编辑推荐：
细胞衰老研究面临诸多挑战，如缺乏绝对标志物、对衰老细胞积累原因不明等。研究人员开展 “Single-cell morphology encodes functional subtypes of senescence in aging human dermal fibroblasts” 主题研究，识别出 3 种衰老亚型，发现其与年龄、对衰老疗法反应有关，为精准医学提供新方法。
在生命的长河中，细胞衰老如同一个神秘的 “开关”，它与人体的衰老进程以及多种疾病的发生发展紧密相连。细胞衰老表现为细胞稳定的增殖停滞，像细胞周期调控蛋白依赖性激酶抑制剂 p16、p21 表达上调，同时细胞会分泌大量促炎分子，细胞和细胞核的形态也会发生显著变化。然而，目前细胞衰老的研究面临着重重困境。一方面，现有的基于蛋白质的生物标志物和基因表达特征无法精准地界定细胞衰老，不存在绝对的衰老生物标志物；另一方面，人们并不清楚衰老细胞在组织中的积累究竟是因为清除效率低下，还是某些细胞更容易走向衰老。而且，传统观念将细胞衰老简单地定义为二元表型，即细胞要么衰老，要么未衰老，却忽略了衰老的异质性和环境依赖性。这些问题严重阻碍了对细胞衰老的深入理解和相关疾病治疗的发展，因此，探寻一种更有效的研究细胞衰老的方法迫在眉睫。
为了解开这些谜团，来自国外的研究人员开展了一项极具意义的研究。他们以 “Single-cell morphology encodes functional subtypes of senescence in aging human dermal fibroblasts” 为主题，利用原代真皮成纤维细胞，结合单细胞成像、机器学习等多种技术手段，对细胞衰老进行了深入剖析。最终，研究取得了丰硕的成果，不仅成功识别出 11 种不同的形态学集群，还确定了 3 种真正的衰老亚型（C7、C10 和 C11），并发现这些衰老亚型与年龄、对衰老疗法（如 dasatinib + quercetin，D + Q）的反应等密切相关。该研究成果发表在《SCIENCE ADVANCES》上，为细胞衰老领域的研究开辟了新的方向。
在这项研究中，研究人员主要运用了以下几种关键技术方法：首先，他们从 50 名年龄在 20 - 89 岁的健康供体获取原代真皮成纤维细胞样本队列；然后，使用高内涵显微镜对细胞进行成像，结合 CellProfiler 软件和自编数据处理管道，量化细胞和细胞核的形态特征；接着，采用 k - 均值聚类分析、UMAP 降维等算法对细胞进行分类和特征分析；最后，利用基于 Xception 架构的机器学习算法，对细胞进行分析并计算衰老得分。
下面让我们详细了解一下研究的具体结果：
- 多种诱导条件和生物标志物助力细胞衰老的全面分析：研究人员选取了从 23 岁和 85 岁个体分离的原代真皮成纤维细胞，用博来霉素（BLEO）、阿霉素（DOX）、阿扎那韦（ATV）、过氧化氢（H?O?）和连续传代（REP）等多种方式诱导细胞衰老，并使用多种蛋白质生物标志物进行检测。结果发现，不同的衰老诱导方式会导致细胞和细胞核形态、生物标志物表达以及细胞分泌因子等方面出现差异，这些差异表明衰老诱导方式会影响衰老细胞和非衰老细胞的比例。
- 高内涵成像揭示不同生物学条件下的衰老特征：通过对细胞增殖、生物标志物表达、细胞分泌和形态特征的量化分析，研究人员发现，衰老诱导后，细胞的增殖停止，β - 半乳糖苷酶、p16 和 p21 等生物标志物表达增加，HMGB1 和 LMNB1 表达减少，细胞分泌的与衰老相关的分泌表型（SASP）相关蛋白增多，细胞和细胞核的大小也显著增加。而且，核形态特征与衰老的关联更为紧密。这些结果进一步证实了不同诱导条件下衰老表型的一致性，为后续研究奠定了基础。
