据MIT News于2026年10月15日报道，MIT与Whitehead Institute研究团队开发的机器学习模型IRIS，可根据单细胞基因表达数据，推断细胞在发育过程中经历过哪些信号通路。需要说明的是，相关研究论文已于2026年9月8日发表于《Nature Methods》，10月15日是机构报道日期，因此这是一条近期披露的信息，而不是10月新发表的论文。MIT News的原文报道
发生了什么：研究人员发现，同一信号通路在不同细胞类型中可能留下相对稳定的基因活动“指纹”。IRIS利用这一共性，不必为每一种细胞逐一完成全部实验，就能从整体转录组模式中估计细胞曾接收到的发育信号。研究使用了人多能干细胞的高通量信号扰动数据，并将模型应用于小鼠胚胎单细胞图谱。Nature Methods论文
技术机制：IRIS属于基于神经网络的模型，结合潜在空间表示与分类器，学习TGF-β、FGF、BMP、Hedgehog、视黄酸和WNT等主要发育信号通路的响应特征。论文称，模型能够跨批次、跨细胞类型迁移，在小鼠胚胎中重建超过40类细胞的信号状态与部分发育历史，并识别不同谱系中的组合信号使用方式。
研究意义：这类方法把“细胞当前是什么状态”推进到“细胞此前接受过哪些指令”。如果模型在更多组织和物种中得到验证，研究人员或可更快寻找诱导干细胞形成特定细胞类型的信号组合，改进类器官和疾病模型。MIT报道还提到，研究团队用IRIS预测了与肺部发育相关的信号条件，并在小鼠胚胎实验中进行了验证，但这不等同于已经实现临床组织再生或治疗效果。
不确定性与观察重点：目前证据主要来自特定扰动图谱、单细胞测序数据和小鼠胚胎验证。模型能否适用于人类组织、复杂疾病环境及训练数据未覆盖的信号通路，仍需更多独立实验确认。后续应重点关注跨物种预测的稳定性、不同测序平台下的鲁棒性，以及模型建议能否持续转化为可重复的干细胞分化和类器官培养方案。
参考来源：
- AI model decodes the language cells use to communicate 2026-10-15
- Reconstructing signaling histories of single cells via perturbation screens and transfer learning 2026-09-08
由 AI 整理，仅供参考；请以原始来源为准。
