目前正在对人和动物进行抗冠状病毒的疫苗测试。

科学家极力提醒人们对前期人类和动物研究中显现成效的结果保持谨慎。

随着冠状病毒疫苗研发工作的顺利进行，科学家首次看到了代表不同疫苗效果的数据。到目前为止，情况还不明朗。

5月18日，美国生物技术公司Moderna发表了第一项来源于人体试验的数据：其公司COVID-19疫苗在人体内引发了免疫反应，并且保护了小鼠肺部免受SARS-CoV-2型冠状病毒的感染。Moderna公司总部位于马萨诸塞州剑桥市，上述成果在一份新闻稿中宣布后广泛地被解读为积极的结果，并且抬高了Moderna公司的股价。但一些科学家认为，由于数据尚未公布，他们缺乏正确评估这些结果所需的细节。

对其他快速跟踪疫苗（fast-tracked vaccines）的测试显示，这些疫苗可以预防暴露SARS-CoV-2的猴子的肺部发生感染，但在猴子身体的其它部位却不能预防。有一种英国牛津大学（University of Oxford）正在开发的疫苗，也在进行人体试验。上周，研究人员在bioRxiv发表的一篇预印本表明，他们研发的疫苗保护了6只猴子免得肺炎，但是动物的鼻子里携带的病毒和未接种疫苗的猴子一样多。中国的一个研究小组这个月也报告了类似的关于本国的疫苗在早期动物试验中的警示。

尽管存在不确定性，但所有三个团队都在加紧进行临床试验。这些前期的人体研究主要是为了测试安全性，更大规模的临床试验旨在确定疫苗能否真正保护人类免受COVID-19的影响，可能会在未来几个月内发表。

尽管如此，这些前期数据共同提供了冠状病毒疫苗如何产生强烈的免疫反应的线索。科学家提出，动物数据对于了解冠状病毒疫苗如何发挥作用至关重要，这样就可以快速确定最有前景的候选疫苗，并且进一步完善。

威斯康星大学麦迪逊分校（University of Wisconsin–Madison）病毒学家Dave O’Connor表示，在未来12个月或18个月内，临床上有可能会产生对人类有效的疫苗，但还需要对它们进行改进，以开发第二代和第三代疫苗。

用于测试疫苗的猕猴

免疫反应

Moderna公司正在与位于马里兰州贝塞斯达的美国国立过敏和传染病研究所（National Institute of Allergy and Infectious Diseases, NIAID）共同研发疫苗，并于3月开展了人体安全测试。该疫苗由信使RNA（messenger RNA, mRNA）结构组成，用于构建冠状病毒的刺突蛋白（spike protein）。它能使人体细胞大量产生外源蛋白，以警示免疫系统。虽然这种基于RNA的疫苗很容易开发，但还没有一种疫苗获得许可。

该公司在其新闻稿中称，45名接受过一到两剂疫苗的研究参与者对病毒产生了强烈的免疫反应。研究人员测量了25名参与者体内的病毒识别抗体水平，相比于COVID-19康复者，检测到的血液抗体水平相似或更高。

Moderna公司的首席医疗官Tal Zaks在向投资者介绍情况时表明，这些抗体水平预示着该疫苗可以很好地预防感染。如果能达到患过该病患者的水平，应该就足以预防疾病。

但目前还不清楚疫苗引起的免疫反应是否足以保护人们免受感染，因为Moderna还没有分享他们的数据，德克萨斯州休斯敦市贝勒医学院（Baylor College of Medicine）的疫苗科学家Peter Hotez表明，其并不相信这真的是一个阳性结果。他指出，5月15日发表在bioRxiv的预印本发现，大多数从COVID-19中康复的患者在没有住院治疗的情况下，并没有产生高水平的“中和抗体”（neutralizing antibodies，这种抗体可以阻断病毒感染细胞）。在8名受试参与者中测量这些强效抗体水平后，Moderna发现他们与康复后的患者相似。

