Deep learning of functional perturbations from condensate morphology#
Cell | IF≈50 | 中科院1区 | 2026-06-04 (Epub) Donlic A, Comi TJ, Quinodoz SA, Jaberi-Lashkari N, Fernandes KA, Jiang L, Wiesner LW, Lim AI, Brangwynne CP. Cell. 2026;189(15):4562-4580.e10. | PMID: 42242225 | DOI: 10.1016/j.cell.2026.05.010
一、研究背景与科学问题#
1.1 背景#
生物分子凝聚体（biomolecular condensates）通过无膜相分离在细胞内区室化组织复杂功能。核仁、核斑等凝聚体在显微镜下呈现可观察的中尺度形态，但如何把形态变化定量连接到其背后的分子功能扰动，仍是一大挑战。传统凝聚体研究能描述相分离、组分和形态，却难以系统地建立"显微形态 ↔ 生化过程（RNA 转录、rRNA 加工、核仁亚区边界维持）"的映射。
1.2 科学问题#
- 凝聚体形态能否作为可量化的功能扰动读出（functional readout）？
- 能否用深度学习从原始显微图像直接学习形态表征，而不依赖手工分割？
- 能否用该读出在化学筛选中发现未知的机制联系（如 TOP1 与核仁组织）？
二、整体研究思路（技术路线）#
本研究采用 "形态锚点 → 深度表征学习 → 剂量-反应校准 → 未知扰动筛选 → 正交机制验证" 的递进式策略：
| Step | 内容 | 关键技术 |
|---|---|---|
| 1 | 凝聚体标记 | U2OS 中标记核仁 FC/DFC/GC 三亚区；扩展核斑、RSV inclusion body |
| 2 | 已知扰动建模 | CX-5461、FVP、Plad B、CPM、TPT/CPT 等药物定义可解释形态状态 |
| 3 | 深度形态学习 | ImageNet 初始化的 ResNet50 迁移学习，端到端微调 |
| 4 | Activation space | 分类层前加二维编码层，单细胞映射到 2D 形态空间 |
| 5 | 剂量-反应校准 | 形态向量投影计算 RC50，与功能 IC50 比较 |
| 6 | 化学筛选 | 识别已知类别外的核仁形态 → 发现 TOP1 flower morphology |
| 7 | 机制验证 | TOP1 定位、5eU-seq、RNA FISH、顺序药物处理 |
三、主要结果#
Result 1 | Deep-Phase 从原始图像定量解码凝聚体形态#
【目的】 验证深度学习能否直接从显微图像学习凝聚体形态，并作为功能扰动读出。
【主要证据】
- (1) 用三色核仁模型训练 Deep-Phase，区分正常、cap、necklace 等形态，分类准确率高
- (2) 直接输入原始图像，通过卷积表征学习弱化阈值、染色、照明和分割误差
- (3) 相比 CellProfiler 手工特征，在核斑和 RSV inclusion body 上更稳健；手工特征在 inclusion body 上难以可靠分离、易出现 no-call
【核心发现】 凝聚体形态可作为跨结构、跨细胞过程的功能读出，深度学习表征优于手工特征。
Result 2 | 剂量-反应分析把形态变化转化为功能扰动强度#
【目的】 检验形态读出是否反映功能扰动的强度而非仅是定性的形态标签。
【主要证据】
- (1) 用二维 activation space 将单细胞映射到形态空间，可视化群体形态变化
- (2) 形态向量投影计算 RC50，与功能 IC50 在核斑和 RSV inclusion body 上接近
- (3) 支持形态变化具有浓度依赖的生物学含义
【核心发现】 形态读出不仅能分类，还能定量反映功能扰动强度。
Result 3 | 化学筛选发现 TOP1 抑制诱导核仁 flower morphology#
【目的】 在已知形态类别之外发现新的机制联系。
【主要证据】
- (1) 高内涵小分子筛选发现 TOP1 抑制产生独特的核仁 flower morphology
- (2) TPT 与 CPT 等 TOP1 抑制剂产生相似 flower 形态；TOP2 抑制剂 MTX 更接近 cap morphology
- (3) flower 的 RC50 与 TOP1 核仁分布降低的浓度范围接近，提示 TOP1 缺失/重定位驱动该形态
