Cell丨跨细胞状态线粒体表型的四维时空图谱

撰文 | 格格

线粒体是细胞生理的核心调控者，其形态并非静态，而是通过融合、裂变和运输持续重构的四维动态网络【1，2】。尽管线粒体形态已被视为表型筛选的关键指标，但形态与功能之间的定量关系至今缺乏系统性、单细胞水平的证明。该领域长期受制于两大技术瓶颈：一是难以获取兼具高时空分辨率的四维线粒体数据，二是缺乏从高维数据中有效提取表型信息的方法。传统的高通量筛选依赖二维静态图像和预定义特征，无法捕捉动态细胞器的时空异质性【3，4】；共聚焦显微镜虽为成像金标准，但在长时间三维体积成像时存在严重的光毒性和光漂白问题【5】。深度学习方法虽有所改进，但大多依赖标注数据或预设生物学特征，仍局限于已知表型，难以应对四维细胞器固有的连续动态复杂性。因此，亟需一种无需人工标注、能自动从原始四维数据中学习通用表征的分析框架，以突破现有方法在动态表型解析中的瓶颈。

近日 ， 来自 美国加州大学 圣地亚哥 分校（UCSD）药理学系 的Johannes Schöneberg研究团队在Cell杂志发表题为4D spatiotemporal landscape of mitochondrialphenotypes across cellular states unlockedthrough representation learning的研究论文， 该研究旨在建立一个无需人工标注的自监督表征学习框架，以系统解析线粒体在多种细胞扰动下的四维时空表型，并探索形态与功能之间的定量映射关系。

首先，研究人员为构建高质量的4D线粒体表型数据集，选用Cal27人源头颈癌细胞，以26种不同机制的药物（包括线粒体裂变/融合抑制剂、电子传递链抑制剂、氧化应激诱导剂、离子载体、细胞骨架干扰剂等）进行干预，并设置DMSO对照。每个条件采集10个视野的晶格光片显微成像数据，涵盖20个时间点、60个Z平面和两个荧光通道（MitoTracker绿色标记形态，TMRM标记膜电位）。整个数据集总量达26 TB，从中提取约40,000个单细胞的4D影像样本，构成了目前已知规模最大的系统性药物扰动下线粒体四维成像数据集，为后续自监督学习提供了坚实的数据基础。

其次，研究团队开发了一套面向4D时空数据的自监督对比学习流水线。针对单个样本体积过大（约150 MB）导致的训练瓶颈，他们先训练3D空间自编码器将数据压缩16倍，再构建由3D ResNet和双向LSTM串联组成的4D编码器，分别提取每帧体素形态和整合时序动态信息。采用SimCLR框架训练后，MitoSpace在26种药物的身份分类中达74.67%准确率，而仅用13种传统图像特征的方法仅23.81%，凸显了自监督学习的优势。UMAP可视化显示，不同药物在隐空间中形成了与药理机制高度一致的聚类，如解偶联剂、ETC抑制剂聚于碎片化区域，细胞骨架干扰剂依不同靶点（肌动蛋白或微管）产生迥异空间分布，且模型还能揭示鱼藤酮的微管脱靶效应等超出主要机制的复杂反应。

继而，研究人员验证了学习表征对线粒体形态、动力学及功能的编码能力。隐空间主成分与MitoGraph/MitoTNT提取的形态和动力学特征高度相关，轻量级探针可高精度预测这些特征（中位误差约2%–4%）。尤其重要的是，虽训练中未使用TMRM通道，模型仅凭形态动态信息即可预测膜电位（R²=0.91），定量验证了形态-功能耦联这一经典假说。泛化性方面，仅用10种药物训练的模型对16种未见药物的零样本分类仍达68.37%准确率，并能将未见药物与已知同类药物准确聚类。该模型无需微调即可迁移至人肺类器官发育数据，对五个发育阶段的分类准确率达62.9%，探针预测同样保持低误差，展现出基础模型级别的跨系统泛化能力。

最后，为验证时空维度的实际贡献，团队在相同数据上分别训练4D、3D和2D版本的自监督模型。分类准确率从4D（74.67%）单调递减至3D（68.30%）和2D（56.12%），不同k值下的检索精度也呈现一致趋势；UMAP可视化显示，随维度降低聚类边界逐渐模糊。典型案例中，仅4D模型能将抗氧化剂之间、ROS诱导剂之间准确聚为相似对，而3D/2D模型则出现大量药理无关的错误高相似配对。该结果明确证明，体积信息与时间信息共同带来的表征质量跃升是传统2D静态成像无法替代的，也充分说明了4D活细胞成像结合自监督学习是解析线粒体动态表型的必要路径。

图一 基于表征学习构建跨细胞状态线粒体表型的四维时空图谱

总之，该研究通过自监督对比学习框架在四维时空尺度上构建了线粒体表型的全景表征图谱，首次在单细胞水平上实现了形态与膜电位功能的定量映射，且模型具备跨药物、跨系统的零样本泛化能力，为无需标注的四维表型筛选建立了一个可扩展的基础性框架。

https://doi.org/10.1016/j.cell.2026.08.028

制版人： 十一

参考文献

1. Alberts, B., Heald, R., Johnson, A., Morgan, D., Raff, M., Roberts, K., and Walter, P. (2022).Molecular Biology of the Cell, Seventh Edition (W.W. Norton).

2. Fenton, A.R., Jongens, T.A., and Holzbaur, E.L.F. (2021). Mitochondrial dynamics: Shaping and remodeling an organelle network.Curr. Opin. Cell Biol.68, 28–36.

3. Chandrasekaran, S.N., Ackerman, J., Alix, E., Ando, D.M., Arevalo, J., Bennion, M., Boisseau, N., Borowa, A., Boyd, J.D., Brino, L., et al. (2023). JUMP Cell Painting dataset: morphological impact of 136,000 chemical and genetic perturbations. Preprint atbioRxiv.

4. Fay, M.M., Kraus, O., Victors, M., Arumugam, L., Vuggumudi, K., Urbanik, J., Hansen, K., Celik, S., Cernek, N., Jagannathan, G., et al. (2023). RxRx3: Phenomics Map of Biology. Preprint atbioRxiv.

5. Pawley, J.B. (2006). Fundamental Limits in Confocal Microscopy. In Handbook of Biological Confocal Microscopy,J.B. Pawley, ed. (Springer), pp. 20–42.

学术合作组织

（*排名不分先后）

战略合作伙伴

（*排名不分先后）

推荐直播

转载须知

【原创文章】BioArt原创文章，欢迎个人转发分享，未经允许禁止转载，所刊登的所有作品的著作权均为BioArt所拥有。BioArt保留所有法定权利，违者必究。

BioArt

Med

Plants

人才招聘

点击主页推荐活动

关注更多最新活动！