Hotez也对牛津团队的初步结果表示怀疑，他发现，猴子在接受一剂疫苗后，产生的中和抗体水平不高（与人体试验中相同的制度）。Hotez认为，似乎需要相当高的抗体水平才能提供保护。该疫苗由一种黑猩猩病毒制成，该病毒经过基因改造后产生一种冠状病毒蛋白。

Hotez表明，5月5日发表在《科学》（Science）杂志上的一篇论文阐述，北京华锐生物技术公司（Sinovac Biotech）正在研发的疫苗似乎在接受了三剂的猕猴身上引起了更有前景的抗体反应，该疫苗是由化学灭活的SARS-CoV-2颗粒制成的。

目前还没有人知道保护人们免受COVID-19感染的免疫反应的确切本质，在牛津大学的研究中，猴子产生的中和抗体的水平似乎足以保护人们免受感染。同为密苏里州圣路易斯市华盛顿大学（Washington University）的病毒免疫学家和莫德纳的科学顾问委员会成员的Michael Diamond认为，如果不能提供保护，那么第二次注射将可能提高抗体水平。但是不知道的是，这些抗体会持续多久。

在显示疫苗可以保护动物免受感染的实验中仍然存在着更多的疑问。Moderna公司表明，其疫苗阻止了病毒在小鼠肺部的复制。但是根据Zaks的介绍，啮齿类动物已经感染了一种经过基因修饰后的病毒变体，使其攻击小鼠细胞，通常使其不易感于SARS-CoV-2。但这种突变影响了大多数疫苗（包括Moderna公司的疫苗）用来刺激免疫系统的蛋白质，这可能会改变动物对感染的应答。

牛津大学的试验猴子在接受疫苗后被注射了高剂量的病毒，牛津大学的疫苗专家Sarah Gilbert（Gilbert与位于蒙大拿州汉密尔顿NIAID实验室的病毒学家Vincent Munster共同引领了这项研究）认为，这可以解释为什么相比于对照组，接种过疫苗的动物有同样多的SARS-CoV-2遗传物质在它们的鼻子里，即使接种过疫苗的猴子没有发展出任何肺炎的迹象。给予高剂量的疫苗可以确保动物感染病毒，但它可能无法复制自然感染。Diamond认为，牛津大学的研究并没有测量病毒是否仍然具有传染性，遗传物质可能代表的是由猴子的免疫应答后失活的病毒颗粒，或是研究人员注射的病毒，而不是一种持续感染。

尽管如此，结果还是提出了接种过疫苗的人仍可能传播病毒的可能性，宾夕法尼亚州匹兹堡大学疫苗研究中心（University of Pittsburgh Center for Vaccine Research）的大气生物学家Douglas Reed认为，理想的情况是，能够有一种疫苗既可以预防疾病，也可以防止传播。

安全标志

研究人员表明，虽然评估一种疫苗的潜在疗效是困难的，但最新的数据在安全性方面是比较明确的。Moderna公司的疫苗在受试参与者中几乎没有引起严重的和持久的健康问题。接种过疫苗的牛津猴和西诺威猴在感染后也没有出现病情加重的情况，这是一个关键的令人担忧之处，因为导致SARS的相关冠状病毒灭活疫苗在猕猴中出现了这种迹象。

爱荷华市的爱荷华大学（University of Iowa）冠状病毒学家Stanley Perlman表明，没有数据能阻止开发者开展人体试验以确定疫苗是否发挥效应。

Moderna公司将很快将开展一项包含600名参与者的临床2期试验，并有望在7月开始更大规模的3期临床疗效试验，以测试该疫苗是否能在高危人群中预防疾病，如医护人员和有潜在医疗障碍的人。Zaks表明，包括一些猴子在内的进一步动物试验研究正在进行中，因为目前还不清楚哪种动物最能预测疫苗是否发挥作用以及如何发挥作用。

牛津大学的团队已经在本国的试验中招募了1,000多人。一些志愿者已经接受了安慰剂处理，因此试验可以在未来几个月内确定是否疫苗在人类身上有作用。Gilbert表明，该团队的猴子在并研究中没有出现安全问题，这让人感到欣慰。

