Unsupervised machine-learning identifies latent pyrenoid states linked to mitotic remodeling defects and CO2-dependent growth

在单细胞藻类的微观世界中，生命依赖于一套精妙且肉眼不可见的机制，将空气中的二氧化碳转化为食物。这一被称为光合作用的过程，依赖于一种特定的酶，它就像一个分子工厂里的工人，抓取碳原子来构建糖分。然而，这个工人往往效率不高，为了让其工作得更好，一些藻类进化出了一个特殊的隔室——一个蛋白质密集的簇，将二氧化碳浓缩在需要的地方。这个被称为“核聚体”（pyrenoid）的结构，表现得就像漂浮在细胞内的液滴，不断地移动和重构。这些微小生物面临的挑战在于，这种液体结构必须在细胞分裂这一剧烈事件中幸存下来。当细胞分裂成两个以产生后代时，核聚体必须被拆解、分类，并在每个新的子细胞中重新构建。如果这种重组出现偏差，即使是难以察觉的细微偏差，新细胞也可能难以生长或生存，尤其是在二氧化碳稀缺的情况下。

科学家们长期以来一直想知道，这些在细胞分裂过程中重建结构时产生的微小、隐藏的缺陷，是否会导致日后更大的问题。为了回答这个问题，研究人员转向了一种常见的绿藻——莱茵衣藻（Chlamydomonas reinhardtii），并开发了一种观察其内部结构的新方法。他们不再依赖人类的眼睛去发现差异（因为人眼可能会错过最微弱的不规则性），而是教会了计算机识别一个健康的核聚体是什么样子的。他们首先拍摄了数千张正常、健康的细胞图像，并利用一种人工智能技术来学习“正常”的全貌。这个基于近五千张野生型细胞图像训练出的计算机系统，学会了识别核聚体的标准形状和纹理。为了使这种训练更加稳健，研究人员扩大了数据集，创建了超过十万种图像变体，以确保计算机理解每一种可能的正常状态。

有了这个数字化的标准，团队开始在包含两万一千种带有随机遗传变化的突变藻类库中进行大规模搜索。他们将这些突变体的图像输入计算机系统，由系统将其与学习到的“正常标准”进行对比。计算机标记出了十七个表现出异常模式的特定菌株，并将它们识别为具有核聚体结构缺陷的菌株。这种方法之所以强大，是因为它能够检测到人类观察者极易忽略的细微偏差。通过分析计算机发现差异的具体位置，研究人员可以绘制出核聚体的特定局部缺陷，揭示出那些仅凭肉眼无法分类的复杂不规则现象。

当研究人员实时观察这些突变细胞时，他们看到了这些隐藏缺陷带来的后果。在几种被识别出的菌株中，核聚体在细胞分裂期间未能正确解体，或者含有关键酶的部分未能均匀地分配到新的细胞中。在其他情况下，该结构在细胞分裂后未能正确重新组装。这些细胞分裂过程中的机械故障直接转化为了生长问题。当二氧化碳充足时，这些突变藻类生长正常；但随着二氧化碳供应量下降，它们的生长速度显著放缓。这证实了核聚体细微的结构缺陷使得细胞在资源匮乏时变得更加脆弱。

这项研究还指向了负责这些问题的特定基因。通过绘制随机遗传变化发生的位置，研究人员鉴定出了一个名为 STT7 的基因，该基因产生一种已知能调节藻类捕获光线的蛋白质。为了证实这一联系，他们创建了新的藻类品系，通过人为手段关闭了该基因。这些经过修改的藻类表现出了与原始突变体相同的奇怪核聚体结构模式，并且完全缺乏 STT7 蛋白。这一证据表明，STT7 蛋白在维持核聚体的形状和功能方面起着直接作用，将光捕获调节与碳浓缩结构的物理完整性联系在了一起。

这项工作证明了无监督机器学习可以揭示传统观察难以发现的生物学缺陷。通过让计算机定义“正常”的边界，然后寻找任何超出该边界的事物，科学家可以发现参与复杂细胞过程的新遗传因子。研究结果表明，细胞的生长健康度以及其在低碳环境下的繁衍能力，与其在分裂过程中重建内部结构时那精确且往往隐形的机械运作密切相关。这种检测潜在状态的能力，为理解生命如何在繁殖的混沌中维持其核心机制开启了一扇新的窗口。