✨ 要点🔬 技术摘要
想象一个这样的世界：生命的微小基石——我们的细胞——不仅仅是等待着被大师级建筑师堆叠起来的被动砖块。相反，把它们想象成调皮的小孩，它们可以学习、适应，甚至会记仇。几十年来，科学家们一直试图通过重写它们的内部指令手册（即它们的 DNA）来控制细胞，但细胞非常狡猾；它们经常反抗，产生耐药性或无视我们的指令。然而，越来越多的研究表明，细胞可能具备某种更接近于“学习”的能力。就像狗学会为了零食而坐下，或者人学会对巨大的噪音做出畏缩反应一样，细胞也可能根据随时间发生的事情来改变自己的行为。这个想法开启了一扇疯狂的新大门：与其通过破解代码来强迫细胞改变，如果我们可以直接“训练”它们，利用刺激模式来引导它们的行为，就像教练训练运动员一样，那会怎样呢？
这正是一个研究团队试图通过一项名为“细胞训练器”（Cell Trainer）的新发明来探索的问题。把这个设备想象成一个高科技、自动化的微观细胞机器人教练。在过去，试图教细胞一个新把戏是一项手动且混乱的工作，就像试图通过手工投喂食物来教金鱼跳过圆环一样。“细胞训练器”改变了游戏规则，它将一个微小的流体腔（细胞的微型游泳池）与一台超快速的移动显微镜和一个智能计算机大脑结合在一起。这种设置允许机器人精准地向细胞喷射化学物质脉冲（就像定时喷水），并瞬间拍摄它们如何反应的照片，同时还要让细胞在培养箱中保持舒适和温暖。
该团队使用两种主要策略测试了这个机器人教练。首先，他们进行了一项“前馈”（feedforward）实验，这就像是一个预录好的播放列表。他们反复将小鼠肌肉细胞（C2C12）和人类前列腺癌细胞（PC-3）暴露在一种名为 DMSO 的化学物质脉冲下。他们想看看细胞是会对这种化学物质产生适应性（习惯化），还是会变得更加敏感（敏化）。结果非常迷人：细胞不仅仅是在反应，它们似乎在“学习”。肌肉细胞表现出一种敏感度增加的模式，随着每一次脉冲，钙离子尖峰变得更大、更亮，这表明它们正变得对刺激更加警觉。有趣的是，肌肉细胞和癌细胞的反应不同，肌肉细胞显示出一种尖锐的、“有缺口”的活动尖峰，而癌细胞则有更平滑、更圆润的反应，这暗示不同的细胞类型有其独特的处理信息的方式。
其次，研究人员尝试了一项“反馈”（feedback）实验，这就像是一款控制器会实时响应玩家动作的视频游戏。他们使用了在内部 pH 值变化时会发光的肾脏细胞。机器人教练会观察细胞的发光情况，如果光线变得太亮，它会立即向细胞喷射一段 3. 30 秒的酸性液体脉冲，以调暗光线。该系统反应极其迅速，能在不到一秒的时间内做出反应，将细胞的行为维持在特定的范围内。这证明了这台机器不仅可以观察，还可以根据观察到的情况主动引导细胞的生理状态。
论文并未声称已经解开了细胞意识之谜，也没有证明细胞拥有类人般的记忆。相反，它表明这些非脑细胞拥有一种令人惊讶的适应能力，能够根据模式改变其行为，就像简单的学习形式一样。研究人员谨慎地指出，虽然细胞表现出了“敏化”（变得更具反应性）的迹象，甚至似乎能“预判”下一次化学脉冲，但这些都是初步发现，仍需进一步研究。然而，真正的突破不仅在于生物学上的发现，更在于工具本身。通过将“细胞训练器”的设计和软件向所有人开放，该团队正在把开启一个新时代的钥匙交给大众。他们正邀请其他科学家使用这个机器人教练来探索细胞隐藏的“智能”，这可能导致通过不是重写代码，而是教给它们新把戏的方法，来治疗疾病或设计生物系统。
技术摘要：一种用于哺乳动物细胞生理学自动训练的平台
问题陈述 Stentor 的机械敲击），要么是为神经网络而非单个非神经细胞设计的（例如微电极阵列），或是依赖于无法规模化的手动给药。目前迫切需要一个能够交付定时化学刺激并实时监测生理反应的自动化闭环系统，以探索细胞的学习与记忆。
方法论
硬件：