Gilbert表明，我们真的不需要更多来自动物试验的数据以继续研究，如果我们发现了在人类身上有疗效，我们就获得了人类的免疫疗效，这才是最重要的。

原文检索：
Ewen Callaway. (2020) Coronavirus vaccine trials have delivered their first results — but their promise is still unclear. Nature, 581: 363-364. 
郭庭玥/编译

欧盟最高法院裁定，使用基因编辑技术创造的作物仍属于转基因作物，需接受和转基因作物一样的法律监管。

欧盟最高法院的裁定影响了基因编辑作物研究。

2018年7月25日，欧洲最高法院裁定，基因编辑作物应接受与传统转基因（genetically modified, GM）生物相同的严格监管。

这一裁定由位于卢森堡的欧洲联盟法院（Court of Justice of the European Union, ECJ）做出。该裁定一出，给欧洲包括许多科学家在内的基因编辑支持者们浇了一盆冷水。基因编辑作物的支持者们原以为，使用相对较新的、精确的基因编辑技术（如CRISPR-Cas9）创造的作物可以不受现行欧洲法律对转基因作物种植和销售的监管和限制。

没想到的是，欧洲法院裁定，使用这些技术创造的作物也属于“2001条例”的约束范围。“2001条例”是针对较老的育种技术而制定的法律，它给转基因作物的开发带来了很大的障碍。

荷兰瓦赫宁根大学（Wageningen University）专门研究国际法和欧洲法的法律学者Kai Purnhagen表示，这是一个非常重要的决定，而且这个决定非常严苛，这意味着，所有利用CRISPR等技术开发的作物都需要经历欧盟漫长的审批过程。

Purnhagen表示，这可能会阻碍欧盟对基因编辑作物基础研究而进行的投资。一定程度上，他认为公司对投资这方面的技术不会有兴趣，并转而投资其它更易商业化的技术。

英国哈普敦洛桑研究所（Rothamsted Research in Harpenden）的作物遗传学家Nigel Halford指出，这项裁决“非常令人失望”。他表示，这真是一个真正的打击，虽然基因编辑技术仍将被用于开发作物的研究工具，但他怀疑欧洲的公司是否还会对进行这方面的研究感兴趣。毕竟，商人逐利，他们不会投资难以商业化的技术。
 
与此同时，环保组织“地球之友”在一份声明中力挺这项裁定。并且，该组织还呼吁对所有采用基因编辑技术创造的产品进行监管，评估其健康和环境影响，并加以标记。

DNA变化

“2001条例”针对的是向环境故意释放转基因生物，并且监管范围是插入了整个外源基因或长链DNA的物种。该法律豁免了使用“诱变”技术（例如辐射）修饰基因组的生物，因为这类技术虽然改变了物种的DNA，但没有引入外来遗传物质。

2016年，法国政府要求欧洲法院裁定新出现的作物育种技术是否属于“2001条例”的监管范围。

许多植物育种者和科学家认为，像CRISPR-Cas9这样的基因编辑技术应该算成是诱变，就像辐射一样，因此可以免除监管。毕竟基因编辑只涉及DNA的变化，而不涉及外来基因的插入。但反对转基因生物的人认为，通过基因编辑特意地改变物种基因组应当遵循指示受到严格监管。

今年1月，法院的一名法律总顾问Michal Bobek发表了一份长达15000字的意见，而正反双反都认为该意见对己方有利。Bobek认为，基因编辑作物确实属于“2001条例”中的转基因生物，但是只要这些作物不包含其它物种DNA或人工引入的外源DNA，就可以获得豁免。

但最终欧洲法院裁定，只有“通常在许多应用中使用并具有长期安全记录的诱变技术才能免除这些义务”。“2001条例”出台之后，使用包含基因编辑在内的诱变技术的生物都不能豁免。

缺乏激励

瑞典于默奥大学（Umeå University）的植物生理学家Stefan Jansson表示，这将对基因编辑研究产生寒蝉效应，就像转基因生物立法在过去的15年里产生的效果一样。基因编辑作物不会从欧洲研究实验室消失，但他担心研究基金可能会枯竭。如果研究者无法研发对社会有益的东西，那么就很难获得研发资金的支助。

