Cell｜从免疫治疗到多组学：Mann等科学家关于未来的12个技术梦想

What tool or method do you wish existed?

对于未来的科学工具或方法，科学家们有什么「畅想」？

8月22日，Cell 发表了一篇 Voices，邀请了生物学、工程学和医学等多个学科的研究人员来描述当前的技术需求，以说明目前存在的各种技术差距，并启发未来的研究项目。

在文章中，13位学者探讨了在细胞治疗、免疫系统研究、质谱检测、微生物组分析、神经系统研究等多个前沿领域中亟待解决的技术挑战，并提出了未来可能的创新方向。

- 目 录 -

以细胞为基础的免疫疗法改变了一些血液恶性肿瘤的治疗格局，但它们对实体瘤的疗效仍然有限。CRISPR 筛选生成了一系列目标基因，对这些基因的操作可能会促进免疫细胞的增殖和/或功能。同样，受体设计的文库筛选也发现了可显著增强活性的信号结构域等成分。

然而，这种筛选通常是在体外或体内进行的，这些试验依赖于单一读数（即带有某种设计的细胞数量）来确定命中目标。虽然细胞的持久性和增殖可能有助于提高疗效，但它们并不能直接评估抗肿瘤活性。例如，在筛查中存活和扩增最多的CAR T细胞克隆很可能与消灭肿瘤细胞的克隆不同。

理想情况下，我们希望能够实时定量评估肿瘤微环境（TME）中的细胞组成和功能。我们感兴趣的参数包括：细胞相对于肿瘤和其他免疫细胞的位置、细胞在做什么（脱颗粒、分泌细胞因子等）、TME中存在多少特定克隆拷贝及其种群数量随时间的变化情况。将活体成像（intravital imaging）与蛋白质和/或 mRNA 转录本的多重可重复评估相结合的技术平台，将极大提高我们开发下一代细胞疗法的能力。

在我从事科学研究的早期，我接受了观测天体物理学的培训——这是一个让我感到不满足的领域，因为它无法对系统进行扰动。后来，我转而研究微生物学和免疫学。

该工具的迭代版本可以使用Perturb-seq方法对原代细胞类型（primary cell types）进行全基因组扰动，并结合单细胞转录组分析。该工具最有影响力的版本将涉及在多个细胞状态下对某一原代细胞类型进行基因激活和抑制。各种生物学领域都可以将这项技术和分析框架应用于转录组以外的其他细胞类型或表型，例如高内涵成像（high-content imaging）。

目前的挑战包括技术障碍、资源密集型计算以及单细胞转录组学的高成本。提高靶向原代细胞的效率并缩小扰动文库规模到一组最佳验证的sgRNA，将能够创建特定细胞类型的扰动组，用于计算机模拟筛选和假设生成。

作为一名致力于质谱（MS）和蛋白质组学领域的科学家，我设想了一种开创性的工具：基于MS的通用血液检测仪。这种仪器将高度标准化、完全自动化，并与人工智能（尤其是大型语言模型）集成。这项检测将每6个月对所有人进行一次，同时也适用于肿瘤和皮肤组织样本。要达到如此大规模，LC-MS系统必须非常强大，每天处理100份样本，边际成本约为10美元。

早期检测和精确监测是管理疾病的关键，但目前的诊断方法往往是零散和被动的。通用血液检测可以全面分析一个人的健康状况，在临床症状出现之前就识别出各种疾病的生物标志物。人工智能的引入将确保实时数据解释和个性化见解，以提高诊断准确性和治疗决策。

20年前，二代测序（next-generation sequencing）的出现彻底改变了微生物组研究。它使科学家从有价值但费力的单个微生物研究过渡到整个微生物群落的高通量测序。然而，目前的鸟枪法（shotgun sequencing）使我们无法获得关键信息，例如哪些DNA片段来自同一基因组、微生物的3D组织以及群体内转录的异质性。这些类型的信息对于识别移动遗传因子的来源（例如赋予抗生素抗性的质粒）、确定微生物的空间结构（例如生物膜内的生物地理学）、推断物种相互作用（例如土壤中的互养关系）、解剖基因调控回路（例如转录对压力反应的变异性）等至关重要。