流体学： 一个置于 37°C、5% CO₂ 培养箱中的 CellASIC® ONIX2 微流控系统。它利用气压驱动流体在每个腔室的最多四个不同培养基储液槽之间进行切换，从而实现精确的定时药物脉冲。成像： 一个安装在电动平移台（Zaber）上的定制移动荧光显微镜。它在预定义坐标之间移动以对多个腔室进行成像，使用 Nikon 10X 物镜和 Basler 相机捕捉明场和荧光图像（蓝、绿、红激发通道）。环境： 整个流体和光学装置都包含在一个非加湿培养箱内，以保护电子设备，同时利用 CellASIC® 盖板防止培养基蒸发。
软件与控制：
开环（前馈）： 系统执行预定义的方案，即显微镜按固定间隔对细胞进行成像，同时流体学根据静态脚本切换培养基。闭环（反馈）： 一个额外的控制器进程并行运行，分析最新的图像以确定细胞行为（例如平均荧光强度）。基于控制策略，它会在图像采集后的一秒钟内动态地将流体切换到适当的状态（例如，如果荧光超过阈值，则输送酸性脉冲）。
图像分析流水线：
一个基于 Python 的自定义流水线处理时间序列图像。它使用 Cellpose 进行细胞分割（或对非移动细胞应用静态掩模，或对跨帧移动的细胞进行追踪）。
流水线使用多项式拟合进行背景伪影估计和减除，以校正光学缺陷和培养基荧光变化。
使用 Δ F / F 0 \Delta F/F_0 Δ F / F 0
下游分析包括计算细胞对之间的 Pearson 相关系数（相对于距离）、主成分分析（PCA）以及特定学习行为的指标（习惯化、敏化和预期得分）。
关键结果
前馈实验（类敏化动力学）：
设置： 让表达 GCaMP6f 的 C2C12 肌细胞和 PC-3 前列腺癌细胞接受重复的 2 分钟 5% DMSO 脉冲。发现： 系统成功追踪了单个细胞的离散钙脉冲。分析显示，响应幅度（峰值高度）在随后的刺激序列中呈现增加趋势，这一模式与敏化现象一致。异质性： 平台解析了细胞类型特异性的差异：C2C12 细胞表现出“缺口”状响应峰值和较高的基线噪声，而 PC-3 细胞则表现出圆润的峰值和较低的噪声。学习指标： 统计分析显示，敏化得分显著偏离零分布。有趣的是，细胞表现出了“预期”行为（在预期的第六次不存在的脉冲发生时的荧光偏差），尽管这种效应的方向在第一和第二个刺激序列之间有所不同。
反馈控制实验（生理引导）：
设置： 对表达 pH/电压报告蛋白 ArcLight 的 NRK-49F 肾细胞进行实时控制。发现： 系统成功通过在平均细胞荧光超过阈值时输送 30 秒酸性培养基，将平均细胞荧光维持在设定值以下。控制器在不到一秒内做出响应。单细胞分辨率： 即使在群体水平控制下，系统也能解析单个细胞的行为，识别出因酸暴露而死亡的亚群，并分析细胞响应的空间相关性。
核心贡献
平台开发： 创建了“细胞训练器”，这是一个能够进行开环和闭环细胞训练实验的完全自动化、开源硬件和软件系统。开放科学： 作者向社区发布了所有原理图、控制软件和图像分析流水线，以加速细胞学习的研究。方法论框架： 展示了一个用于量化非神经哺乳动物细胞单细胞异质性并应用行为科学指标（习惯化、敏化、预期）的流水线。经验证据： 初步数据表明，哺乳动物细胞表现出敏化类动力学，并且可以通过实时反馈控制进行生理引导。
意义与主张
作者谦虚地将其生物学发现描述为初步的，指出虽然观察到了敏化类趋势，但仍需更严格的测试来确认学习机制并排除其他解释（如累积性损伤）。然而，他们认为，能够对哺乳动物细胞进行闭环控制和单细胞分析，为以下领域开辟了新途径：
治疗学： 有潜力通过刺激而非遗传修改，将疾病细胞（如癌细胞或糖尿病细胞）引导回健康状态，或克服药物抗性。生物制造： 通过刺激而非遗传修饰来控制生物反应器中的细胞漂移。基础科学： 研究学习和记忆在非神经系统中的进化根源，以及细胞网络的计算能力。
这项工作代表了多种智能、机器人科学和人工智能的融合，旨在建立一种通过塑造生理经验来控制生物系统的新范式。
每周获取最佳 bioengineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。