Cell | AI打造小鼠“全身细胞图谱”时代来了

这篇文章发表于2026年5月28日，由芝加哥大学普利兹克分子工程学院研究团队主导完成。研究者围绕一个核心问题展开：如何在整个小鼠个体尺度上，同时解析不同器官和细胞的空间分布与基因表达情况。为此，他们构建了一套覆盖全身的空间转录组技术与计算分析框架，将整只小鼠切片后进行高通量测序，并结合超过5900万单细胞数据进行整合分析，从而在全身范围内精确定位数百种细胞类型及其分布特征。

同时，研究还开发了一个名为LABEL的人工智能模型，可以直接通过常规病理切片图像自动识别器官、组织甚至细胞类型。进一步地，作者利用该体系研究全身炎症反应，发现不同组织间存在协同变化的基因表达模式。整体来看，这项工作首次实现了“全身尺度”的分子与细胞图谱构建，为系统性理解疾病机制提供了重要工具。

研究目的

这篇文章的核心目的是：建立一种能够在整只小鼠尺度上同时解析基因表达、细胞类型和空间分布的技术体系。传统研究通常只能在单个组织或局部区域分析，而作者希望打破这一限制，实现“全身范围”的系统性解析，从而更全面地理解不同器官之间的协同关系以及疾病在全身层面的影响机制，为研究复杂疾病（如炎症、代谢异常等）提供新的研究框架。

数据

本研究整合和产生的数据规模非常大，主要包括：

全身空间转录组数据
：对约6周龄小鼠进行整体切片，每张切片约覆盖58万–61万个空间点位（spot）
单细胞参考数据
：整合466个单细胞研究，共约5900万细胞
细胞类型注释
：最终识别并映射约379种细胞类型（从495种细胞类型中筛选）
组织覆盖范围
：包含16个主要器官系统（如脑、肝、肾、肠等）
空间分辨表达数据
：平均每个spot检测约600多个基因、1200多个UMI
疾病模型数据
：构建LPS诱导全身炎症模型，检测到约5000多个差异基因
图像数据
：对应的H&E全身切片图像，用于训练AI模型

模型构建

1. 全身空间转录组构建（Array-seq）

作者首先开发了一套适用于整只小鼠的组织切片方法，并结合Array-seq空间转录组技术，实现了对整只小鼠切片的基因表达检测。这一步的关键在于既要保证组织结构完整，又要保持RNA质量，从而能够在单个切片中同时获得多个器官的空间表达信息，构建真正意义上的“全身空间表达图谱”。

2. 单细胞参考整合与细胞类型推断

为了在空间数据中识别细胞类型，作者整合了来自大量公开研究的单细胞RNA-seq数据，构建了一个覆盖全身各组织的参考数据库。然后基于这些参考数据，为每一个空间点位推断其细胞组成，实现从“空间表达”到“空间细胞类型”的转化，从而在全身尺度上精确定位不同细胞类型的分布。

3. 空间细胞类型映射算法

在具体计算层面，作者开发了一套细胞类型分配方法，通过将空间转录组数据与参考基因集进行匹配，推断每个spot中最可能的细胞类型。这种方法可以在复杂组织环境中区分不同细胞，并在多个器官中保持较高一致性，同时与已有方法（如RCTD、cell2location）进行了对比验证，证明其可靠性。

4. LABEL人工智能模型（病理图像自动注释）

作者进一步开发了一个名为LABEL的AI模型，将空间转录组数据与病理切片图像（H&E）进行结合。该模型利用预训练图像模型提取特征，并结合空间信息进行分类，从而实现仅通过普通病理图像即可预测器官、组织甚至细胞类型。这一方法的意义在于大幅降低测序成本，使空间信息的获取更加高效。

5. 全身炎症模型分析（LPS模型）

为了验证该平台的应用价值，作者构建了LPS诱导的全身炎症模型，并对全身空间表达进行分析。通过比较处理组与对照组，系统识别不同组织中的差异基因、炎症信号以及细胞状态变化，揭示炎症反应不仅局限于单一器官，而是呈现出全身协同调控的特征。

6. 配体-受体通讯分析（跨器官信号网络）

在更深入的机制层面，作者分析了不同细胞之间的配体-受体相互作用，构建跨器官的信号通讯网络。结果发现，在炎症状态下，多种信号通路（如趋化因子、细胞因子等）在多个器官中同时增强，说明疾病过程具有明显的系统性特征，而不仅仅是局部变化。

结果解读

Fig1 全身空间转录组成功构建

作者通过优化整只小鼠切片与Array-seq技术，获得了覆盖多个器官的空间转录组数据，并且在单张切片中保持了良好的组织结构和RNA质量。结果显示，不同器官在空间上的表达模式清晰可辨，且能准确对应组织学结构，同时还能细分到器官内部的功能区域，如脑区分层、小肠不同结构层以及肝脏的代谢分区，说明该方法在空间分辨率和生物学准确性上都具备较高可靠性。

Fig2 全身细胞类型空间分布图谱

通过整合大规模单细胞数据，作者在全身尺度上对细胞类型进行了系统注释，并成功将数百种细胞类型映射到空间位置。结果表明，不同细胞类型在各器官中的分布符合生物学规律，例如肌肉细胞在肌肉组织中占主导，免疫细胞集中于免疫器官，同时也能在非免疫组织中检测到一定比例。此外，该方法还能识别精细结构中的细胞分布，如脑和胸腺中的特定细胞亚群，体现了较高的分辨能力。

Fig3 AI模型实现病理图像自动注释

作者构建了LABEL模型，将空间转录组信息与病理图像结合，实现了无需测序即可对H&E切片进行器官、组织及细胞类型的自动识别。结果显示，该模型在大多数器官层面具有较高准确率，并且在部分组织结构和细胞类型上也表现良好，尽管在少数结构相似或样本较少的组织中存在误判，但整体证明了利用AI从图像中推断分子信息的可行性。