一天內自動化分析數萬細胞，AI識別追蹤染色體異常，探秘癌癥起源

編輯丨coisini

染色體是遺傳物質的載體，對基因遺傳和健康起著重要作用。很多疾病的發生就是染色體異常導致的。

某些侵襲性極強癌癥的主要驅動因素就是染色體異常。如果能夠觀察分析染色體異常及其原因，癌癥的治療就會迎來新突破。

然而，在任意給定時間，只有一小部分分裂細胞會表現出明顯的染色體缺陷，且這類細胞通常在被分析之前就已死亡。傳統上，科學家必須借助顯微鏡手動識別，研究過程緩慢艱苦。

基于此，海德堡歐洲分子生物學實驗室開發了一種新型人工智能平臺 ——MAGIC，旨在用機器學習輔助基因組學。通過整合微核細胞活體成像、實時機器學習與單細胞基因組學技術，MAGIC 能夠讓科學家系統研究癌癥形成過程，追蹤細胞分裂過程中誘發腫瘤的自發性錯誤（染色體異常）是如何產生的。

研究論文以《Origins of chromosome instability unveiled by coupled imaging and genomics》為題發表于《Nature》上。

論文地址：https://www.nature.com/articles/s41586-025-09632-5

異常細胞的「激光標記」系統

近期，有研究證實：單個 DNA 損傷即可引發一系列改變，導致染色體不穩定，并促進復雜癌癥的形成。

細胞分裂時，DNA 片段脫落會形成額外小型細胞核 —— 微核。微核不僅是細胞殘骸，更是危險信號。攜帶微核的細胞更容易產生新的染色體異常，并可能最終轉化為癌細胞。

MAGIC 系統旨在通過研究核異型性來深入理解癌癥形成機制。該系統集成了活細胞自主共聚焦顯微鏡、核異型性實時評估機器學習系統、靶向細胞光標記及分選技術。

MAGIC 的運行機制類似于微觀層面的激光標簽游戲。它通過自動顯微鏡技術和經訓練可識別微核特征的人工智能算法，對數千個細胞進行掃描。

當 AI 識別出含微核的細胞后，會指導顯微鏡使用光轉換染料進行「標記」—— 這種熒光分子在激光照射下會改變顏色。基于光學的標記使研究人員能通過流式細胞術（flow cytometry）追蹤和分離特定細胞，隨后對分離細胞進行單細胞測序和系統表型分析，從而在模擬腫瘤演化早期階段的細胞系模型中，深入研究細胞微環境、突變率及自發染色體畸變的形成誘因。

通過實現圖像捕獲到基因分析的全流程自動化，MAGIC 消除了人工選擇的需求，極大加快了研究速度，讓科學家在一天內即可分析近 10 萬個細胞。

實時追蹤染色體錯誤

研究團隊運用 MAGIC 監測培養人類細胞的染色體異常。他們發現超過 10% 的正常細胞分裂會產生某種自發性染色體改變。

例如，當 TP53 基因（編碼 p53 腫瘤抑制蛋白）被抑制后，異常率幾乎翻倍，這印證了 p53 在維持基因組穩定性中的關鍵作用。

研究團隊還精準定位了這些異常背后的特定機制。一個重要誘因是雙著絲粒染色體，這種不穩定結構在細胞分裂時會被雙向拉扯，導致染色體斷裂和重排。

MAGIC 實現了每次實驗對數萬個細胞的自動化分析，能夠大規模分離稀有細胞形態，從而突破了核異型性研究的局限。

研究團隊累計分離了 2898 個單細胞，并對 2192 個單細胞基因組進行測序，構建出研究新發癌癥的空前數據集。

MAGIC 的人工智能算法可通過再訓練識別幾乎所有可見細胞特征，因此 MAGIC 的應用不僅限于癌癥相關異常研究，它還能應用于神經退行性病變、衰老、遺傳疾病等諸多生物學問題的探索。

感興趣的讀者可以閱讀論文原文，了解更多研究內容。

參考內容：https://www.insideprecisionmedicine.com/topics/oncology/like-magic-new-ai-tool-reveals-how-chromosomal-errors-arise-offers-clues-to-cancers-origins/