【预测】2019年生命科学技术将有哪些重大突破？

贝壳社

公众号ID：iBio4P

关注

来源

nature——Marissa Fessenden

编译

莫寒

对于2019年来说，从高分辨率成像到基因组层面的DNA分子重建，整个生命科学技术将会有重大突破。

在未来的一年中，七位专家预测了他们所研究领域将会取得很大的进步，本文摘取了其中五位专家的看法。详情如下：

NO.1

SARAH TEICHMANN: Expand single-cell biology（扩展单细胞生物学）

Head of cellular genetics, Wellcome Trust Sanger Institute, Hinxton, UK.

在过去的十年里，我们看到研究人员可以分析的单细胞数量大幅增加，随着细胞捕获技术的发展，结合条形码标记细胞和智能化技术等方法，在未来数量还将继续增加，对此，大家可能不以为然，但这可以让我们以更高的分辨率来研究更为复杂的样品，我们可以做各种各样的实验。比如说，研究人员不再只关注一个人的样本，而是能够同时观察20到100个人的样本，这意味我们能够更好的掌握人的多样性，我们可以分析出更多的发展时间点，组织和个体，从而提高分析的统计学意义。

我们的实验室最近参与了一项研究，对6个物种的250000个细胞进行了分析，结果表明，控制先天免疫反应的基因进化速度快，并且在不同物种间具有较高的细胞间变异性，这两个特征都有助于免疫系统产生有效的微调反应。

我们还将看到在单个细胞中同时观察不同基因组模式的能力发展。例如，我们不局限于RNA，而是能够看到染色质的蛋白质-DNA复合物是开放还是封闭。这对理解细胞分化时的表观遗传状态以及免疫系统和神经系统中的表观遗传记忆具有重要意义。

将单细胞基因组学与表型关联的方法将会发生演变，例如，将蛋白质表达或形态学与既定细胞的转录组相关联。我认为我们将在2019年看到更多这种类型的东西，无论是通过纯测序还是通过成像和测序相结合的方法。事实上，我们已经见证了这两种技术的一种融合发展：测序在分辨率上越来越高，成像也越来越多元化。

NO.2

JIN-SOO KIM: Improve gene editors(改进基因编辑)

Director of the Center for Genome Engineering, Institute for Basic Science, and professor of chemistry, Seoul National University.（首尔国立大学基因学研究所基因组工程中心主任、化学教授。）

现如今，蛋白质工程推动基因组工程的发展。第一代CRISPR基因编辑系统使用核酸酶Cas9，这是一种在特定位点剪切DNA的酶。到目前为止，这种方法仍然被广泛使用，但是许多工程化的CRISPR系统正在用新变体取代天然核酸酶，例如xCas9和SpCas9-NG，这拓宽了靶向空间——基因组中可以被编辑的区域。有一些酶比第一代酶更具特异性，可以将脱靶效应最小化或避免脱靶效应。

去年，研究人员报告了阻碍CRISPR基因组编辑引入临床的新障碍。其中包括激活p53基因 (此基因与癌症风险相关)；不可预料的“靶向”效应；以及对CRISPR系统的免疫原性。想要将基因组编辑用于临床应用，就必须解决这些限制。其中一些问题是由DNA双链断裂引起的，但并非所有基因组编辑酶都会产生双链断裂——“碱基编辑”会将单个DNA碱基直接转换成另一个碱基。因此，碱基编辑比传统的基因组编辑更干净利索。去年，瑞士的研究人员使用碱基编辑的方式来纠正小鼠中导致苯丙酮尿症的突变基因，苯丙酮尿症是一种先天性代谢异常疾病，患者体内会不断累积毒素。

值得注意的是，碱基编辑在它们可以编辑的序列中受到了限制，这些序列被称为原间隔相邻基序。然而蛋白质工程可以用来重新设计和改进现有的碱基编辑，甚至可以创建新的编辑，例如融合到失活Cas9的重组酶。就像碱基编辑一样，重组酶不会诱导双链断裂，但可以在用户定义的位置插入所期望的序列。此外，RNA引导的重组酶将会在新的维度上扩展基因组编辑。

基因编辑技术在临床上的常规应用可能还需要几年的时间。但是我们将在未来一两年看到新一代的工具，将会有很多的研究人员对这项技术感兴趣，到时候他们每天都会使用这些技术。届时必然会出现新的问题，但创新的解决方案也会随之出现。

NO.3

XIAOWEI ZHUANG（庄小威）: Boost microscopy resolution （提高显微镜分辨率）

Professor of chemistry and chemical biology, Harvard University, Cambridge, Massachusetts; and 2019 Breakthrough Prize winner.

