由人工智能驱动的细胞亚结构三维RPE图揭示建立顶底极性过程中的细胞状态转换

为何眼睛的支持细胞至关重要

我们日常享有的清晰视力依赖于位于眼后方的一层薄薄的支持细胞——视网膜色素上皮（RPE）。当这些细胞的内部结构失去有序性时，诸如年龄相关性黄斑变性等夺目力的疾病可能随之而来。本研究结合干细胞生物学、先进显微成像、人工智能和数学建模，构建了RPE细胞的详细三维“数字孪生”，揭示其内部组成在成熟过程中如何重排，以及当该过程受扰动时会出现什么问题。

构建眼细胞的数字孪生

研究人员先从人类诱导多能干细胞入手——将细胞重编程回类似胚胎细胞的状态——并诱导其分化为RPE。他们使用了16株经过工程改造的细胞系，其中不同的细胞结构（如线粒体、溶酶体和细胞外骨架）在显微镜下呈绿色荧光。研究团队在四周内用高内涵共聚焦显微成像对大约130万细胞进行了三维成像。为了解读这庞大的数据集，他们创建了一个名为POLARIS的人工智能系统，基于一种神经网络，可自动描绘每个图像切片中细胞、细胞核和被标记的细胞器的轮廓。人类专家对机器的结果进行了核查和修正，然后团队将这些结果汇总为各个阶段典型RPE细胞的平均三维模型——即数字孪生。

两条路径：健康成熟与极性受阻

RPE细胞必须变得“极化”，表现为明显的顶端（apical）和基底（basal）两侧，以便运输营养、清理废物，并与视网膜与血液供应交流。为了促进这种极性形成，团队用一种名为PGE2的分子处理部分培养物，该分子促进初级纤毛这种微小感受结构的形成并增强极性；另一部分培养物则用HPI4处理，HPI4干扰纤毛并阻止正常极化。基于POLARIS提取的测量数据，研究人员显示在健康路径中，细胞变得更高更窄，细胞核更加紧凑且呈圆形；而在HPI4处理下，细胞保持较扁平且更宽，形状更不规则。统计模型表明，在成功极化的细胞中，这些形态变化遵循可预测的、非随机的序列，而被阻断的细胞则漂移到更为可变和无序的状态。

细胞内部如何重排

数字孪生使得追踪细胞内部结构如何重组成为可能。随着RPE细胞极化，其肌动蛋白和肌球蛋白纤维的支架从许多小碎片转变为较少的、较粗的条索，这些条索环绕在细胞边缘——类似收紧皮带一样——以支撑新的高长形态。细胞核膜出现深度折叠，细胞通常具有更少的核仁，这些都是更成熟、稳态基因表达程序的标志。将相邻细胞缝合在一起的连接蛋白从细胞内部的散布位置迁移到侧壁的明确带状区域，从而强化了屏障。同时，产生能量的线粒体和负责加工蛋白质与脂质的内质网体积增大并向细胞核迁移，形成更连贯的网络。作为细胞回收中心的溶酶体则向细胞中央上部区域集中。当极性被阻断时，这些重定位过程很多是不完全或缺失的，细胞器保持更随机的分布。

细胞器之间的“对话”

团队还探讨了哪些细胞器倾向于占据细胞内的相同“街区”，这表明它们可能在功能上相互作用。通过将细胞器地图叠加到平均细胞上并计算其位置相关强度，发现，在极化良好的细胞中，结构会聚集成协调的簇。例如，过氧化物酶体、线粒体、内质网、某些连接体以及部分细胞骨架组成了与能量利用和膜重塑相关的紧密相连网络。溶酶体则聚集在细胞的中央组织枢纽——中心粒附近，提示其在控制纤毛和表面更新方面的作用。相比之下，当极性受阻时，这些空间关系减弱，细胞器之间的整体“对话”显得支离破碎。训练于这些特征的机器学习分类器表明，线粒体的横向分布和紧密连接的垂直位置是判断细胞是否正确极化的尤其有力的标志。

这对于视觉与疾病为何重要

通过融合人工智能、大规模成像与数学分析，这项工作提供了一个关于健康人类RPE细胞如何在时空中组织自身以及当极性失败时组织如何崩解的丰富三维参考。对非专业读者而言，结论是：视网膜的健康不仅取决于存在哪些分子，还取决于每个支持细胞内部的组成何时何地被安排。此处构建的数字孪生提供了一个定量标尺，用于发现病人来源RPE中的微妙缺陷，为早期识别视网膜疾病中的细胞问题和测试旨在在视力不可逆丧失前恢复细胞结构的治疗方法打开了新途径。

引用: Ortolan, D., Sathe, P., Volkov, A. et al. AI driven 3D subcellular RPE map discovers cell state transitions in establishment of apical-basal polarity. npj Artif. Intell. 2, 20 (2026). https://doi.org/10.1038/s44387-026-00074-6

关键词: 视网膜色素上皮, 细胞极性, 人工智能, 三维细胞制图, 年龄相关性黄斑变性