Science论文揭示细胞器“指纹”解码组织健康：sOrganellomics绘制肝脏细胞状态马赛克

构成人体器官的细胞并非完全相同；即使在同一组织内，细胞也可以采取不同的功能状态，执行互补的专门任务，并适应不断变化的条件。绘制这种多样性主要依赖于分析基因活动，而这只捕捉了细胞组织的一个层面。然而，许多核心功能由细胞器——细胞内部的区室，如产生能量的线粒体和储存脂肪的脂滴——执行，它们的形状、丰度和排列直接反映并影响细胞正在做什么。细胞器结构的变化并非仅仅是相关性的：在肥胖驱动的重塑后恢复正常内质网结构，可挽救胰岛素反应和葡萄糖平衡，表明细胞器组织可以因果性地决定细胞功能。然而，在完整组织中系统测量数千个细胞的这些结构特征的工具一直缺乏。

基于图像的细胞器形态分析方法对体外培养的细胞效果很好，但完整组织不同：细胞是三维的、紧密堆积的，且形状高度可变。准确测量单个细胞内的细胞器需要从密集的体积图像堆栈中分割数百万个结构，直到最近这一任务仍没有可扩展的解决方案。多重荧光显微镜、深度学习分割和自动特征提取的进步现在使这变得可行。通过结合这些工具，可以一次性为数千个细胞生成丰富的结构谱，直接在其天然组织环境中进行，并使用机器学习仅从细胞器特征对细胞状态进行分组和空间映射。

在一项新的研究中，研究团队开发了空间细胞器组学（spatial Organellomics，sOrganellomics），一种成像和分析工作流程，通过测量完整组织中细胞器的丰度、形态和分布，为每个细胞生成多细胞器特征。应用于小鼠肝脏和胰腺，他们分析了数千个细胞，发现细胞器特征能够区分组织特异性细胞类型。

在肝脏中，sOrganellomics揭示，带状位置并不能完全解释细胞器定义的肝细胞类别。肝细胞并非由位置定义的平滑层，而是在经典带内形成混合群落，支持一种更精细的亚带多样性模型。与已发表蛋白质水平数据的对齐允许推断每个肝细胞类别的推定代谢功能。

禁食和西方饮食以不同方式重塑了这一细胞马赛克，降低了肝细胞状态多样性。禁食触发了一种区域偏倚的细胞适应，重塑了细胞器特征，产生了独特的禁食相关肝细胞状态。活体成像将这种禁食诱导的适应与活体动物中线粒体活动的变化联系起来。最后，应用多细胞器特征训练机器学习模型，以高准确度对营养状态进行分类，并追踪小鼠模型中早期脂肪肝疾病的阶段。

综上所述，sOrganellomics将细胞器结构确立为一种信息丰富的细胞状态度量，补充了分子分析。通过揭示肝脏中混合功能状态的马赛克，并表明该马赛克响应代谢应激并预测代谢适应，这项工作证明细胞内组织编码了关于组织健康的有意义信息。该工作流程可适应其他器官和细胞器，并可生成从组织到细胞器尺度的大型数据集，用于机器学习和组织生物学的计算建模。（生物谷Bioon.com）

参考文献：

Raghabendra Adhikari et al, Multi-organelle signatures map cell-state diversity and metabolic adaptation in tissues, Science (2026). DOI: 10.1126/science.ady6372.