Science | 单个细胞通过多模式感知形成决策

原创 huacishu 图灵基因 2022-07-22 09:23 发表于江苏

收录于合集#前沿分子生物学技术

撰文：huacishu

IF=63.714

推荐度：⭐⭐⭐⭐⭐

亮点：

1、作者提出一种多模式感知，可以为单个细胞提供了巨大的信息处理能力，能够在其细胞状态的背景下准确地感知生长因子浓度，并做出细胞状态相关的决策；

2、作者指出信号反应不仅捕捉细胞暴露于生长因子数量的信息，而且可能主要捕捉细胞状态的信息。总的来说，网络可以生成多模式感知，捕捉多细胞背景和内部状态的全面信息，进而促进准确的决策。

苏黎世大学Lucas Pelkmans教授课题组在国际知名期刊Science在线发表题为“Multimodal perception links cellular state to decision making in single cells”的论文。单个细胞可以根据其内部状态和环境做出决策，但细胞如何可靠地做到这一点尚不清楚。通过使用信号响应和细胞状态标记的多路量化，作者发现网络中的信号节点显示自适应信息处理，这导致异质生长因子响应，并使节点能够捕获有关细胞状态的信息。总的来说，作为一种多模式感知，这为单个细胞提供了巨大的信息处理能力，能够在其细胞状态的背景下准确地感知生长因子浓度，并做出细胞状态相关的决策。作者提出，信号网络中的异质性和复杂性已经共同进化，以在多细胞环境中实现特定感知的细胞决策。

为了实现环境感知行为，单个细胞必须将其从生长因子接收的信息与其物理化学状态有关的信息整合在一起。细胞通过激活细胞内信号网络来感知这种复杂性，但这种网络中的单个信号节点被认为具有较低的信息处理能力，因为它们在单个细胞中具有高度可变的生长因子反应。因此，单个细胞是否以及如何处理大量信息，在很大程度上仍然是未知的。因此作者提出疑问，可变生长因子反应是否反映了适应性信息处理。在自适应信息处理中，单个细胞中信号节点的响应通过细胞状态控制信号节点活动的机制适应细胞及其周围环境的物理化学状态（这里统称为细胞状态）。这意味着信号反应不仅捕捉细胞暴露于生长因子数量的信息，而且可能主要捕捉细胞状态的信息。总的来说，网络可以生成多模式感知，捕捉多细胞背景和内部状态的全面信息，进而促进准确的决策。

信号和细胞状态的多路定量成像

    为了获得细胞状态的多个读数以及信号反应，作者将4i，一种基于高分辨率图像的抗体多路复用技术应用于人类上皮细胞（184A1）。生长4天后，将细胞去除血清和生长因子饥饿12小时，然后将其暴露于4种不同浓度的表皮生长因子（EGF）中5分钟（图1A）。经过30倍4i、细胞分割和质量控制后，数据集每个重复（n=3）和条件（图1B）包含约8000个单个细胞，显示出较高的技术和生物再现性。细胞图像揭示了急性信号反应以及细胞状态的高度异质性（图1C）。

    通过量化每个细胞中3个信号反应和3个细胞状态标记的丰度，并比较5种条件下的单细胞分布，发现虽然信号反应平均水平随着EGF数量的增加而变化，但细胞之间的反应高度不均匀。这导致连续剂量EGF之间的重叠单细胞分布（图1D）。相反，细胞状态标记没有显示任何变化（图1D）。对从图像中量化的所有单细胞特征的系统评估表明，EGF下游10个众所周知的信号反应标记物显示出显著变化，而650个特征在暴露于EGF的5分钟内没有变化（图1E）。这些特征量化或作为跨多个空间尺度的细胞状态属性的代理，例如相对细胞定位、细胞周期和亚细胞纹理（图1F）。因此，尽管细胞状态随着EGF刺激而改变，但这种情况在更长的时间尺度上发生。一直以来，信号节点抑制剂会消除对EGF的信号反应，但不会改变细胞状态的标志物。因此，作者提出疑问：在急性EGF诱导的信号反应中看到的异质性是否与细胞状态中预先存在的异质性有关。

细胞状态景观塑造了单个细胞的信号反应

细胞状态空间（横向）的UMAP投影基本上是连续的，除了反映细胞周期G1和G2的两部分（图1F）。单个细胞的信号响应以不同的模式分布在整个景观中（图2A），这可以通过细胞状态的特征准确预测（图2A）。这需要针对不同的节点以不同的组合提供多种功能。例如，虽然局部细胞密度是大多数信号反应的一个重要特征，但作为细胞扩散代理的Paxillin的丰度对于预测单个细胞中的pS6水平特别重要，Sec13的丰度对于预测pERK特别重要，而核Yap1的量对于预测FoxO3a的核易位特别重要（图2A）。因此，细胞状态对单个细胞的信号反应具有特定的多变量影响。如一些信号节点在低剂量EGF（图2B，图1D）下所示，它还以高精度预测开关状双峰响应特性（低或高响应），并在测试的整个EGF剂量范围内实现高预测精度（图2C）。不同细胞状态引起的信号反应变化通常大于不同浓度EGF引起的变化（图2D，E）。

