4D跨细胞状态线粒体表型时空景观通过表征学习解析

《Cell》：4D spatiotemporal landscape of mitochondrial phenotypes across cellular states unlocked through representation learning

　　

线粒体是四维（4D：x、y、z 和时间）细胞器，对细胞功能至关重要。在多种细胞状态下刻画其 4D 表型景观，需要 4D 成像与分析框架。研究人员提出 MitoSpace，一种在无标签条件下训练的自监督深度学习模型，训练数据为由机制不同扰动下线粒体构成的太字节级单细胞质点光片显微镜（lattice light-sheet microscopy，LLSM）数据。MitoSpace 学到的潜表示在药物分类中优于预定义特征，并捕捉到线粒体形态与动力的可解释变异。回归探针从所学表示预测线粒体膜电位（mitochondrial membrane potential），R2 = 0.91，在单细胞水平建立形态与功能的定量映射。MitoSpace 还可零样本泛化至未见扰动以及人肺类器官（human lung organoids）。维度消融显示表示质量从 2D 到 3D 到 4D 单调提升，证明体积与时间信息的重要性。模型、数据集与交互浏览器公开可用，为 4D 表型筛选奠定基础。

研究背景方面，线粒体作为生成细胞能量并整合代谢与应激反应的核心细胞器，其形态并非静态，而是以相互连接的管状网络通过裂变（fission）、融合（fusion）与运输持续重塑的 4D 结构。传统电子显微镜与低分辨率 2D 固定细胞影像只能捕获粗粒度结构，无法反映动态细胞器的时间维度；共聚焦显微镜虽为线粒体成像金标准，但长时间 3D 时间序列采集会引发光毒性和光漂白。现有大规模影像筛选数据集如 JUMP-CP 与 RxRx3 依赖 2D 静态图，难以刻画线粒体动力学。传统表型分析提取预定义特征，深度学习也多依赖标注或先验特征，无法充分表达 4D 线粒体连续结构与动力复杂性。因此，研究人员开展本研究，利用 LLSM 获取高分辨率活细胞 4D 线粒体数据，并构建无标注自监督框架表征药物扰动下的线粒体表型景观。

该论文发表于《Cell》。研究人员构建药物扰动 4D 线粒体数据集，提出自监督对比学习框架 MitoSpace，得到无标签条件下可分辨药物表型、预测膜电位、零样本泛化至未见扰动与人肺类器官的结论，说明 4D 自监督表征学习能捕捉形态与功能耦合，为高通量表型筛选与亚细胞基础模型提供新范式。

关键技术方法方面，样本来自 Cal27 人头颈鳞癌细胞经 25 种小分子或肽段处理的 26 个条件，以及人诱导多能干细胞来源肺类器官发育队列。研究人员采用 LLSM 进行高分辨率 4D 活细胞成像，以 MitoTracker Green 与四甲基罗丹明甲酯高氯酸盐（TMRM）双通道标记；用 Cellpose-SAM 分割单细胞，提取 20×60×256×256（t、z、y、x）单细胞 4D 样本；以 3D 空间自编码器压缩数据，再用 3D ResNet 与双向长短期记忆网络（BiLSTM）构成 4D 编码器，采用 SimCLR 对比学习获得潜表示；下游以轻量非线性探针做分类与回归，并以 UMAP 可视化。

High-resolution 4D imaging captures diverse drug-induced mitochondrial phenotypes：研究人员用 25 种机制各异药物处理 Cal27 细胞，LLSM 获取 13×170×756 μm 区域、1 分钟间隔共 20 分钟的双通道 4D 数据，单细胞分裂后得到约 40,000 个单细胞 4D 影像。结论为该系统药理学扰动数据集能支撑线粒体空间与时间表型响应研究。

A spatiotemporal contrastive learning pipeline enables scalable 4D phenotypic profiling：研究人员以 3D 自编码器将单帧 3D 数据压缩 16 倍，再用 3D ResNet 加 BiLSTM 编码时序，SimCLR 对比损失使表型相似样本聚拢。结论为该方法可扩展处理太字节级 4D LLSM 数据并产出结构化潜空间。

MitoSpace resolves the spatiotemporal landscape of mitochondrial drug responses：研究人员用距离加权 k-NN 对 2048 维嵌入做药物身份预测，测试集平均 top-1 准确率 74.67%；预定义 13 个图像特征仅 23.81%。UMAP 显示不同机制药物形成可解释聚类，如解偶联剂、离子载体与 ETC 抑制剂聚为碎片化簇，微管破坏剂保留 elongated 形态但分布改变。结论为 MitoSpace 无监督学到与药理机制一致的表型流形。

Learned representations align with interpretable features of mitochondrial morphology and dynamics：研究人员用 MitoGraph-GPU 与 MitoTNT 提取空间、时间特征并着色 UMAP，前 10 个主成分解释 69.33% 方差，且与段长、片段直径等强相关。结论为潜表示具有语义结构，可解释形态与动力轴。

Learned representations encode function and predict bioenergetic states：TMRM 通道训练时不输入模型，仅作独立功能读数。回归探针从 4D 形态表示预测归一化 TMRM 强度达 R² = 0.91，各条件 NAPE 约 0.5%–5%；二值形态控制实验仍达 R² = 0.74。结论为线粒体形态与动力本身携带膜电位信息，形态—功能耦合可在无功能监督下恢复。

MitoSpace generalizes across unseen perturbations and model systems：仅用 10/26 条件训练，零样本 top-1 为 68.37%；人肺类器官虽未参与训练，发育阶段分类达 62.9%，早晚期明显分簇，相邻阶段易混淆。结论为表示可迁移至未见扰动与不同生物系统。

Representation quality improves with increasing microscopy data dimensionality：同数据训 4D、3D、2D 模型，k=100 时准确率分别为 74.67%、68.30%、56.12%，4D 在 26 条件中 22 个最优，检索精度随维度下降而降低。结论为输入维度与表示质量呈单调关系，2D 筛查低估表型多样性。

讨论部分总结：研究人员指出 MitoSpace 将碎片化—过度融合 continuum 扩展为连续高维流形，无监督恢复已知生物学并暴露非显然关系，如 rotenone 聚入微管破坏簇反映其 tubulin 亲和。形态可预测膜电位说明结构数据可作功能代理，减少功能探针与光毒性。维度消融量化 2D/3D 丢失的信息，指出领域偏用 2D 可能系统性低估表型空间。MitoSpace 具备可复用自监督表示、多下游读出、跨系统与零样本泛化三类基础模型特征，但非自然语言级基础模型，而是 4D 亚细胞参考空间起点。局限包括单细胞系、20 分钟窗口、MitoTracker 染料定位影响、自监督对批次效应敏感及 LLSM 与计算成本门槛。

研究结论部分翻译：MitoSpace 将线粒体表型框架由碎片化到过度融合扩展为扰动下大量形态与动力状态的高维流形；无标签模型学到机制关系、可解释时空特征与生物能功能。其形式—功能耦合可在无功能监督下由 4D 单细胞的形态与动力信息恢复，膜电位回归 R² = 0.91。模型零样本泛化至未见药物与人肺类器官发育，且 4D 表示质量优于 3D 与 2D。该工作为无标注 4D 高内涵表型筛选、亚细胞基础模型与疾病、CRISPR、多细胞器 atlas 研究提供资源与框架。