Jansson还有一个更实际的担忧。他开发了一种 “CRISPR白菜”，种在自家的菜园里，并已经在食用了。他告诉《自然》（Nature）杂志的记者，他昨天拍了一张照片，在这个裁定发布后又拍了一张照片。它仍然是同一种植物。昨天它不是转基因生物，但今天它是转基因生物。我该怎么办？是不是该除掉它们？

Purnhagen指出，这项裁决可能留下了一个漏洞，如果科学家能够证明基因编辑技术与已经豁免的诱变方法（例如辐射）一样安全，那么这种新技术同样也可以豁免。

但他怀疑开发基因编辑作物的研究人员和企业是否会坚持下去。Purnhagen感觉CRISPR-Cas9之类的新技术难以在欧盟获利。这类技术的研发和商业化估计会搬到其它地方去。

原文检索：
Ewen Callaway. (2018) CRISPR plants now subject to tough GM laws in European Union. Nature, 560: 16.
张洁/编译

哺乳动物合成生物学由于缺乏易于编程的元件而发展不顺。尤其是，随着工程化生物系统的普及，科学家迫切需要一种对内源细胞机器进行外部控制的方法。来自Ngo和Lin实验室的论文提供了一种通用技术——使用丙型肝炎病毒（hepatitis C virus, HCV）蛋白酶介导的自切割连接体和HCV蛋白酶抑制剂来稳定连接体，控制哺乳动物细胞中蛋白质的活性（图1）。

图1 在LInC和StaPL系统中，包含HCV蛋白酶及其同源识别序列的连接体被插入目的蛋白及其调节结构域之间。自切割连接体要么释放有活性的蛋白，要么释放失活的蛋白，这取决于调节结构域的性质。经HCV蛋白酶抑制剂（红色星星表示）处理能稳定自切割连接体，从而触发目的蛋白的活化或失活。

可控生物元件的开发是合成生物学领域的一个焦点，其最终目的是为基础科学和医学应用中的生物系统提供新功能。小分子调节剂是备受欢迎的外部控制元件，它们可以实现精确的时间调控，适用于动物，甚至人类。鉴于此，许多小分子控制系统已成为蛋白质工程的主流方法。20世纪90年代早期，雷帕霉素诱导二聚化系统的发展促使其它化学诱导二聚化（chemical-induced dimerization, CID）技术大量出现。这种技术通过与小分子结合来调节蛋白质定位，或把“分裂”的蛋白组装在一起。CID的缺点是每种靶蛋白需要在小分子存在下经由二聚化过程而被有效激活，然而，当小分子不存在时，活化程度大大降低。在实际应用中，这需要对每个待控制的目标进行广泛的优化，并且仅在二聚化可以调节目标活力时起作用。

高选择性且有效的HCV蛋白酶抑制剂的开发，极大地促进了对强大的小分子诱导型控制系统的需求。健康的人类细胞中没有HCV蛋白酶。由于能够特异性地、可控地切割特定氨基酸序列，所以该蛋白酶成为了工程化蛋白酶介导的细胞活性调控的有用工具。临床上批准的HCV蛋白酶抑制剂可以应用于表达HCV蛋白酶的细胞，以选择性地调节特定靶标的蛋白水解。例如，HCV蛋白酶已被批准用于监控蛋白质合成，原理是从目的蛋白质切割出一个降解决定子，以调节蛋白质的产生。另外，我们实验室在连接体中加入了T7 RNAP抑制剂和T7 RNAP，以及一个HCV蛋白酶识别序列，使得从T7启动子处开始的转录受反式HCV蛋白酶表达的调节。尽管这些技术展示了基于HCV蛋白酶的生物技术的实用性，但是它们依赖于针对每个靶标的多组分系统和工程构建。

