Nature | 实现对免疫细胞的实时行为监测

单细胞转录组以及蛋白质组分析为获得健康和疾病相关细胞图谱提供了技术支持，也彻底的改变了对多种生物现象的解释。单细胞技术能够在高精度和高分辨率的水平上分析细胞状态。但是当前技术还不能够在动态的场景中捕捉细胞状态的转变。每个细胞的行为改变是遗传和信号网络共同作用的结果，因组织和细胞类型而异。

2022年1月5日，来自西班牙国家心血管研究中心的Andrés Hidalgo 团队在Nature上发表题为Behavioural immune landscapes of inflammation 的文章。作者利用成像技术结合机器学习开发出实时细胞行为分析体系。

作者首先使用CD11c-YFP小鼠，过继回输CFP+中性粒细胞，并用流感病毒PR8感染小鼠，对气管进行成像。作者总共提取了118个参数进行分析，这118个参数描述了单细胞的运动和性状特征。过滤处理后，生成了一个可视化网络图。通过筛选最能代表细胞行为的参数，作者选定了31个参数，包括19个动力学参数和12个形态参数。作者用31个参数生成了t-SNE图，显示了基于细胞行为的两个主要细胞群。作者进一步在多维度分析基础上确定最能区分各细胞群的特定参数。如细胞运动变化的速度比绝对细胞大小的参数更能预测细胞身份，这也表明行为变化中包含生物信息。作者用每个参数的可预测性强度改进了细胞预测网络，来推断在病毒感染模型中气管中特定的生物学特征。如中性粒细胞在DC附近移动较慢，而DC则表现出较高的同质行为。作者又利用皮肤缺血再灌注和激光烧伤模型测试了这些基于行为的分析模式。在缺血再灌注损伤模型中，三个细胞簇可以匹配三种细胞类型：中性粒细胞、DC和巨噬细胞。进一步子聚类分析可以识别两种中性粒细胞、两种类型DC和三种巨噬细胞。而在激光损伤模型中，作者能够利用参数分析模式更加精准区分中性粒细胞和DC。作者还发现了中性粒细胞以不同的行为模式涌向损伤部位。作者利用每个细胞数据中包含的位置信息将细胞投影到实际位置，以此构建行为图，试图实现个体特征与复杂行为模式的关联。这样的分析能够实现不同细胞分布可视化，同时能够通过实时成像捕获细胞行为，可以在其原生环境中分析细胞特征。

炎症与中性粒细胞等细胞亚群特别相关，其中蛋白质或转录组变化都会影响炎症的结果。而细胞状态是细胞动态变化的基础。所以作者接下来用lyzM-GFP小鼠构建TNF诱导的血管炎模型，以此模型分析中性粒细胞状态变化。为了提高形态测量、动力学特征以及与血管壁距离测定的准确性，作者开发了一个基于机器学习的定制分析工具，它可以产生73个参数，准确描述血管内粘附细胞状态。作者总共发现了血管内三种细胞簇。分析发现第一和第三代表一个连续体的两个极端，第二种细胞簇代表血管内中性粒细胞的过渡状态。

接下来作者使用24种突变小鼠。并利用以上分析模式对细胞状态进行分析。结果发现其中五种品系小鼠会出现抗炎表型，血管中中性粒细胞行为状态转换会出现不同变化。这表明细胞的状态调控开关主要由特定的信号通路组成，提高了靶向治疗以保护机体免受血管损伤的可能性。作者最后利用肾小球肾炎模型重点分析了Fgr这一分子对中性粒状态的调控。结果发现Fgr可以介导血管中中性粒细胞向致病方向转变。

本文利用机器学习结合成像生成的数百种参数分析细胞行为状态变化，可以实现实时捕捉在原生环境中的细胞行为变化，并利用这一体系分析发现靶向特定免疫行为特征，具有治疗价值。

原文链接：

https://doi.org/10.1038/s41586-021-04263-y