多模式感知准确解码EGF浓度

以上表明，通过EGF的EC50量化的信号节点的敏感性适合细胞状态。为了揭示这一点，作者定义了18种细胞状态类别，并比较了它们的剂量反应曲线（图3A）。这表明，例如，pERK的EC50可以相差至少3倍（图3B），第2类细胞（较小，具有丰富的早期内胚体）的EC50特别高，第15类细胞（具有核Yap1）的EC50较低。推断单细胞EC50表明，每个信号节点的灵敏度以不同的方式适应细胞状态，并适应不同的EGF浓度范围（图3C）。为了测试这种特定于节点的细胞状态对EGF的条件性敏感性是否能够为单个细胞提供足够的信息，作者量化了单个细胞的信号反应与它们暴露于不同剂量EGF之间的相互信息量。当考虑细胞使用来自一个节点的信息（单峰感知）并假设其信号不受细胞状态的限制时，细胞只能区分个体剂量之间的巨大差异（图3D），并且几乎没有解码能力（图3E）。当考虑到细胞状态影响信号响应时，可以区分个体剂量之间的较小差异，并且个体细胞的解码能力增加。当考虑细胞使用来自多个节点的信息（多模式感知）时，细胞可以接近完美解码（图3D，E）。接下来，使用小型复合抑制剂通过抑制MEK或AKT来消除细胞的信息处理能力。抑制单个节点会降低EGF浓度的感知准确性，而抑制两者会导致感知能力更强的降低（图3F）。这表明多模式感知可以使单个细胞以适应细胞状态的方式准确区分一系列EGF浓度。

多模态感知全面映射细胞状态空间

    受到细胞状态的制约意味着单个细胞对EGF的多模式响应携带了大量关于细胞状态的信息（图4A）。例如，细胞中pERK和pMTOR的细胞质丰度显示出强烈的正相关，这在网络中的所有节点都不同程度地观察到（图4A）。然而，如Sec13和HSP60所示，pERK和pMTOR的水平也随细胞状态特性而变化，与其他状态相比，细胞状态特性是独特的（图4A）。为了估计pERK和pMTOR携带的关于这些细胞状态属性的信息量，采用了部分信息分解（PID）将其分解为冗余（由任一节点捕获）、唯一（由一个节点捕获）和协同成分（仅由两个节点的组合响应捕获）。pERK和pMTOR分别捕获冗余信息，但也捕获关于Sec13和HSP60丰度的唯一信息（图4A）。对于后者，pERK和pMTOR也捕捉协同信息。

    接下来，将该分析应用于所有节点（图4B，C），表明每个节点都显示出一些具有各种属性的独特比例（图4B）。其中许多效应之前已经报道过，例如（负）pMEK比例与局部细胞密度、pAKT比例与细胞面积、pRSK比例与细胞转录状态（pPolII）、pGSK3b比例与晚期内体丰度（VPS35）等（图4B）。只有通过集体分析信号响应和状态属性之间的多个连接，才能观察到节点不仅捕获冗余信息，而且捕获唯一和协同信息（图4C）。

    为了测试这些信息是否通过网络传播，作者使用了抑制剂。上游节点（pAKT和pERK）和下游节点（分别为核FoxO3a和pS6）之间关于细胞状态特征的冗余信息在抑制上游节点时减少（图4D），而关于下游节点捕获的细胞状态的唯一信息没有减少，甚至可以增加。例如，虽然抑制AKT后FoxO3a的核耗竭减少，但它仍然是异质性的，现在与细胞周期中的位置相关性更强。对于网络中的前6个节点，多模式感知中的信息增益特别高。此外，对于大量的细胞状态多样性，只有多模式感知才能准确预测单个细胞所属的细胞状态类别（图4F）。

多模式感知将细胞状态与决策联系起来

   最后，作者测试了细胞是否使用多模式感知来做出感知决策。为了避免EGF诱导的细胞决策需要时间的问题，在此期间细胞状态可能会发生变化，通过排除EGF治疗16h期间变化的细胞状态特征来定义无反应的细胞状态空间（图5A）。这导致大约一半的细胞状态特征被排除在外，这些特征丰富了与转录状态和细胞增殖有关的特征，但也与细胞形态、细胞骨架和膜运输有关（图5B）。其中之一是磷酸化视网膜母细胞瘤蛋白（pRB），它受多个信号节点的控制。RB在活跃增殖的细胞中磷酸化，标志着EGF剂量依赖性决策事件重新进入细胞周期（图5C）。在细胞状态景观上EGF诱导16h后，将单个细胞的决定投影为pRB阴性（pRB-）或阳性（pRB+），显示了不同剂量EGF的特定模式，这是使用细胞状态的特性准确预测的（图5D）。这些决策也通过单个细胞的多模式感知准确预测，但通过单个信号节点或其组合的响应不太准确（图5D）。因此，细胞状态空间中的位置以及多模式信号空间中的位置都允许准确预测单个细胞重新进入细胞周期的决定。

