Nature Methods：解锁生命的地图：人体图谱带来的科学革命

引言

科学的发展，往往从宏观走向微观，再由微观延伸到具体。在过去几十年里，生命科学的研究已经从对细胞的基本功能了解，逐渐深入到对单细胞水平甚至亚细胞结构的精细描绘。而“人体图谱”（Human Atlas）项目的兴起，正是这一科学探索过程中的重要里程碑。这些图谱不仅帮助我们理解“谁”在“哪里”，更揭示了这些位置对细胞功能、组织动态乃至疾病发生的深远影响。

为什么位置如此重要？研究人员指出，细胞并不是“蛋白质的袋子”，而是经过进化精心分化出的复杂系统，其中每个部分的位置都对其功能至关重要。例如，在亚细胞蛋白组学（subcellular proteomics）领域，研究人员发现超过一半的人体蛋白分布于多个细胞结构中。这种“多定位”（multi-locality）现象，不仅展示了蛋白质功能的多样性，也为我们理解疾病中的分子异常提供了新的思路。

如今，各种形式的人体图谱如雨后春笋般涌现：从基于单细胞RNA测序（single-cell RNA sequencing）的组织图谱，到专注于特定蛋白定位的亚细胞图谱，再到囊括癌症患者临床数据的3D肿瘤图谱。这些项目的背后，是数以千计研究人员的共同努力，试图以更高的精度、更大的规模以及更全面的方法，绘制生命的“蓝图”。例如，美国“人体生物分子图谱计划”（HuBMAP）已经收集了近3000个单细胞组织数据集，覆盖31种器官，并利用多种先进技术创建了跨越解剖和分子层面的三维模型。

然而，这些图谱并不仅仅是数据的堆积，而是为研究人员提供了一种前所未有的整合视角。研究人员能够通过这些资源，将自己的发现与图谱数据进行对比，寻找新的生物学意义和临床应用。随着技术的不断进步，图谱的精确性和功能性也在不断提升，但同时，数据整合与标准化的挑战也成为未来发展的关键。

正如一个尚未完成的拼图，这些人体图谱既是科学的基础，也承载着更广泛的可能性。从探索细胞的“身份证明”到揭示疾病的深层机制，我们正在以这些图谱为起点，迈向更深入理解生命奥秘的全新时代。（12月6日 Nature Methods  “Atlases galore: where to next?”）

生命的地图：从细胞到亚细胞的探索

在浩瀚的生命宇宙中，人体就像一座复杂而精密的城市，而细胞则是这座城市中最基本的“建筑单元”。在过去的研究中，研究人员已经揭示了细胞作为生命基本单位的诸多奥秘，但随着技术的进步，人们发现，这还远远不够。细胞的内部不是一片混沌，而是被划分为不同的“区域”，每个区域都扮演着特定的功能，就像城市中各司其职的工厂、交通枢纽和行政中心一样。

正如研究人员所指出的，位置决定功能。细胞内的蛋白质并非静止不动的，它们在亚细胞结构之间“穿梭”，以实现多样化的功能。根据研究数据，超过一半的人体蛋白存在于多个亚细胞结构中，这种“多定位”（multi-locality）现象反映了蛋白质的多功能性和复杂性。例如，某些蛋白可能同时参与细胞代谢、信号传递和结构支持，正是这种灵活性让细胞能够高效地应对多种挑战。

从宏观的组织到微观的亚细胞，人体图谱为我们提供了一种全新的视角。通过单细胞RNA测序（RNA-seq）和空间蛋白质组学（spatial proteomics）等先进技术，研究人员能够以前所未有的精度绘制出人体组织和细胞的分布图。以HuBMAP（Human BioMolecular Atlas Program）为例，这一项目目前已收集了近3000个单细胞组织数据集，覆盖了31种器官，构建了包含1700多种细胞类型的三维模型。研究人员通过这些图谱能够详细了解细胞在健康和疾病状态下的差异，并探索它们在生命活动中的具体作用。

绘制蓝图：多样化的人体图谱项目

多个国际合作项目如同一幅幅宏大的蓝图，为研究人员提供了观察生命精细结构的窗口。从细胞到亚细胞，从单一器官到多器官系统，这些人体图谱项目以其庞大的规模和多样化的数据类型，为健康研究开辟了新天地。

