形态学指纹使基于机器学习的方法能够在无需转录组学的情况下推断神经母细胞瘤细胞状态

癌细胞状态的推断对于理解致癌机制和预测临床结局至关重要，然而，目前对转录组分析的依赖限制了其可扩展性和实时监测能力。在此，我们表明，细胞形态能够提供一种低维、可观测的细胞身份及其动态变化表征。以神经母细胞瘤（NB）为模型系统，我们建立了一种机器学习—形态学表型分析框架，无需依赖转录组测量，即可直接从高维形态学指纹中推断肾上腺能型（ADRN）和间充质型（MES）细胞状态。通过与单细胞RNA测序（scRNA-seq）进行基准比对，我们证明了形态学定义的状态在单细胞分辨率上与转录组特征高度一致。我们进一步表明，细胞状态转变可表征为形态学定义状态空间中的连续轨迹。针对不同调控层级的扰动，包括ROCK信号传导以及通过EZH2介导的表观遗传调控，均可沿着共享的表型轴驱动趋同轨迹。综上，这些结果确立了细胞形态作为细胞状态的一种可扩展、无损读出方式，而机器学习则为高通量表型分析和癌细胞状态可塑性的实时追踪提供了统一框架。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.12.724731v1?rss=1

🏷️ 神经母细胞瘤 细胞状态推断 细胞形态学 机器学习 单细胞RNA测序 表型可塑性