微生物组空间单细胞多组学的发展将促进下一代微生物组研究。虽然像HiPR-FISH和MaPS-seq这样的新兴方法可以在分类水平上描述微生物组的空间组织特征，但我们仍面临局限性。我们还无法像真核生物样本那样，在一次实验中收集空间单细胞基因组、转录物组、代谢物组、蛋白质组或多种 “组学” 特征。

过去20年来，DNA测序技术突破的应用揭示了微生物是生物圈各个角落健康的基础。与此同时，我们了解到，微生物是高度社会化的生物，它们不仅在自身之间进行交流，也能与各种各样的动物和植物伙伴进行交流。然而，与动物和植物不同的是，我们拥有观察驱动行为和种群/群落生态的信号传导的工具，但却缺乏足够的工具来研究微生物的这种相互作用。

我们需要的创新工具是具有分子级分辨率的实时显微镜，以定义信号传导背后的分子，并观察它们在微生物细胞之间以及与宏观生物宿主之间的流动。可视化、跟踪和/或识别这种小分子流动的方法（如双光子显微镜、冷冻电镜和纳米SIMS），已经提供了改变游戏规则的见解。

在基因组组织领域工作时，我发现一个主要的未满足需求是能够以全基因组分辨率探测4D基因组——即三维基因组结构在多个时间尺度上的变化。

三维基因组是一种基本的表观遗传特征，会影响许多核内过程，包括DNA复制、修复和转录。在胚胎发育或细胞分化的不同时间点获得的三维基因组快照表明，它会随着时间的推移发生重组。然而，不同时间尺度上的三维基因组动态程度仍未得到充分探索。这是因为目前用于绘制三维基因组的方法通常在固定细胞上操作。利用CRISPR-Cas系统的方法已被开发用于对活细胞中的选定DNA位点进行成像。然而，这些方法难以扩大规模，并且通常需要基因工程，这大大限制了可以同时可视化的DNA位点的数量和大小。

果蝇遗传学极大地促进了我们对进化上保守的生物过程的理解。然而，如果人类确实比果蝇更复杂，那么用于研究人类的遗传学必须比果蝇更快、更有效。

为了实现这一目标，实现下一代遗传学（可定义为无需交配的遗传学）和全器官细胞分析的技术至关重要。下一代遗传学允许快速操纵基因，例如精确敲除或插入，超越了依赖繁殖的传统遗传学。虽然我们在 2010 年提出了这一概念，并在2016年使用Triple-CRISPR方法实现了基因敲除，在2017年使用胚胎干细胞衍生小鼠方法实现了基因敲入，但改进仍在继续。如果下一代遗传学得到充分实现，它将揭示哺乳动物体内复杂的分子网络。

全身/器官细胞分析可全面检查器官或生物体内的每个细胞。组织透明化和光片显微镜技术的进步加速了单细胞水平的分析，增强了对细胞类型、状态、相互作用和三维排列的理解。虽然我们在2018年实现了小鼠全脑细胞分析，并在2024年实现了全身细胞分析，但仍需要进一步完善。下一代遗传学和全细胞分析的整合有望开启生物学的新时代，有可能揭示包括意识在内的复杂生物现象，并为革命性的疾病治疗铺平道路。

光遗传学、高密度电生理学、具有高度优化的遗传编码指标的大规模成像以及高维定量行为方面的技术进步彻底改变了我们剖析神经回路功能活动的能力。这些工具使得我们能够以细胞类型和回路特异性为基础，对神经元活动进行大规模的监测和操控。

神经元在电信号传导方面表现出极大的多样性，这是由于离子通道的独特组合在特定的细胞类型和神经回路中展现了独特的表达模式。这些离子通道是治疗疼痛和神经精神疾病等神经系统疾病的理想药物靶点。然而，离子通道的多样性使得我们难以在系统层面上精确识别和控制其活性，从而限制了我们对其生理和病理功能的理解，阻碍了治疗方法的发现。

