Nat Commun：细胞“指挥中心”乱套了？科学家利用AI绘制出乳腺癌内幕新图谱

癌症研究的百年谜题中，中心体异常始终占据一席之地，这种被视为癌症核心标志的细胞缺陷，因其形态复杂多变且在组织样本中难以精准捕捉，长期困扰着科学家们。

日前，一篇发表在国际杂志Nature Communications上题为“CenSegNet: a generalist high-throughput deep learning framework for centrosome phenotyping at spatial and single-cell resolution in heterogeneous tissues”的研究报告中，来自英国南安普顿大学等机构的科学家们借助一款名为CenSegNet的开源人工智能平台，成功揭开了这一微观世界的神秘面纱。这一研究不仅实现了对中心体异常的高通量、单细胞级别解析，更颠覆了传统认知，将这一“单一现象”划分为两种独立存在的异常亚型，并揭示了它们与乳腺癌演进及患者预后的惊人关联。

在深入探讨这项发现之前，有必要了解中心体的角色，其好比细胞的“总建筑师”和“交通枢纽”，负责组织微管、确保细胞分裂时染色体能够正确分配。一旦中心体“乱了方寸”，细胞分裂便可能陷入混乱，导致染色体数目错误，这是癌变的重要驱动因素之一。然而，在传统显微镜下，病理学家很难从数以万计的细胞中准确识别并量化这些微小的结构变化，更遑论在大规模组织样本中绘制其空间分布地图。

CenSegNet的诞生打破了这一僵局，该框架具备强大的泛化能力，能适应不同成像模态和组织环境。研究人员利用这一工具，对来自127名乳腺癌患者的911份肿瘤组织样本进行了大规模筛查，分析了超过33万个中心体的详细特征；这种前所未有的规模与精度让研究者得以从“卫星视角”审视肿瘤内部的异质性，直观地看到不同区域的肿瘤细胞在中心体状态上存在显著差异。

人工智能的分析结果揭示了一个核心突破：中心体异常并非铁板一块，而是由两种在生物学机制上截然不同的“故障”组成，一种是数量异常，即一个细胞内出现过多的中心体；另一种是结构异常，表现为中心体本身尺寸异常增大。令人意外的是，这两种异常在肿瘤内部呈现出独立的空间分布模式，且它们的发生机制似乎是解耦的，而非此前认为的因果连锁反应。在肿瘤的边缘地带，这两种异常的比例往往呈现此消彼长的“矛盾”状态，这种局部失衡与肿瘤的侵袭行为和周围基质的重塑特征紧密相关，提示肿瘤边缘的微观环境可能在驱动异质性中扮演关键角色。

进一步将图像数据与临床信息交叉分析后，统计学关联浮出水面，研究人员发现，中心体结构异常（特别是异常增大的中心体）与乳腺癌的高级别、激素受体阴性、淋巴结转移及特定的基因组变异显著相关，而这些特征通常预示着更具侵略性的临床病程。更重要的是，在肿瘤核心区域，结构异常中心体数量较少的患者，其整体生存率表现出显著优势。而数量异常则展现出不同的动力学特征，部分亚型甚至与年龄相关的动态变化存在关联。这一发现表明，未来对肿瘤的评估不应再笼统地讨论“中心体异常水平”，而应区分对待这两种截然不同的“故障代码”。

从研究到临床应用的桥梁虽尚未完全架通，但这一发现已点燃诸多希望，首先，通过AI绘制的中心体异常空间分布图，有望为病理评估增加新的维度，帮助识别那些即便在传统分级下看似温和、实则暗藏侵袭潜能的肿瘤；其次，当前已有数款靶向中心体调控蛋白的药物处于研发或临床试验阶段。该研究为这些药物的精准施用提供了理论依据：若能预先明确患者肿瘤主要携带的是哪种类型的中心体缺陷，便有可能实现更精确的“靶向匹配”；再者，这项工作也为理解肿瘤内异质性提供了具体范例，解释了为何同一肿瘤的不同区域对治疗反应不一，从而为克服耐药性提供新线索。

值得一提的是，研究人员已经将CenSegNet作为开源工具向全球科学界共享，并初步验证了其在肾脏、结肠及阑尾等组织样本中的适用性，这意味着，这套“细胞缺陷导航系统”有望迅速推广至多种上皮性肿瘤的研究中并开启一个利用AI追踪亚细胞结构动态，从而解码疾病规律的新时代。目前，研究人员正计划将中心体表型数据与基因组、转录组信息进行深度融合，致力于探索这一微观标志物从实验室迈向临床决策的可行路径，从而为癌症的个体化治疗提供更坚实的底层依据。（生物谷Bioon.com）

参考文献：

Cheng, J., Fan, K., Bailey, M. et al. CenSegNet: a generalist high-throughput deep learning framework for centrosome phenotyping at spatial and single-cell resolution in heterogeneous tissues. Nat Commun (2026). doi：10.1038/s41467-026-75393-y