超分辨率显微镜的原理验证仅仅发生在十几年前，但今天这项技术相对来说再平常不过，生物学家可以接触到并丰富知识。

一个特别令人兴奋的研究领域是确定基因组的三维结构和组织。值得一提的是，基因组的三维结构在调节基因表达中起到的作用越来越大。

在过去的一年里，我们报道了一项工作，在这项工作中，我们对染色质进行了纳米级的精准成像，将它与数千个不同类型细胞的序列信息联系起来。这种空间分辨率比我们以前的工作好一到两个数量级，使我们能够观察到各个细胞将染色质组织成不同细胞之间差异很大的结构域。我们还提供了这些结构域是如何形成的证据，这使我们更好地理解染色质调节的机制。

除了染色质，我们预见到在超分辨率成像领域空间分辨率有了实质性的提高。大多数实验的分辨率只有几十纳米，虽然很小，但与被成像的分子相比却没有什么差别，特别是当我们想解决分子间的相互作用时。我们看到荧光分子和成像方法的改进，大大提高了分辨率，我们预计1纳米分辨率的成像将成为常规。

同时，瞬时分辨率变得越来越好。目前，研究人员必须在空间分辨率和成像速度之间做出妥协。但是通过更好的照明策略和更快的图像采集，这些限制可以被克服。成千上万的基因和其他类型的分子共同作用来塑造细胞的行为。能够在基因组范围内同时观察这些分子的活动，将为成像创造强有力的机会。

NO.4

JEF BOEKE: Advance synthetic genomes （先进的合成基因组）

Director of the Institute for Systems Genetics, New York University Langone Medical Center, New York City.

当我意识到从头开始写一个完整的基因组变成可能的时候，我认为这将是一个对基因组功能获得新观点的绝佳机会。

从纯科学的角度来看，研究小组在合成简单的细菌和酵母基因组方面取得了进展。但是在合成整个基因组，特别是哺乳动物基因组方面仍然存在技术挑战。

有一项降低DNA合成成本的技术将会对行业产生帮助，但是目前还没有上市。今天发生的大多数DNA合成都是基于亚磷酰胺化学过程。所得核酸聚合物的最大长度和保真度都受到限制。

许多公司和实验室都在研究酶促DNA合成——这种方法有可能比化学合成更快、更准确、更便宜。目前，还没有一家公司在商业上提供这种分子。但是去年10月，一家总部位于巴黎的叫做DNA Script的公司宣布，它已经合成了一种150碱基的寡核苷酸，几乎符合化学DNA合成的实际限制。

作为一个群体，我们还研究了如何组装人类染色体DNA的大片段，并且我们可以使用这种方法构建100千碱基或更多的区域。现在，我们将使用这种方法来解剖大的基因组区域，这些区域对于识别疾病易感性非常重要，或者是其他表型特征的基础。

我们可以在酵母细胞中快速合成这些区域，因此我们应该能够制造数十到数百种以前不可能检测到的基因组变体。使用它们，我们将能够检查全基因组关联研究中涉及的数千个基因组基因座，它们在疾病易感性方面具有一定意义。这种解剖策略可能使我们最终能够确定这些变体的作用。

NO.5

CASEY GREENE: Apply AI and deep learning（应用人工智能和深度学习）

Assistant professor of systems pharmacology and translational therapeutics, Perelman School of Medicine, University of Pennsylvania, Philadelphia.

生命科学家已经很擅长用深度学习软件和人工智能( AI )来建立预测模型，例如，告诉我们在哪里可以找到基因调控元件结合的主题。但是现在我们希望模型能揭示更深层的真相，比如基因调控本身的细节，以及为什么某些基因特征很重要。

在未来的一年里，计算方法让人兴奋，这些方法足够强大，可以用于人们发表论文时上传的大量随机基因组数据。这样的一个令人兴奋的技术就是转移学习。

使用这种方法，你可以应用与问题相关的数据集来了解该问题的广泛特征，然后应用算法所学的内容来分析你所关心的数据集。例如，在去年发表的一项研究中，我们想利用一种罕见疾病——抗中性粒细胞胞质抗体相关性血管炎——的数据集来训练一个模型。但是没有足够的数据来做到这一点。因此，我们用来自1400多项其他研究的RNA测序数据来训练我们的模型，并将该模型应用于我们的疾病，由此揭示了与免疫和代谢功能相关的基因网络，这些基因网络导致了疾病的症状。我们希望不久能看到更多关于这一问题的论文，在这些论文中，转移模型能够带来新的科学。

我希望有一天，这些方法不仅会为特定的场景和特定问题的答案提供一个预测模型，还会揭示生物学上正在发生的事情，从而产生我们看到的数据。在未来的一年里，这方面的发展将会取得一定的进步，但是这将需要大量的技术和资源投资来帮助模型解释。

1

参考文献：

1、Hagai, T. et al. Nature 563, 197–202 (2018).

2、Haapaniemi, E. et al. Nature Med. 24, 927–930 (2018).

3、Kosicki, M., Tomberg, K. & Bradley, A. Nature Biotechnol. 36, 765–771 (2018).

4、Simhadri, V. L. et al. Mol. Ther. Meth. Clin. Dev. 10, 105–112 (2018).

5、Villiger, L. et al. Nature Med. 24, 1519–1525 (2018).

6、Bintu, B. et al. Science 362, eaau1783 (2018).

7、Falcon, B. et al. Nature 561, 137–140 (2018).

8、Grayson, P. C. et al. Ann. Rheum. Dis. 77, 1226–1233 (2018).

往期精彩回顾

资讯 | 活动 | 医疗丨融资