因此，我们迫切需要开发新的分子工具，以精确的时间、空间、细胞类型和亚型特异性来监测和操纵行为动物的天然离子通道激活。这些工具将使我们能够理解离子通道如何集成和转换多样的神经化学输入，形成细胞的放电模式，从而塑造神经回路的输出。

在神经技术开发及其在研究脑-身体生理学中的应用交叉领域工作时，人们可以观察到大脑与外周神经系统之间开发工具数量的显著差异。虽然在大脑中进行电生理学、光遗传学和光学成像已成为常规操作，但在行为受试者的外周神经和器官中，它们仍然近乎难以解决。这在一定程度上是由于移动和血管化内脏器官的解剖和生理复杂性造成的。

这些挑战可以通过创新的、精确适应器官解剖结构的柔性生物电子设备来克服。然而，快速评估这些平台的进展仍然受到将分子工具（如光敏蛋白或荧光指示剂）递送到目标器官的挑战所阻碍。

与通过立体定向注射病毒载体可以在野生型啮齿动物的多个大脑区域中评估的脑神经技术不同，针对不同器官（如肠道和肺）的外周神经技术必须在不同的遗传模型中进行评估。尽管交叉遗传学对于严格的假设检验必不可少，但其所需的资金和智力投资可能会阻碍工程学对外周神经技术的贡献。

Jun-Jie Gogo Liu

目前获取生物大分子原子结构的方法（如X射线晶体学或冷冻电镜法）依赖于大量分子群体的平均信号，并要求目标相对均匀和稳定。这些方法对结构灵活性的容忍度有限，尤其是对于表现出连续大尺度动态（超动态）的目标，如长链非编码RNA、多糖和低复杂度蛋白质。这些超动态结构在生物学上起着至关重要的作用。

一种揭示超动态性的方法是将实验中获得的稳定状态与目标的计算中间状态相结合。将AI与科学家对分子动态的理解结合起来，有助于预测或模拟中间状态。另一种方法是将目标分解为多个相对稳定的亚结构域，并表征它们之间的动态相互作用。

尽管面临挑战，但开发单分子高分辨率成像技术可能会提供最终的解决方案之一。这可能涉及开创性的新技术，如使用电子显微镜实时观察溶液中或活细胞中的单个生物分子，以捕捉其原子分辨率结构及其在微秒或纳秒尺度上的变化。

佐治亚理工学院

在过去的二十年里，我们见证了技术的爆炸性发展，从高度多重化的DNA合成和测序，到利用合成生物学进行细胞重编程的增强方法，再到自动化超分辨率显微镜的改进，这些都创造了大型、特征丰富的数据集。AI的发展使得能够快速增强显微镜图像的分析，通过识别复杂模式来预测行为和复杂结果。这些技术进步的交汇点可能会极大地加速科学发现的进程。

一个极好的应用是使用这些统一的方法来实时观察基因表达过程，达到分子分辨率的水平。这种分辨率可以展示DNA如何转录为RNA、翻译后修饰的安装过程、非编码RNA在细胞质中的移动和功能，以及编码RNA的翻译过程。AI可能在可视化那些人眼无法察觉或无法接触到的特征方面发挥重要作用。

清华大学

芭芭拉·麦克林托克（Barbara McClintock ）曾说过：“有了工具和知识，我可以将正在发育的蜗牛卵变成大象。”

这句话揭示了一个深刻的真理：受精卵DNA中的遗传密码包含了形成迥然不同的生物体所需的所有信息。那么，为什么相同的线性DNA序列能够创造出成千上万种细胞类型并构成一个复杂的生物体？麦克林托克大胆的断言强调了基因表达的复杂调控和时序性。

现代生物学认识到，非编码序列在哺乳动物基因组中占据主导地位。这些序列以及生物分子和细胞内在的随机性，挑战了从基因到信使RNA再到蛋白质的线性基因流动的决定论观点，无法完全解释生物学的复杂性。正如量子力学通过解释黑体辐射和光电效应等超越牛顿力学的现象而变革了物理学一样，生物学也正处在类似的范式转变的边缘。