Generative inverse design steers human hematopoietic cell fate in vitro
本文介绍了 LabCompass，这是一个生成式逆向建模框架，它成功地在庞大且连续的培养条件组合空间中进行导航，以引导人类造血细胞命运向特定的目标状态演变，并通过一个使多样化细胞群体富集的循环实验过程进行了验证，从而为指导生物学实验建立了一种新的范式。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在实验室中制造血细胞是一项极其困难的任务。科学家们从人体最原始的材料——干细胞开始，试图引导它们变成特定类型的血细胞，例如负责携带氧气或对抗感染的细胞。挑战在于培养基，即这些细胞生长的“液体汤”。这种汤必须包含生长因子和化学物质的正确混合比例，但其配方极其复杂。其中一种成分量的微小变化，或是添加时机的偏差，都可能将细胞引向完全不同的路径。几十年来，寻找完美配方的过程一直依赖于试错法，这是一个缓慢且昂贵的进程，通常需要测试数千种组合才能获得单一的结果。
这种困难之所以存在，是因为可能的配方空间是巨大且连续的。不同于一个只有“开”或“关”两种状态的简单开关，细胞生长的条件存在于一个滑动刻度之上。传统的计算机模型可以预测使用特定配方后会发生什么，但它们无法轻易地反向推导以告知哪种配方能产生理想的结果。这被称为“逆问题”，长期以来一直是生物学研究中的瓶颈。如果科学家想要为患者创造特定类型的血细胞，他们需要一种方法来在这个复杂的景观中导航，而不是测试每一个可能性。
一组研究人员现在引入了一种名为 LabCompass 的新方法来解决这个问题。该系统不再通过猜测和检查，而是通过学习实验并设计接下来的实验来运作。这一过程始于大规模的初始筛选，研究人员在人类干细胞上测试了 116 种不同的化学物质和氧气水平组合。他们培养了数百万个细胞，并使用一种能够同时分辨数十种细胞类型的先进显微镜来测量它们的特征。这些数据创建了一张关于不同条件如何影响细胞行为的地图。
利用这张地图，研究人员训练了一个计算机模型来充当向导。该模型学习了细胞世界的规则：特定的化学浓度如何导致特定的细胞类型。一旦训练完成，就可以向计算机提问：“什么样的配方能产生最多的巨核细胞？”巨核细胞是最终变成血小板的细胞，而血小板对于血液凝固至关重要。该计算机并没有在已知配方的列表中进行搜索，而是生成了全新的、在它预测下可行的配方。它是通过从随机噪声开始，并在模型预测的引导下，逐渐将其塑造成有效的化学混合物来实现这一点的。
研究人员随后将这些计算机生成的配方带回实验室进行测试。这并非一次性的事件，而是一个持续的循环。在用新配方培养细胞后，他们测量结果并将数据反馈给计算机。模型利用这些新信息来更新其对细胞世界的理解，从而变得更加准确和自信。通过四个轮次的这种循环，该系统成功识别出了富集特定细胞类型的条件，包括巨核细胞、红细胞前体和免疫细胞。在一次关键的验证步骤中，该系统成功识别出了文献中的一个配方（设计 210），该配方产生的巨核细胞比例接近 70%，这一结果远超初始训练数据中所见到的任何情况，尽管模型此前从未见过这个特定的配方。
该系统还揭示了关于细胞如何做出决策的一个令人惊讶的发现。研究人员发现，通常存在多种途径可以到达同一个目的地。就像开车去同一个城市有多种路线一样，计算机识别出了导致同一种血细胞的截然不同的化学组合。一条路径可能高度依赖于某种特定的生长因子，而另一条路径则使用完全不同的成分组合。这一发现意义重大，因为它提供了灵活性：如果某种化学物质过于昂贵或不稳定，科学家可以使用该模型找到实现相同生物学结果的替代配方。
为了测试系统的适应能力，研究人员扩大了实验范围，加入了原本筛选中没有的新化学物质。他们想看看模型是否能学会利用这些新工具来培育以前难以生产的稀有细胞类型。通过引入一种已知能支持免疫细胞的生长因子，系统迅速学会了如何使用它，并生成了成功富集这些稀有细胞群的设计。模型不仅找到了单一的解决方案，还探索了新的可能性，并确定了使用这些新成分的最有效方式。
在整个研究过程中，研究人员将他们的方法与更简单的方法（如随机猜测或标准数学优化）进行了对比。随着问题复杂度的增加，该生成式系统始终优于这些基准模型。它能够将搜索重点放在最有希望的化学领域，避开了浪费时间和资源的死胡同。该系统还展示了识别自身何时对预测不确定的能力，从而促使其在这些不确定的区域进行测试以获取更多知识。这种在“利用已知成功”与“探索未知领域”之间的平衡，使得模型能够随着每个周期快速提升。
这项工作证明，虚拟模型的评价标准不仅在于它们预测未来的准确性，还在于它们引导实验达成目标的有效性。通过结合一个预测结果的前向模型和一个设计输入的生成模型，研究人员创建了一个能够导航高维、连续空间的工具，而传统方法在这些领域往往会失效。这种方法有潜力改变科学家开发细胞培养方案的方式，使其从缓慢的手动优化转向更快、由数据驱动的过程。研究结果表明，只要拥有合适的计算工具，生物系统的巨大复杂性是可以被驯服的，从而允许研究人员以以往无法企及的精度来引导细胞命运。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。