现在，在这两项新研究中，HCV蛋白酶和HCV蛋白酶识别位点被整合到一个连接体中。该连接体可以插入蛋白质或蛋白质融合体之间，这样HCV蛋白酶可以顺式切割HCV切割位点，就像它在HCV蛋白质组中所做的那样，然后通过外源添加的HCV蛋白酶抑制剂使自切割连接体失活，从而调节蛋白活性。简单来说，就是把自切割连接体与目标蛋白质连接在一起，连接体的蛋白水解会使靶蛋白的活性增加或降低，添加HCV蛋白酶抑制剂后，“关闭”或“开启”蛋白活性。

Tague等人称自己的方法是“配体可诱导连接”（ligand-inducible connection, LInC）。他们首先通过将自切割连接体插入到Gal4基因的DNA结合结构域和转录激活结构域之间，来验证LInC在控制基因表达上的作用。一旦连接体被表达，自切割连接体就会分离激活结构域与DNA结合结构域，产生无活性的转录因子。然而，当用各种蛋白酶抑制剂处理时，HCV蛋白酶失活，由于活性的非水解蛋白的稳定化，Gal4依赖性转录被激活。然后，Tague等人使用多个不同的DNA结合结构域很好地展示了该系统的通用性，包括靶向内源基因座的dCas9结构域和多种转录激活结构域，来开发多种小分子转录调控因子。Tague等人还使用LInC融合的膜靶向结构域，开发了“关闭”转录因子，并发现两种工程化转录因子可同时用于多模式控制。最后，他们通过小分子来控制细胞间Notch信号传导，调控细胞表面受体，证明了该方法的多功能性。

Jacobs等人将自己的方法称为“可稳定的多肽连接” （stabilizable polypeptide linkage, StaPL），StaPLs也可以被插入到靶蛋白中。他们首先构建了两种HCV蛋白酶变体，每种变体对两种不同的小分子的抑制具有选择性敏感性，最终得到两种正交的StaPL。为了验证正交性，作者使用降解标记的蛋白质，包括GFP和两种人类蛋白质，并证实了在使用与靶标对应的HCV蛋白酶抑制剂处理时，细胞中才能观察到完整的目标蛋白。在证明了两个正交StaPL-抑制剂组合能够对两个靶标进行正交控制后，作者通过将转录激活或抑制结构域连接到基因座特异性锌指结合结构域（locus-specific zinc-finger binding domains）来产生小分子活化的转录调节因子。作者以血管内皮生长因子（vascular endothelial growth factor, VEGF）合成作为模型，证明了使用两个正交的小分子可以同时双向控制VEGF抑制和激活。接下来，他们进一步证实，通过将StaPL插入dCas9蛋白的非结构化环区域，可以使dCas9转录激活因子系统受小分子调控。同样地，仅在存在小分子抑制剂的情况下，该蛋白才能稳定，并且靶向转录（即VEGF合成）才被触发。最后，作者通过诱导同源二聚化导致caspase-9激活，最终通过抑制剂处理诱导细胞死亡，进一步扩大了StaPLs的使用范围。

除了简化工程化流程外，这两种方法的关键优势在于每种工程化蛋白质仅需要表达一个基因，而不需要表达一个多组分感知系统。此外，工程化蛋白质系统不依赖于内源性降解或运输机制，这让调控结果更具可重复性，并且在多种细胞中都通用。这两种技术的一个直接应用是调控基于CRISPR-Cas9的基因组编程或基因表达调控系统，这在两项研究中都得到了验证。这些工具的另一个潜在应用是调控细胞疗法，或者作为一个死亡的开关，以产生可编程的响应。然而，应该注意的是，某个小分子在临床上被批准用于一种特定的医学应用，并不意味着在其它应用中没有脱靶效应，或者副作用在可承受范围内。然而，使用已获得临床批准的分子来开发合成生物学工具是非常有吸引力的，因为这样可以精简技术进入临床的流程。

原文检索:
Bryan C. Dickson. (2018) Controlling protein function with HCV protease. Nature Methods, 15: 489-490.
张洁/编译

