数据集作为体内或原代验证队列；算法上采用基于条件变分自编码器（CVAE）的IRIS，联合潜在空间学习与前馈神经网络（FNN）分类，并在跨批次、跨细胞类型、跨物种设置下做留出验证与基准比较。
研究结果部分，小标题“Learning generalizable signal response signatures from the ground up using IRIS”中，研究人员用mES cell六通路组合数据做80/20划分，比较传统响应基因方法与IRIS。结论是少量经典响应基因对RA、WNT、BMP有一定分类力，但对TGF-β、FGF差；IRIS通过全转录组与CVAE结构学到更稳健的特征，分类优于响应基因方法。
小标题“Sequential combinatorial signal perturbation screen enables rapid sampling of diverse cell and signaling states”中，研究人员设计hM_d4、hM_d7、hE_d8三套顺序组合刺激，用汉明距离（Hamming distance）和分步组合策略采样大组合空间。结论是这些筛选产生跨谱系、跨物种均不同的丰富细胞状态，为模型训练与评价提供真实标签基础。
小标题“IRIS can generalize across batches and cell types”中，通过一次留出一个筛选批次、只用语料内胚层训练再测中胚层、只用地鼠物种训练再测另一物种等设置，研究人员证明IRIS可跨批次、跨细胞谱系、跨物种迁移；加入少量同物种异类型标注数据后性能进一步提升，说明多样细胞状态有助于学到可迁移响应特征。
小标题“Signaling response signatures reflect transcriptome-wide features”中，基因消融与互信息排序显示，需随机化成千上万个基因预测力才降到随机水平；显著性图（saliency maps）与基因集富集分析（GSEA）表明IRIS不仅捕捉经典通路响应基因，还捕捉广泛基因调控网络与转录组范围特征。
小标题“IRIS reconstructs spatiotemporal signaling dynamics of cell fate lineages”中，研究人员把IRIS用于小鼠原肠胚约40个注释群，重构E7.0前后的组合信号切换；在内胚层与心肌谱系中恢复已知时序趋势，如心肌谱系WNT失活、BMP激活、RA后期激活；在体节中胚层沿前后假空间轴恢复RA来自前侧、WNT/FGF来自后侧的浓度梯度样概率；在心肌群内RA+细胞富集心房标志物，在内胚层群内不同组合对应前肠与中后肠标志物。研究人员还将模型用于神经外胚层与成人气道上皮，预测仍符合已知生物学或受体表达决定的应答能力。
小标题“IRIS helps optimize hES cell differentiation protocol for organ-specific mesenchyme”中，研究人员用IRIS预测小鼠E9前肠呼吸间充质中WNT和BMP富集，并用体外前肠培养验证WNT激活扩大Tbx4和Foxf1表达、WNT抑制消除Tbx4；据此把hES cell呼吸间充质方案改为更早更长WNT刺激，显著提高TBX4等呼吸间充质标志物效率，而无需穷举全部组合空间。
讨论部分总结方面，研究人员指出体内信号状态与历史绘制受限于动物模型成本高、通量低，也缺乏人类组织适用工具；该框架用体外多细胞类型组合扰动学习响应特征，再迁移推断体内同名通路活动，甚至对未参与扰动的细胞类型也可分类。响应特征可迁移挑战了“转录响应完全细胞类型特异”的成见。框架可扩展到NOTCH、YAP、细胞因子、激素等。IRIS与CellPhoneDB、NicheNet、CellChat等配体—受体方法互补，后者估潜能，前者估细胞自主信号状态；二者联用尤其利于空间转录组中的细胞—细胞通讯推断。模型可借Transformer、基础模型与更多细胞类型数据进一步增强，并形成“扰动—训练—预测—实验验证”的迭代循环。
研究结论部分翻译为：绘制细胞的信号状态与历史对于理解细胞如何做出命运决定至关重要，但这类动物实验昂贵且低通量，人类组织也缺乏可比工具。研究人员开发了实验—计算框架，在体外对一组细胞类型进行组合信号扰动筛选，并利用从转录组数据中学到的信号响应特征推断体内相同信号通路的活动。信号响应特征可作为多种细胞类型的准确分类器，包括未出现在扰动筛选中的细胞类型。这种跨细胞类型、跨批次的信号分类由IRIS这一基于神经网络的迁移学习算法实现。虽然本研究聚焦早期胚胎中反复出现的六条发育通路，该框架也可用于其他信号通路，如发育胚胎中的NOTCH与YAP通路、免疫系统中的细胞因子以及调节生理的激素。不相关细胞类型间信号响应特征的可迁移性令人惊讶，因为信号激活的转录响应常被认为具细胞类型特异性；研究人员证明从mES cell和hES cell筛选中学到的响应特征可准确分类等价及更晚阶段小鼠胚胎细胞的信号状态。IRIS所学响应特征对转录组空间中相距很远的细胞能推广到何种程度仍待确定；模型可通过Transformer与基础模型及更多细胞类型数据改进。总体而言，IRIS能从scRNA-seq数据学习信号状态与历史，其重构依赖准确谱系推断，但因其完全依赖单细胞水平细胞自主信息，也可作用于含异质状态的聚类。IRIS的响应中心方法与配体—受体方法互补，二者联用可扩展scRNA-seq与空间转录组在科学发现及转化中的应用，如干细胞工程与病理状态信号通路识别。
