在自然界的生长发育过程中，单个细胞是如何发育成为复杂的多细胞生物的？在癌症这样的复杂疾病中，为什么很少量的肿瘤细胞在一些条件下可以不断产生抗药性？这些都是生物医学领域中依然悬而未决的基本问题。为了解决这些疑问，我们需要在这些过程中精确跟踪每一个细胞，从而了解细胞的发育谱系（celllineage）和状态变化（cellstate）。随着单细胞基因组学的进步，研究人员可以为单个细胞进行“快照”，通过scRNA-seq，scATAC-seq等高通量测序手段分析每一个细胞的类型及状态信息。然而仅凭这些信息，我们无法准确推测细胞谱系，揭示细胞在连续时间轴上的发育和命运。为了能够同时收集细胞状态和细胞谱系信息，近年来，研究人员将基因条码标记和基因编辑技术，与单细胞基因组学方法相结合，双管齐下解析细胞命运和基因表达，并开始将这一技术应用在胚胎发育和肿瘤发展等研究领域中。年6月24日，斯坦福医学院的丛乐研究组（博士生NicholasHughes为第一作者）和普林斯顿大学的王梦迪研究组联手在MolecularCell杂志上发表文章Machine-learning-optimizedCas12abarcodingenablestherecoveryofsingle-celllineagesandtranscriptionalprofiles，报道了一种经深度学习优化产生的高分辨率CRISPR细胞条形码工具“DAISY-barcode“，并实现了单细胞水平基因表达信息与细胞谱系信息的整合。通过Cas12a对DAISY-barcode的编辑，可以从一个细胞开始追踪其数千个后代细胞。为了达到这样的追踪能力，丛乐研究组与王梦迪研究组合作，创建了一个用于设计CRISPR细胞条形码的在线机器学习（OnlineMachineLearning）模型。王梦迪课题组的VickiZhang主导了该模型的计算开发，并得到了丛乐课题组WeijingTang等人的协助。该模型搜索了巨大的基因编辑序列空间（20个碱基的CRISPR条形码序列，就存在超过1万亿种可能）以迭代优化条形码设计。这些在线学习优化出的条形码经过实验验证，比随机选择的条形码的信息熵提高了10倍。文章中报道的这种优化策略，还有潜力广泛应用于其他分子生物学的设计问题，如蛋白质设计和抗体工程。为了在疾病相关的领域中展示这种新型单细胞条形码工具，斯坦福大学遗传系博士生NicholasHughes，癌症生物学博士生屈元昊两人为首的实验组，与MonteWinslow研究组以及Chan-ZuckerbergBiohub合作，追踪了超过47,个人类黑色素瘤细胞的进化过程。通过这一单细胞状态、谱系联合分析，他们发现EZH2基因可能参与调节黑色素瘤细胞基因表达的记忆过程，并揭示EZH2、SUZ12所组成的PRC2复合物可能是影响其进化路径的关键表冠遗传机制。基于临床数据的分析表明，人黑色素瘤中的EZH2表达水平是预测患者存活率的潜在预后标志物。未来，他们计划进一步探索EZH2在人黑色素瘤中的重要作用及其与黑色素瘤生长驱动因子BRAF之间的相互协同，作为一种黑色素瘤及其他相关肿瘤的潜在多靶点疗法。此外，丛乐团队正在与MonteWinslow等科研团队合作，将这种单细胞条形码技术应用于更复杂的体内动物模型，以探索驱动癌症免疫逃逸，及癌细胞转移过程的新机制。
作为封面候选的示意图（花朵代表单细胞发育过程，花瓣上带有CRISPRBarcode条码，蜜蜂代表CRISPR-Cas12蛋白对条码进行编辑来记录细胞谱系，灌溉系统代表了通过机器学习优化CRISPR设计的神经网络，从而产生了高通量单细胞谱系记录技术）
论文图片摘要（上部分为技术路线及开发过程，下部分为应用场景及实例）原文链接：
转载请注明：http://www.0431gb208.com/sjsbszl/953.html