研究人员正在寻找从肿瘤组织上脱落的休眠细胞，并让它们继续保持沉默。

几十年来，癌症治疗策略的经典思路是设计药物，杀死快速分裂的肿瘤细胞。但近年来许多癌症研究人员开始转变观念：靶向分散在身体各部位的恶性休眠细胞。

这些休眠细胞散布在身体各处，一旦被激活，就会引发癌症转移，而癌症转移是90%的癌症相关死亡的原因。靶向增殖性肿瘤细胞的治疗往往会漏掉这些沉默细胞，因为它们处于休眠状态，不会活跃地分裂。

休眠的癌细胞数目非常少，人们很难从身体数十亿个正常细胞中筛选出来。纽约市西奈山伊坎医学院（Icahn School of Medicine）的癌症研究人员Julio Aguirre-Ghiso表示，多年来，研究人员缺乏研究它们的工具。但是这一现状已开始发生改变。

从6月19日至22日，研究人员将齐聚加拿大蒙特利尔，探讨癌症休眠细胞相关问题。Aguirre-Ghiso指出，这是首个聚焦于这些休眠癌细胞的学术会议。参与会议的研究人员非常多，这表明，人们认识到这是一个重要的临床需求。

对于复发率很高的癌症，如乳腺癌、前列腺癌和胰腺癌等，这种需求更加迫切。加州劳伦斯伯克利国家实验室（Lawrence Berkeley National Laboratory）的癌症研究人员Mina Bissell表示，无论是切除肿瘤，还是放疗，癌症迟早会转移。所以关键的问题是，转移的来源是什么？

跟踪沉默细胞

越来越多的证据表明，休眠细胞在其发育早期脱离母体肿瘤，并通过血管进入体内的新位点。但是，在进入其它组织或器官之后，这些细胞将进入睡眠状态，即处于休眠状态，直到被触发——触发机制尚不明确。被激活后，它们才开始分裂，并形成新的肿瘤。

当癌症研究人员试图研究这种休眠时，他们很快遇到了一个问题：癌症小鼠模型通常被设计成快速生长出高度致命的原发性肿瘤。然而，研究休眠的研究人员需要缓慢生长的肿瘤——从而有足够时间去除快速增殖的癌细胞——并且能够在原发肿瘤被移除很长时间后跟踪这些休眠细胞。

印第安纳大学（Indiana University）的乳腺癌专家Kathy Miller指出，传统的癌症动物模型很难研究这些休眠细胞。但是，几个实验室已经取得了进展，开发了可在一年以上追踪休眠细胞的小鼠癌症模型。

识别这些细胞的技术也在不断改进：杜克大学医学院（Duke University School of Medicine）细胞生物学家Joshua Snyder使用荧光标记混合物来鉴定和追踪表达癌症相关基因的恶性癌症细胞。而在蒙特利尔会议上，弗雷德哈钦森癌症研究中心（Fred Hutchinson Cancer Research Center）的遗传学家Jason Bielas将介绍他使用特定DNA序列来对这些细胞进行条形码分析的初步结果。获得结果后，便可使用便宜的DNA检测方法，从十亿个细胞中识别出一个休眠细胞。

一旦确定了休眠细胞，就可以用新技术分析这些细胞的基因表达与正常细胞的不同之处，最后确定诱导休眠的因素以及唤醒休眠细胞的触发因素。Miller表示，有了这些信息，我们就有可能防止休眠细胞复苏。只要这些细胞仍然处于休眠状态，它们就不会杀死癌症病人。

识别抑制机制

让休眠细胞维持休眠状态的研究一直在进行。2015年，Aguirre-Ghiso的实验室发表文章指出，两种经过FDA认证的药物——5-氮杂胞苷和维甲酸——联用，在体外和在体内实验中都可以诱导前列腺癌细胞休眠。现在，西奈山肿瘤学家William Oh等人正在招募前列腺癌患者来测试这一发现。

一些学者正在研究如何彻底杀死休眠细胞。Aguirre-Ghiso实验室的癌症研究人员Veronica Calvo-Vidal等人与Eli Lilly公司合作，开发了PERK蛋白抑制剂。PERK蛋白在休眠癌细胞中异常高水平表达。对小鼠的早期研究表明，该抑制剂可以杀死细胞，该团队现在正在分析个别休眠细胞中的基因表达，以更多地了解抑制剂的作用机制。