【核心发现】 图像筛选不仅能分类表型，也能产生可追踪的机制假说——TOP1 与核仁完整性的联系。
Result 4 | TOP1 影响 rRNA 加工与 LSU pre-rRNA 丰度#
【目的】 解释 flower morphology 背后的分子机制。
【主要证据】
- (1) TPT 导致 47S pre-rRNA 多个内部切割位点加工缺陷，尤其影响中后期核糖体装配
- (2) 5eU-seq 与 RNA FISH 显示 LSU 相关中间体在 TPT 与 FVP 条件下定位/丰度不同
- (3) FVP 后接 CX-5461 的顺序处理可降低异常中间体积累，恢复类似 flower 的形态
【核心发现】 rRNA precursor 的身份、定位和丰度决定核仁多相组织（DFC-GC 界面），flower vs necklace 形态差异由 rRNA 加工状态区分。
四、机制模型#
正常核仁：FC / DFC / GC 形成有组织的多相结构
↓ FVP（rRNA 加工抑制）
部分 LSU-forming precursor 错误积累/定位异常
→ DFC-GC 界面破坏 → necklace morphology
↓ TOP1 抑制（TPT/CPT）
late-stage LSU 相关中间体减少/保留方式改变
→ DFC-GC 界面以 flower morphology 形式维持/重组
↓ FVP + CX-5461 顺序处理
降低异常 pre-rRNA 中间体积累 → 重现 flower-like 形态
核心模型：核仁 DFC-GC 界面组织依赖 rRNA precursor 的身份和丰度；TOP1 通过影响 rRNA 中后期加工和 LSU precursor 丰度，间接决定核仁形态。
五、汇报亮点与局限性#
5.1 研究亮点#
方法论突破：把图像表型从"描述性形态"推进到"可量化功能读出"，提供了从已知扰动定义形态空间、再用未知扰动发现新机制的完整流程。
生物学新发现：通过图像筛选发现了此前未充分认识的 TOP1-核仁组织连接——TOP1 影响 rRNA 加工和 LSU pre-rRNA 中间体丰度，进而影响 DFC-GC 界面。
跨凝聚体泛化：Deep-Phase 不限于核仁，可扩展到核斑和 RSV 病毒包涵体，证明凝聚体形态作为功能读出的通用性。
对虚拟细胞建模的启发：细胞状态不一定只能由转录组表示，细胞器/凝聚体中尺度形态也可作为状态变量。
5.2 研究局限性#
- 依赖训练形态类别：如果类别太少，新表型可能被吸收到已有类别或落入模糊 no-call。
- 药物扰动混杂因素：off-target 和时间/剂量依赖效应存在，单靠图像分类不能直接证明机制，需 5eU-seq、RNA FISH、定位实验等正交验证。
- TOP1 机制未完全拆解：LSU-containing pre-rRNA 减少可能来自 rDNA 3' 端转录不完整，也可能来自选择性降解，两者尚未完全区分。
- 跨体系迁移需重新校准：跨细胞系、跨标记方式虽有验证，但迁移到新实验体系仍需重新校准形态锚点和批次效应。
六、对实验室课题的启示#
形态读出的应用：若本实验室有高内涵成像或药物筛选需求，Deep-Phase 的方法可直接借鉴——用已知扰动定义形态锚点，再用深度表征学习做未知扰动筛选。
与多组学 readout 互补：Deep-Phase 的 activation space 可尝试与单细胞转录组、Perturb-seq 或 Cell Painting embedding 做联合表示，实现"形态 + 转录"双通道细胞状态刻画。
虚拟细胞/细胞扰动方向：凝聚体形态 embedding 可作为扰动响应预测模型的一个中间表征，为"图像表型 → 分子机制"映射提供范式。
七、核心参考文献#
Donlic A, Comi TJ, Quinodoz SA, et al. Deep learning of functional perturbations from condensate morphology. Cell. 2026;189(15):4562-4580.e10. doi:10.1016/j.cell.2026.05.010
Donlic A, Comi TJ, Quinodoz SA, et al. Deep Learning of Functional Perturbations from Condensate Morphology. bioRxiv. 2025. doi:10.1101/2025.08.18.670955
文献汇报生成时间：2026-08-06 | 由 Claudian 自动生成