- 单细胞形态学展现真皮成纤维细胞的衰老异质性：研究人员利用高内涵显微镜成像和计算分析，对细胞进行形态学分析。通过 k - 均值聚类分析，他们识别出 11 个形态学集群，其中 C9 为质量控制集群，其余集群呈现出不同的形态特征和细胞分布模式。不同诱导条件下，各形态学集群的细胞丰度不同，这表明单细胞形态学能够编码衰老表型的异质性，不同的形态学集群可能代表着功能不同的细胞群体。
- 单细胞形态学与衰老生物标志物表达密切相关：研究人员全面分析了 p16、p21、HMGB1、LMNB1 和 β - 半乳糖苷酶等五种衰老生物标志物的表达情况。结果发现，不同形态学集群的生物标志物表达模式不同，C7、C10 和 C11 集群中衰老生物标志物表达较高，提示这些集群富含衰老细胞；C1、C2、C4 和 C5 集群则相反，富含非衰老细胞；C3、C6 和 C8 集群的生物标志物表达处于中间状态。此外，研究人员还通过基于 k - 最近邻算法的标签传播方案，实现了根据单细胞形态预测生物标志物表达，进一步证明了单细胞形态与生物标志物表达之间的紧密联系。
- 机器学习策略识别形态学衰老亚型：研究人员采用基于 Xception 卷积神经网络架构的机器学习策略，对细胞的原始纹理图像进行分析，计算单个细胞的衰老得分。通过训练，该算法在测试和验证数据集上的平均准确率达到 89%，受试者工作特征曲线下面积（AUC）为 0.95。根据衰老得分，研究人员确定了 C7、C10 和 C11 为衰老亚型，这些亚型具有较高的衰老得分和独特的形态学特征，而 C6 和 C8 等集群的分类则有待进一步确定。
- 衰老表型的动态变化取决于诱导剂的动力学特性：研究人员对年轻供体细胞用 DOX 和 H?O?诱导衰老，并在多个时间点观察细胞形态和生物标志物表达。结果发现，DOX 诱导的细胞呈现出稳定的衰老进展，而 H?O?诱导的细胞则表现出双相性，部分细胞在诱导后出现增殖，导致衰老表型的恢复。这表明衰老的时间模式依赖于诱导剂，H?O?可能是较弱的诱导剂，存在更多不进入衰老状态的 “逃逸细胞”。
- 基线衰老负担可预测对 DOX 诱导衰老的易感性：研究人员分析了 50 名不同年龄供体的原代真皮成纤维细胞，发现衰老得分与供体年龄呈正相关，其中 C10 与年龄的关联最为显著。然而，供体年龄与 DOX 诱导后的衰老得分并无显著相关性，而基线衰老得分与诱导后的衰老得分呈正相关，这说明基线衰老负担较高的细胞群体对衰老诱导更为敏感。
- 衰老亚型对 D + Q 的反应存在差异：研究人员用 D + Q 等五种衰老疗法处理衰老细胞，并进行活细胞成像分析。结果显示，D + Q 处理后，衰老细胞的存活率显著降低，不同衰老亚型对 D + Q 的反应不同，C7 中的细胞对 D + Q 最为敏感，C10 中的细胞则最为耐受。这表明衰老亚型具有不同的功能，体外形态学分析可用于筛选和绘制对衰老疗法的反应模式。
在讨论部分，研究人员指出，他们开发的 SenSCOUT 框架为衰老功能亚型的分类提供了有力工具。该研究揭示了衰老表型与供体年龄、诱导方式和时间相关，单细胞形态可编码衰老表型并预测生物标志物表达，不同衰老亚型对衰老疗法的反应存在差异。然而，该研究也存在一定的局限性，目前该方法仅在体外实验中得到验证，尚未在复杂组织中进行验证。未来的研究需要进一步探索衰老亚型在体内的存在和功能，以及它们与分子特征的关联。
总的来说，这项研究成果意义重大。它不仅加深了人们对细胞衰老异质性的理解，为衰老相关疾病的研究提供了新的视角，还为精准医学中衰老疗法的开发和筛选提供了重要的理论依据和技术支持，有望推动衰老相关疾病治疗领域的发展。
