Cell！復旦大學鮑峰合作開發新技術繪制小鼠全身分子細胞圖譜！

探索生命奧秘，科學家們常常借助小鼠模型進行研究。然而，傳統研究方法往往只能“管中窺豹”，一次分析一個組織或一類細胞，難以從整體上理解一個器官乃至整個生物體如何協調運作。疾病的發生發展，從來不是單一器官的“孤軍奮戰”，而是全身細胞協同或失調的結果。因此，科學家們迫切需要一個能夠同時觀察全身所有器官、所有細胞類型及其分子狀態的技術平臺，從而真正從系統層面理解健康與疾病。

2026年5月28日，美國芝加哥大學Nicolas Chevrier團隊與復旦大學鮑峰團隊合作在《Cell》期刊發表題為“Whole-body molecular and cellular mapping of the laboratory mouse”的研究論文。他們開發了一套名為“Array-seq”的實驗與計算平臺，首次實現了對實驗室小鼠全身組織的空間轉錄組分析，并構建了機器學習模型“LABEL”，能夠自動從組織切片圖像中識別器官、組織和細胞類型。

研究團隊首先開發了適用于6周齡小鼠的全身切片技術，并結合大尺寸空間轉錄組芯片，成功獲取了兩張完整小鼠矢狀切片的轉錄組數據，覆蓋了超過119萬個檢測點。分析顯示，這些數據能夠精準區分全身16個主要器官系統，并能清晰分辨出組織內部的精細結構，如小腦的分子層、顆粒層和浦肯野細胞層，以及肝臟中圍繞血管的代謝分區。這證明了該技術能夠以高分辨率還原組織的真實結構。

為了進一步明確每個檢測點中的細胞類型，研究團隊整合了466項單細胞測序研究的數據，構建了一個包含約5900萬個細胞的參考圖譜，并據此識別出小鼠全身的495種精細細胞類型。例如，他們準確地在胸腺中定位了處于不同發育階段的T細胞，并在小腸中區分了不同區段的上皮細胞。通過與其他算法對比，該方法在脾臟和肝臟等器官中的注釋準確率超過95%，顯示出高度的可靠性。

基于上述高質量數據，團隊訓練了一個名為“LABEL”的人工智能模型。該模型利用病理圖像大模型提取特征，并結合空間位置信息，能夠僅通過常規的H&E染色圖像，就自動預測出器官、組織分區以及細胞類型。在測試中，模型對腦、肝、腎等主要器官的預測準確率超過95%。這預示著未來或許可以不依賴昂貴的測序，僅通過染色圖像就能快速獲得組織細胞組成信息。

為展示該平臺在疾病研究中的潛力，團隊將其應用于細菌脂多糖誘導的全身性炎癥小鼠模型。結果顯示，炎癥引發了全身性的基因表達變化。例如，干擾素刺激相關基因在多個器官中顯著上調，而特定轉錄因子STAT1和IRF1被證實是調控這些全身性反應的核心。此外，他們還觀察到炎癥導致肺部巨噬細胞和中性粒細胞數量增加，而脾臟中的淋巴細胞則大量減少，這些變化與器官功能障礙密切相關。

這項研究建立的“全身分子細胞圖譜”技術，為在系統層面理解小鼠生物學提供了強大工具。它不僅讓我們能夠以單細胞分辨率同時觀察所有器官在疾病中的變化，還為未來藥物篩選、毒理學研究以及基因功能解析提供了全新的視角，有望將生物醫學研究從“逐器官”的離散分析推向“全身一體化”的系統性研究新時代。

READING

BioPeers

歡迎關注本公眾號，所有內容歡迎點贊，推薦??，評論，轉發~

如有錯誤、遺漏、侵權或商務合作請私信小編~~

歡迎大家投稿課題組 研究進展 、招聘及招生宣傳~

所有文章只為科普、科研服務，無商業目的~