但Miller提醒，确定哪些癌症最有可能复发的方法也很重要，这样可以帮助医生选择哪些患者需要接受这种治疗。她和其他治疗乳腺癌的肿瘤学家已经在努力判定哪些患者应该接受进一步的激素治疗，以降低复发性肿瘤的风险。她还表示，她们已经做了很多工作，目前距离准确预测癌症复发的时间不远了。

原文检索：
Heidi Ledford. (2018) Cancer researchers target the dormant cells that seed tumours. Nature, 558: 355-356. 
张洁/编译

最近对早期人类胚胎的单细胞基因表达（RNA测序）分析提供了发育进程的分子时间过程。通过这种方法，科学家发现了扩展囊胚（胚胎期第5天（E5）空化囊胚）中的三种不同的细胞谱系：外滋养层（outer trophectoderm, TE）、外胚层（epiblast, EPI）和封闭内细胞团（enclosed inner cell mass, ICM）的原始内胚层（primitive endoderm, PrE）（图1）。虽然许多细胞谱系标志物，如CDX2（caudal-type homeobox protein 2）、POU5F1（POU domain, class 5, transcription factor 1）和SOX17（SRYbox 17）在小鼠胚胎发育中保守表达，不过表达时间有差异。在人类中，在扩大囊胚阶段之前不易通过转录谱分离这三种细胞谱系，但在小鼠中，在囊胚空化形态学事件之前ICM和TE的转录谱是不同的，因此是可以分离的。在小鼠中，囊胚的外层细胞会分化成32细胞阶段胚胎中的TE细胞。相比之下，完全发育的人类囊胚的TE细胞仍然能够再生整个囊胚。这些观察结果表明，人类胚胎的谱系分离发生在囊胚形成后，而小鼠的谱系分离是逐渐进行的。

图1 体外培养12天后的人类囊胚模拟了移植后发育的细胞层。

如果这个结论属实，那么就意味着小鼠和人类之间的谱系分离差异对驱动谱系分化的上游信号事件的跨物种比较有影响。例如，在囊胚形成之前小鼠胚胎的外部和内部细胞之间Hippo信号传导的差异在引导ICM分化成TE过程中起重要作用。然而，在人类中，是否存在相同的途径则尚不清楚。此外，成纤维细胞生长因子（fibroblast growth factor, FGF）信号传导的差异是引导小鼠ICM分化成EPI和PrE的关键，但阻断人类胚胎中的FGF信号传导并不影响PrE的形成，这表明其它信号通路可能与此谱系决定相关。这一发现的意义在于，需要提供体外关键信号条件以确保IVF胚胎的正确发育。

直接评估早期胚胎中的基因功能可以确定小鼠和人类之间的差异的重要性，但是直到CRISPR-Cas基因编辑技术出现后，科学家才能完成这类实验。少数几个区域允许在早期人类胚胎中进行实验性基因编辑，以探索基因功能和生殖细胞基因矫正对遗传疾病的治疗效果。人类胚胎中POU5F1的基因编辑实验结果显示，该基因被敲除的突变胚胎无法发育到囊胚阶段。这表明相比于小鼠，POU5F1在人类发育的更早阶段发挥了作用。

尽管直接在IVF条件下培养的人类胚胎中研究囊胚阶段之前的早期发育是可行的，但是胚胎植入后的发育研究就需要新的技术。最近，科学家已经在2D培养系统中培养出了囊胚，并达到了EPI、羊膜和卵黄囊形成的初始阶段。尽管这些培养的胚胎组织结构不佳，并且未能在10到12天后继续发育，但通过改善细胞外基质和培养条件可以支持人类胚胎发育至下一个里程碑阶段——原肠胚E14形成。目前这类实验并未开展，因为全球几乎普遍禁止培养14天以上的完整人类胚胎。14天标志着神经系统发育的开始。鉴于14天以上的培养有可能为早期发育的关键事件提供新的见解，目前监管机构正在就是否应该重新审议14天规则问题进行讨论。

