编辑推荐：
为解决荧光显微镜分析调节性细胞死亡（RCD）存在的局限性，研究人员开展了利用拉曼显微镜结合机器学习研究 RCD 的主题研究。结果表明该方法可区分多种 RCD 类型，为细胞生物学研究提供新途径。
在生命的微观世界里，细胞如同一个个精密的小工厂，有条不紊地进行着各种生命活动。细胞死亡，作为生命过程中不可或缺的一环，对维持人体健康起着至关重要的作用。调节性细胞死亡（RCD）一旦失衡，就如同机器的齿轮出现故障，可能引发一系列疾病，像 autoimmune diseases、neurodegenerative diseases 以及 cancer 等。
目前，在分析 RCD 的众多方法中，荧光显微镜是使用频率较高的一种。然而，它却存在不少 “短板”。荧光标签的存在不仅会带来潜在的副作用，如 photobleaching 或 phototoxicity，而且其特异性不足，就像是一把不够精准的尺子，难以准确衡量细胞死亡的细微变化。正是在这样的背景下，为了更精准地探究 RCD 的奥秘，来自 Ghent University、Fox Chase Cancer Center 等机构的研究人员开展了一项极具意义的研究。
研究人员将目光投向了拉曼显微镜，它能够通过检测分子的振动来获取生物化学 “指纹”，而且无需荧光标记，这就避免了荧光显微镜的诸多问题。同时，研究人员结合机器学习（ML）技术，对 RCD 进行深入研究。他们以小鼠成纤维细胞系 L929sAhFas 为研究对象，重点研究了细胞凋亡（Apoptosis）、铁死亡（Ferroptosis）和坏死性凋亡（Necroptosis）这三种不同类型的 RCD。
在研究过程中，研究人员用到了几个关键技术方法。首先是拉曼显微镜技术，利用其在无荧光标记的情况下检测细胞内分子振动信息。其次是机器学习中的支持向量机（SVM），用于分析处理拉曼光谱数据。另外，还运用了 k - 均值聚类等数据处理方法，对采集到的大量数据进行筛选和分类。
下面来看看具体的研究结果：
- 实验方法概述：研究人员诱导 L929sAhFAS 细胞产生三种不同模式的细胞死亡，即 Apoptosis、Ferroptosis 和 Necroptosis，接着用拉曼显微镜扫描这些细胞，并运用不同的 ML 方法进行分析。
- 细胞扫描和数据集准备：拉曼显微镜记录大面积扫描（LAS）数据后，对光谱进行校正和归一化处理，通过 k - 均值聚类区分背景和细胞光谱，再经过异常值去除等步骤，得到用于后续分析的数据集。
- 光谱数据的峰拟合：对光谱进行峰拟合，通过确定拟合峰的中心、幅度和半高宽（FWHM）等参数，计算峰下面积（AUC），以便从生物学层面解释光谱。
- 与细胞死亡相关波数的生物学解释：研究人员分析了 18 个不同的峰，发现一些波数在细胞死亡时与对照细胞相比有显著变化。例如，在铁死亡过程中，939 cm-1波数处信号下降，这与胶原蛋白表达的潜在减少有关，而胶原蛋白与多种疾病密切相关。
- 数据分析和模型比较：研究人员测试了不同的方法，发现直接将光谱用于支持向量机（SVM）训练的方法在区分不同 RCD 模式时表现最佳，准确率可达 73%。当以细胞为单位进行预测时，几乎所有方法的准确率都有所提高。
综合研究结果，研究人员得出以下结论：拉曼显微镜结合 ML 能够有效区分不同类型的 RCD。尽管不同 RCD 模式之间 “分子指纹” 的变化极小，限制了振动光谱技术在该领域的应用，但 ML 方法能揭示拉曼散射光谱中的细微变化。研究还发现，不同 RCD 类型具有各自独特的波数特征，如 Apoptosis 相关的 720、821 和 1086 cm-1，Ferroptosis 相关的 853 和 939 cm-1 。不过，Necroptosis 难以通过单一独特峰来识别，需结合多个波数进行间接判断。
这项研究具有重要意义。它为研究 RCD 提供了一种新的、强大的无标记方法，有助于深入理解细胞死亡的机制，为相关疾病的研究和治疗开辟了新方向。同时，研究结果也为药物研发提供了更精准的靶点和理论依据，有望推动生命科学和健康医学领域的进一步发展。该研究成果发表在《Communications Biology》上，为该领域的研究提供了重要的参考和借鉴。