    接下来用AKT（AKTi）和MEK（MEKi）抑制剂处理细胞。在低浓度下，这些抑制剂不会影响细胞在细胞状态空间中的位置，但会单独或组合影响多模式信号空间中的位置，从而导致pRB状态分数的改变（图5E）。如果在未受干扰的细胞上训练，则基于细胞状态的模型无法准确预测这些改变的决策（图5E）。因此，多模式信号空间中的位置将细胞状态偶联到决策，决策由抑制剂改变。为了探索这一点，在多模式信号景观中预测了未处理和处理细胞的pRB状态（图5F）。

    然后，从细胞状态空间中定义了5类细胞，每个细胞在干扰中具有不同的决策（图5F）。虽然在抑制剂治疗期间，它们在细胞状态空间中的位置保持不变，但它们在多模式信号空间中的位置发生变化，影响这些细胞作出的决策（图5G）。例如，生长在局部细胞密度较低区域的第2类细胞较大，位于决策边界的pRB+侧，并且具有丰富的晚期内体（图5F）。单独抑制AKT或MEK会影响其在多模式信号空间中的位置，但不会导致跨越pRB决策边界（图5G）。抑制AKT和MEK会导致越过决策边界到pRB侧（图5G）。因此，只有通过抑制AKT和MEK才能阻止处于这种状态的细胞重新进入细胞周期。相反，生长在局部细胞密度高的区域的第4类细胞较小，内质体相对较少，但高尔基复合体丰富，在未受干扰的条件下位于决策边界的pRB侧（图5F）。虽然所有抑制剂都会影响这些细胞在多模式信号空间中的位置，但它们仅在AKT抑制后重新定位到决定边界的pRB+侧（图5G）。因此，处于这种状态的细胞在EGF刺激下保持非增殖状态，但在AKT抑制下变得异常增殖。

小结和讨论

作者证明，单个细胞急性信号反应的异质性包含关于生长因子反应适应的细胞状态的部分非冗余信息。细胞状态对这些反应的影响比生长因子浓度的变化更大，因此是预测这些反应的重要信息来源。总的来说，作为一种多模式感知，这使单个细胞能够准确地感知一系列生长因子浓度，并将其与其细胞状态相结合，以作出细胞状态相关的决定。因此，细胞状态至少与细胞决策中的生长因子浓度相关。这表明，细胞结构在控制信号节点激活方面的一个目的是将有关细胞状态的信息注入决策过程。虽然网络复杂性中的冗余元素可以抵消单个响应中的不确定性，但非冗余元素可以使多个节点的自适应响应充当多模式感知，继而捕捉大量信息。这表明，一组细胞通过产生相同的细胞状态来重复产生相同的单细胞反应谱。这在发育过程中可能很重要，在发育过程中，空间效应可以推动此类景观的形成，为形态发生提供适当的环境，即使在没有明确定义的梯度的情况下，也可以诱导一系列细胞决策。细胞状态决定了信号节点对临床测试的抑制剂的异质性反应，从而导致不同的、有时是不想要的状态依赖性决策，这也可能与癌症等疾病的治疗有关，并且几乎尚未被探索。

教授介绍

Lucas Pelkmans教授就职于苏黎世大学。他的研究团队由来自不同背景的科研人员、博士后研究员、博士生和硕士生组成，包括物理、化学、计算机科学、生物信息学、生物化学、细胞生物学、病毒学、系统生物学和生物医学多个方向。他的研究旨在解决概念性问题，以及从单分子到组织的生物尺度交叉现象和机制。他的科学兴趣主要在于细胞生物学、内吞作用、内吞周期、计算生物学和表型。他的研究是跨学科的，衔接了囊泡和细胞生物学的学科。他在计算生物学领域（如系统生物学）的工作与其他领域（如原位）交叉。他的研究探索了表型与诸如与分子细胞生物学和分子网络问题交叉的进化生物学等主题之间的联系。Lucas Pelkmans在他的细胞生物学研究中包括了信使RNA和RNA结合蛋白等主题。他的研究探讨了表型与功能基因组学等主题之间的联系，这些主题涉及亚细胞定位、遗传异质性、核孔、CRISPR和质粒等问题。他在多细胞有机体领域的工作汇集了信号网络、系统生物学、细胞骨架、细胞周期和细胞核等方向。细胞质研究结合了染色体易位、有丝分裂、激酶活性、HEK 293细胞和应激颗粒等领域的主题。

参考文献

Qin Z, She Z, Chen C, et al. Multimodal perception links cellular state to decision making in single cells. Science. 2022;DOI: 10.1126/science.abf4062