PNAS颠覆四十年细胞分裂理论

　　

生物通报道：墨尔本的科学家们颠覆了四十年的细胞分裂理论，他们的研究显示，母细胞为子细胞重置了细胞分裂所用的时间。结果是两个子细胞拥有相同的细胞分裂时间，但子细胞所需的细胞分裂时间与母细胞不同。

Walter and Eliza Hall研究所的科学家们发现，细胞分裂并不完全符合之前的预测模型，于是他们在新数据的基础上对模型进行了改进，并将结果发表在的美国国家科学院院刊PNAS杂志上。这项研究将帮助人们更好的理解，免疫应答或癌症发展中的细胞增殖。

Phil Hodgkin教授、Dr Mark Dowling、Dr John Markham、Dr Andrey Kan等人通过time-lapse显微成像，跟踪了单个B细胞和T细胞的分裂过程。他们深入分析了细胞周期的每个阶段，并记录了各阶段所用的时间。

细胞周期可以分为G1期、S期、G2期和M期。G1期细胞体积增大并合成DNA复制所需的蛋白。在S期、G2期和M期中，DNA进行复制，细胞为有丝分裂做准备，并最终分为两个子细胞。之前的细胞分裂模型建立于1973年，它只能预测细胞周期的总长度。

研究人员发现，对于不同细胞而言，分裂各阶段所用的时间并不相同。“我们可以将细胞周期时间看作一根橡皮筋，每个分裂阶段都在橡皮筋上有固定的位置，它们之间的比例相同。但橡皮筋本身是可以伸缩的，这就会延长或缩短各阶段的时间。”

Hodgkin教授指出，这项研究不仅提出了一个更完善的细胞分裂模型，也有助于解释同类细胞之间的细胞周期差异。

“之前的模型认为时间差异主要来自于G1期，而S/G2/M期的时间是固定不变的，”Hodgkin教授介绍道。“它使用一个被称为‘transition probability’的概念，来预测整个细胞群体的行为，但并不适用于单个的细胞。”

“我们在新数据的基础上建立了新的模型，以便更准确的预测细胞的分裂情况，”Dr Markham说。

研究人员发现，两个子细胞的分裂时间相同，但它们与母细胞的分裂时间并不一样。这说明，母细胞早在分裂之前就已经编程好了子细胞的分裂时间，但这一信息不会跨世代传递下去，当子细胞分裂时又会重置其后代的分裂时间。不过研究人员现在还不清楚这种时间设定的具体机制。（延伸阅读：eLife解答有丝分裂半世纪谜题）

Hodgkin教授认为，这项研究不仅可以帮助人们更好的理解基础科学，也有着更为实际的应用，例如预测免疫细胞如何应该机体受到的感染。“我们的模型可以更简便地预测，B细胞和T细胞的分裂情况，”Hodgkin教授说。“这一机制是否同样适用于机体内的其他细胞，还有待于进一步的证实。”

 

生物通编辑 ：叶予

生物通推荐原文摘要：

Stretched cell cycle model for proliferating lymphocytes

Stochastic variation in cell cycle time is a consistent feature of otherwise similar cells within a growing population. Classic studies concluded that the bulk of the variation occurs in the G1 phase, and many mathematical models assume a constant time for traversing the S/G2/M phases. By direct observation of transgenic fluorescent fusion proteins that report the onset of S phase, we establish that dividing B and T lymphocytes spend a near-fixed proportion of total division time in S/G2/M phases, and this proportion is correlated between sibling cells. This result is inconsistent with models that assume independent times for consecutive phases. Instead, we propose a stretching model for dividing lymphocytes where all parts of the cell cycle are proportional to total division time. Data fitting based on a stretched cell cycle model can significantly improve estimates of cell cycle parameters drawn from DNA labeling data used to monitor immune cell dynamics.