美国的“人体生物分子图谱计划”（HuBMAP）是其中一个代表性项目。该计划汇集了来自超过40个研究机构的研究人员，目前已收集了近3000个单细胞组织数据集，覆盖31种器官，数据来源包括超过200名捐赠者。它不仅包含基因组数据（如全基因组测序），还整合了转录组（RNA-seq）和染色质开放性分析（ATAC-seq）等数据，甚至涉及空间成像技术，如多重组织成像（CODEX）和光学显微镜。HuBMAP的目标是构建一个3D人体参考图谱，目前已完成了超过1700种细胞类型和1200个解剖结构的建模，为研究细胞间的空间关系提供了宝贵的工具。

另一个全球知名的项目是“人类蛋白图谱”（Human Protein Atlas）。它专注于绘制蛋白质在人体细胞中的分布情况，迄今已揭示了超过一半的人体蛋白的多重定位现象。这种现象表明，许多蛋白质在健康和疾病状态下都具有多功能性，而图谱中的数据为研究这些动态变化提供了基础。

此外，“人类细胞图谱”（Human Cell Atlas）更是一项庞大的国际协作项目，吸引了来自99个国家的3000多名研究人员参与。该项目致力于为不同年龄、健康状态及疾病状态下的人体构建分子和细胞分辨率的参考图谱。它的数据类型覆盖单细胞转录组和空间组学，为未来研究提供了跨尺度的整合视角。

这些项目并非孤立存在。像HuBMAP和Human Protein Atlas这样的项目通过开放的在线平台，为研究人员提供了便捷的数据访问和分析工具。一些团队甚至通过比赛的形式，鼓励开发图谱规模的算法和模型，从而推动了科学技术的进一步发展。这些项目的多样化和整合性，让人体图谱不仅成为科学的知识宝库，也成为理解和应对疾病的强大武器。

多尺度的技术革命：如何实现精准描绘？

绘制人体图谱的过程，离不开技术的飞速发展。这些技术如同精准的“画笔”，以前所未有的细节为我们描绘细胞和分子在人体中的分布。单细胞RNA测序（single-cell RNA sequencing, RNA-seq）、空间蛋白质组学（spatial proteomics）和多模态成像等技术成为推动图谱发展的三大关键支柱。

单细胞RNA测序让研究人员能够捕捉到单个细胞的基因表达模式。这种技术以高通量和高分辨率著称，特别适用于揭示组织中的细胞异质性。在“人类细胞图谱”（Human Cell Atlas）项目中，研究人员利用单细胞RNA测序数据，对不同器官和组织中的细胞类型进行了详细的分类和注释。例如，通过Azimuth这样的分析工具，研究人员能够将自己的数据与参考图谱进行对比，快速识别细胞类型。

空间蛋白质组学则是另一项突破性技术。它结合质谱分析和成像技术，可以同时定位数百种蛋白质，并探索其在组织中的分布。例如，OpenCell项目通过CRISPR技术对蛋白质进行了荧光标记，揭示了超过1300种蛋白的亚细胞定位和相互作用。这些数据不仅展示了蛋白质的动态行为，还为理解细胞在健康与疾病状态下的功能变化提供了依据。

多模态成像技术实现了跨尺度、多维度的组织和细胞分析。从光学显微镜到多重组织成像（CODEX），再到迭代漂白增强多路复用成像（IBEX），这些技术不断刷新空间分辨率的极限。例如，IBEX能够在300微米厚的组织样本中进行高精度的3D成像，并揭示了淋巴结内细胞的空间组织，这对于理解免疫反应机制意义重大。

这些技术的共同点在于将分子和细胞的信息与其空间位置结合，提供了从分子到器官的全景视角。正如研究人员所言，单一技术的“弱信号”通过与其他技术叠加可以变得更具意义。这种“空间层叠”的方法，不仅提高了分析精度，还为未来的科学发现奠定了基础。这场技术革命，将我们从二维的平面数据带入三维甚至多维的生命探索新世界。

发现背后的奥秘：人体图谱揭示了什么？

蛋白多定位现象是一个显著的发现。根据“人类蛋白图谱”（Human Protein Atlas）的研究，超过一半的人体蛋白同时存在于多个亚细胞结构中。这种“多定位”（multi-locality）现象表明，蛋白质在细胞内并非固定不动，而是不断在不同区域间迁移以执行多样化的功能。例如，某些蛋白质可能在细胞核中调控基因表达，同时在细胞质中参与信号传递。这一现象不仅展示了蛋白质功能的灵活性，还为研究蛋白质异常定位如何导致疾病提供了新视角。

