两项Cell论文:AI模型MitoSpace与数字孪生预测线粒体形态变化以加速药物发现
两篇Cell论文:线粒体“豆状快照”变 4D 虚拟细胞,AI 模型 MitoSpace 与数字孪生预测细胞健康,药物发现按下加速键
加州大学圣地亚哥分校团队在Cell发表两项研究,分别利用深度学习模型MitoSpace和基于物理的数字孪生模拟线粒体动态。MitoSpace基于40,000部4D显微电影训练,仅凭线粒体形状在26种药物条件下预测细胞能量状态,4D数据训练准确率75%。
来源:生物谷原创 2026-10-19 10:19
这两项研究都发表在 Cell 杂志上,它们一起可能减少对耗时实验室实验的依赖,并加速多种疾病的药物发现,包括癌症、糖尿病、阿尔茨海默病和儿科线粒体疾病。
线粒体——将营养物质转化为能量的微小结构——通常被描绘成离散的肾豆形物体。但实际上,它们在整个细胞中形成动态、互连的网络,在运输到最需要能量的地方时迅速分裂和融合。
因为线粒体网络根据细胞健康改变形状,它们可以用作疾病标志物或测试新疗法。然而,理解这些变化如何影响细胞功能一直很困难,因为线粒体大多被成像为平坦、静止的快照。


如今,加州大学圣地亚哥分校的研究人员采用了两种不同方法,通过创建“虚拟细胞”——模拟真实细胞动态生物学过程的数字模型,来量化这些形态变化。两种方法都使用4D点阵光片显微技术( 4D lattice light-sheet microscopy),一种先进技术,捕捉线粒体和其他结构如何随时间在三维中移动。
一种方法在 40,000 部药物处理细胞的 4D 电影上训练了一个深度学习人工智能(AI)模型,仅根据线粒体形状预测细胞健康。
另一种方法从一部 4D 电影构建活细胞的“数字孪生”,通过定义一组关于其细胞器(微小内部结构)如何行为的规则,并在基于物理的模型中实现这些规则。研究人员发现,虚拟线粒体网络对药物的反应方式与真实细胞密切匹配。
这两项研究都发表在 Cell 杂志上,它们一起可能减少对耗时实验室实验的依赖,并加速多种疾病的药物发现,包括癌症、糖尿病、阿尔茨海默病和儿科线粒体疾病。
MitoSpace:一个深度学习 AI 模型
研究人员用 25 种已知通过不同机制扰动线粒体的不同化合物处理癌细胞,产生 40,000 部单细胞 4D 电影。他们用这个库训练了一个称为 MitoSpace 的深度学习模型。与大多数需要人类手动标记图像的 AI 模型不同,MitoSpace 自己发现模式,学习是什么使一个细胞的线粒体与另一个细胞的线粒体不同。
结果引人注目:在不知道每个细胞使用了哪种药物的情况下,该模型产生了一张有组织的图谱,将反应方式相似的细胞分组。此外,该模型能够仅基于线粒体的形状和运动,在 26 种药物条件下预测细胞的能量状态。

“一个世纪以来,我们一直相信线粒体形态反映功能;这表明这种关系足够强,模型可以在从未被展示答案的情况下学会它,”通讯作者 Johannes Schöneberg, Ph.D. 说。
当在 4D 电影上训练时,该模型区分药物并按机制分组,准确率为 75%,而当今大规模药物筛选中常见的平坦 2D 图像训练时准确率为 56%。
“细胞是一个四维物体:它有深度,并且从不停下运动,”Schöneberg 说。“虚拟细胞需要建立在捕捉这一事实的数据之上。”
将 MitoSpace 与 4D 电影一起使用,可能加速疾病新疗法的发现,并揭示现有药物的新用途。它还展示了适应性,能够组织此前未见过的药物,并在无需重新训练的情况下按发育阶段分选人类肺类器官细胞。这表明该模型可能成为细胞生物学中的通用工具。
基于物理的“数字孪生”
在另一项 Cell 研究中,研究人员创建了一个真实癌细胞的基于物理的“数字孪生”。使用专门的图像分析软件,他们绘制了线粒体的位置以及它们行进所依赖的微管轨道,然后根据先前确定的速率添加运输它们的马达蛋白。
这个虚拟细胞纳入了运动定律,Schöneberg 的团队调整其参数,直到线粒体行为与真实细胞匹配。
“我们已经构建了一个基于物理的虚拟细胞,并且可以将其与实际 3D 显微镜电影并排比较,这是此前从未可能的事情,”Schöneberg 说。
为了测试模型,团队要求它预测当微管被一种称为 nocodazole 的药物部分破坏时,线粒体会如何反应。在没有改变任何一个参数的情况下,数字孪生再现了用该药物处理的真实细胞中降低的运动以及融合和分裂速率。Schöneberg 认为,此类数字孪生可用于测试药物效果、疾病突变或细胞工程设计,节省实验工作并加速研究。
“Cal27 是一种头颈癌细胞系,其中线粒体调节是一个活跃问题,”Schöneberg 说。“通过理解线粒体调节,我们最终可以通过使用数字孪生找到治疗该癌症的新方法。”
对细胞科学的影响
展望未来,Schöneberg 的团队计划将 MitoSpace 和数字孪生虚拟细胞结合到一个单一工作流程中。AI 模型将在海量数据中发现模式,数字孪生将检查这些模式背后的物理原因。通过将其他细胞器整合到这些模型中,研究人员希望构建一个完整的人类虚拟细胞。
“终极未来不是一个细胞,而是多个细胞作为组织起作用,”Schöneberg 说。“建模整个组织将使我们能够模拟更真实的人类生物学,并最终为临床治疗提供信息。”(生物谷Bioon.com)
参考文献:
Dhruv Agarwal et al, 4D spatiotemporal landscape of mitochondrial phenotypes across cellular states unlocked through representation learning, Cell (2026). DOI: 10.1016/j.cell.2026.08.028.
Eric Arkfeld et al, Whole-cell particle-based digital twin simulations from 4D lattice light-sheet microscopy data, Cell (2026). DOI: 10.1016/j.cell.2026.06.010.
版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->
来源:生物谷·资讯 · news.bioon.com