细胞间关系的空间特性是另一大突破。通过“人体生物分子图谱计划”（HuBMAP）构建的3D参考图谱，研究人员揭示了细胞在组织中的复杂空间排列。例如，在淋巴结中，特定的树突状细胞与CD4阳性T细胞的接近性被发现是快速免疫应答的重要基础。这种空间组织特性说明，细胞的相互位置不仅决定其功能，还影响着整体组织的动态反应能力。

此外，图谱数据还揭示了不同细胞类型在发育和疾病状态下的独特模式。例如，在癌症图谱研究中，研究人员利用单细胞空间组学技术，分析了来自1000多名患者的肿瘤组织样本，发现了一些与癌症进展相关的特定细胞亚群及其空间分布特征。这些发现为个性化治疗和靶向药物开发提供了新的方向。

人体图谱的价值不仅在于展示了生命的复杂性，还为探索疾病的根源提供了有力工具。它帮助我们从空间、时间和分子层面理解细胞如何协同工作，以及当这种协同失衡时，会导致什么后果。可以说，这些发现如同开启了一扇窗，让我们看到了生命运作的精妙与奇迹。

数据的挑战：如何整合和标准化？

尽管人体图谱的研究取得了显著成果，但海量数据的整合和标准化依然是研究人员面临的一大挑战。多样化的数据类型、不同的技术平台和实验方法，都为图谱的构建带来了复杂性。如何在这一数据洪流中找到秩序，是推动人体图谱发展的关键。

技术平台之间的差异是数据整合的主要障碍之一。不同的技术具有不同的分辨率、灵敏度和误差率。例如，单细胞RNA测序（RNA-seq）主要捕获基因表达信息，而空间蛋白质组学（spatial proteomics）则关注蛋白质的分布与功能。然而，这些技术的实验条件和数据格式并不统一，导致即使研究的是同一种组织或细胞类型，不同平台生成的结果可能也不完全一致。研究人员发现，一些亚细胞蛋白定位图谱的结果存在显著差异，这与技术误差和标准化不足密切相关。

数据标准化和一致性是另一个难题。在“人体生物分子图谱计划”（HuBMAP）中，研究人员开发了3D人体参考图谱，其中包含了超过1700种细胞类型和1200个解剖结构。然而，这些数据需要在多种分析工具中保持一致性，才能实现跨技术、跨实验的整合。例如，图谱项目需要对单细胞转录组、空间成像和质谱数据进行协调分析，而噪声和偏差的存在可能影响整合结果的可靠性。

为了克服这些挑战，研究人员正在开发新一代数据整合工具。例如，Azimuth和CellxGene等工具能够帮助研究人员将自己的实验数据与标准图谱进行对比和校正，从而减小技术噪声带来的影响。此外，Spatial Mutual Nearest Neighbors等算法为整合空间和转录组数据提供了新方法。这些工具在提高数据兼容性方面发挥了重要作用。

尽管如此，研究人员也承认，完全实现数据整合仍需更多努力。未来的目标是建立统一的质量控制标准和跨平台兼容的分析流程。只有在“拼图”各部分完美契合时，人体图谱才能真正展现其全貌。

从实验室到临床：图谱的应用前景

在疾病诊断方面，人体图谱为精准医学奠定了基础。通过对正常与病变组织的细胞和蛋白分布进行比较，研究人员可以识别与疾病相关的特定标志物。例如，HuBMAP的3D参考图谱已经帮助研究人员发现了癌症组织中某些特定细胞亚群及其异常空间分布。这些异常的“位置线索”让医生能够更快地定位病灶，从而提高诊断的准确性。

在药物开发领域，人体图谱提供了靶点发现的新方法。过去，药物开发往往缺乏对目标蛋白质或细胞环境的全面理解，而现在，研究人员可以通过图谱精准定位疾病相关的蛋白质及其功能。例如，OpenCell项目通过CRISPR标记和质谱技术揭示了1300多种蛋白的动态行为，为设计针对特定疾病的靶向药物提供了宝贵数据。这种基于图谱的药物开发方法，正在加速新疗法的研发进程。

对于个性化医疗，人体图谱则是实现治疗方案定制化的重要推动力。每个人的细胞和分子特征都有细微差异，而图谱让研究人员能够通过跨越基因组、蛋白组和空间数据的整合分析，精准识别患者的个体特性。例如，癌症患者的图谱分析显示，某些蛋白质的多定位现象可能决定了个体对化疗的反应，这为制定更有效的治疗方案提供了指导。

更重要的是，人体图谱的开放数据和工具还让临床医生能够直接使用这些资源。例如，CellxGene等工具提供了用户友好的数据界面，帮助医生快速查询目标细胞或基因的详细信息。这种从实验室到临床的无缝衔接，大大提高了数据的实际应用价值。

我们离完整的生命地图还有多远？

尽管人体图谱已经取得了令人瞩目的进展，但距离“完整的生命地图”仍有许多未知领域等待探索。在未来，跨物种比较、全生命周期的图谱构建以及人工智能（AI）的深度参与将成为推进这项事业的关键方向。

跨物种图谱比较为揭示生命的共性与差异提供了可能。例如，通过比较人和模式生物（如小鼠、斑马鱼）的图谱，研究人员能够更深入地理解特定基因或蛋白质的保守性及其在疾病中的角色。这种跨物种的分析有助于将实验室中的发现更快速地转化为人类疾病的解决方案。同时，这也能帮助我们探讨进化过程中细胞和组织功能如何发生改变。

全生命周期的图谱构建则旨在回答生命不同阶段的奥秘。从胚胎发育到老年退行性变化，细胞在不同时间点的动态行为可能会揭示生命的规律。例如，“人类细胞图谱”已经开始通过收集不同年龄段的数据，探索从出生到衰老的分子变化。然而，研究人员指出，目前的图谱在多样性上仍有欠缺，特别是不同种族、性别及病理状态下的数据覆盖仍需加强。未来的目标是创建涵盖所有生命阶段和不同群体的完整图谱。

此外，人工智能在数据分析中的角色不可忽视。人体图谱的数据规模庞大且复杂，传统分析手段难以胜任整合与挖掘的任务。AI可以通过机器学习算法，从海量数据中提取重要特征并发现潜在模式。例如，AI已经在蛋白质三维结构预测中展示了卓越的能力，而在空间组学数据的整合和多模态分析中，也正发挥着越来越重要的作用。研究人员相信，随着AI技术的进一步发展，我们能够更快、更精准地完成图谱构建。

尽管挑战重重，但人体图谱的未来充满希望。研究人员正将目光投向更大范围的数据整合、更高分辨率的技术发展，以及更加协作的国际化研究。完整的生命地图或许还未触手可及，但每一次进步都让我们离实现这一梦想更近一步，为揭示生命的全貌铺平道路。

参考文献

Marx, V. Atlases galore: where to next?. Nat Methods 21, 2203–2208 (2024). https://doi.org/10.1038/s41592-024-02536-8

Thul, P. J. et al. Science https://doi.org/10.1126/science.aal3321 (2017).

Quake, S. R. Trends Genet 38, 805–810 (2022).

Jain, S. et al. Nat. Cell Biol. https://doi.org/10.1038/s41556-023-01194-w (2023).

Regev, A. et al. eLife 6, e27041 (2017).

Börner, K. et al. Preprint at bioRxiv https://doi.org/10.1101/2024.03.27.587041 (2024).

Huh, W. K. et al. Nature 425, 686–691 (2003).

Cho, N. H. et al. Science 375, eabi6983 (2022).

Guo, B. et al. Preprint at https://doi.org/10.48550/arXiv.2408.00367 (2024).

Yao, J. et al. Preprint at bioRxiv https://doi.org/10.1101/2024.02.02.578662 (2024).

Hansen, J. N. et al. Preprint at bioRxiv https://doi.org/10.1101/2024.10.20.619273 (2024).

Hein, M. Y. et al. Preprint at bioRxiv https://doi.org/10.1101/2023.12.18.572249 (2024).

Golsev, Y. et al. Cell 174, 968–981 (2014).

Radke, A. J. et al. Nat. Protoc. 17, 378–401 (2022).

Yayon, N. et al. Nature https://doi.org/10.1038/s41586-024-07944-6 (2024).

Mund, A. et al. Nat. Biotechnol. 40, 1231–1240 (2022).

Nordmann, T. M. et al. Nature https://doi.org/10.1038/s41586-024-08061-0 (2024).

Greenbaum, S. et al. Nature 619, 595–605 (2023).