鉴于对人类胚胎培养的伦理担忧以及体内植入后发育阶段研究的不可获得性，科学家在考虑使用替代模型来开展人类早期发育的研究。人类和非人类灵长类胚胎的形态特征之间非常相似（图2）。对食蟹猴（cynomolgus monkey）移植后胚胎的研究揭示了羊膜形成、滋养细胞发育（形成胎盘）、生殖细胞形成和原肠胚形成过程的细节，以及支持这些事件的一些关键基因表达的时间和空间位置。尽管非人灵长类动物的胚胎可能适合进行直接实验，并且可能用于基因修饰实验，但这些研究在技术上具有挑战性，并且还伴随着动物伦理和护理问题。此外，非人灵长类胚胎在多大程度上可以被认为是人类胚胎实验的替代物还存在疑问。

最近，已有研究表明培养人多潜能胚胎干细胞（embryonic stem, ES）可以产生胚胎样结构（胚状体）。在人类多潜能胚胎干细胞的微模式培养（micropatterned culture）中，2D细胞类型和相关基因表达谱都与小鼠胚胎胚层中的有序模式类似。这些模式的构造并不能完全重现原肠胚标志性的3D结构。相反，3D基质中多潜能干细胞的培养可以产生能重现EPI和羊膜形成的胚状体结构。

在小鼠中，3D培养的ES细胞会产生类原肠胚结构。这些结构不仅具有EPI，而且还有局部化的原始条纹状结构和前-后组织模式（胚胎发育中前侧和后侧细胞会分化成不同的细胞谱系），这是原肠胚阶段胚胎的独特特征。在没有胚外组织（如滋养层和PrE）的情况下发育到这种组织程度是非常有意义的，因为胚外组织通常会提供局部信号以引导细胞定向分化。此外，联合培养ES细胞和滋养层干细胞（trophoblast stem, TS）可以模拟一些胚胎-胚外组织的相互作用，并且能够产生类似于囊胚的类囊胚和类似于原肠胚前胚胎的类胚体。这些发现进一步证实了人类ES细胞和人类TS细胞的联合培养可能为人类发育提供近似度较高的实验模型。在这个关键时刻，迫切需要解答的问题是：这些胚胎样结构的发育是否足够类似人体胚胎的体内发育，这些模型得到的结果是否与早期人类发育具有科学上的相关性。未来需要直接对人类胚胎进行研究，以建立一个发育研究的范例，以作为这些胚胎样实体发现的评估依据。

图2 胚胎发育的实验研究。

人类胚胎学研究的目标是获取关于早期人类发育的细胞和分子机制的基础知识，并促进其在生殖技术、基因编辑、干细胞研究和预防遗传性出生缺陷方面的应用。虽然这些知识最好从研究人类胚胎上获得，但人体IVF胚胎研究必须遵守关于“适度”和“同意”的伦理、法律和实践原则。许多管辖区禁止以研究为目的地去创造胚胎，这其实也禁止了某些实验的可行性，例如受精和合子形成前的生殖细胞基因编辑。未来，干细胞衍生的胚胎样结构或许足以取代人类胚胎，成为人类发育研究的模型系统，为人类早期发育提供最有用的见解。

随着用于产生干细胞衍生的胚胎样结构的技术提高，这些生物构建体将更接近人类胚胎。这就出现了一个问题：这些实体是否会受到与人类胚胎一样的道德限制？体外发育的14天限制是否会应用于这些胚胎样培养物？14天规则的胚胎学知识是基于人类胚胎的罕见数据和小鼠发育和形态学研究总结得出的，而不是基于人类胚胎的实验发现。如果人类类胚胎和原肠胚可以在14天后继续发育，那么14天规则可能就毫无意义，并且限制了相关研究的进展。因此，在考虑是否维持或修改14天规则之前，为了测试科学价值以及伦理和法律实用性，必须对人类早期胚胎发育和替代性的胚胎学模型进行严格控制的研究。
 

原文检索：
Janet Rossant and Patrick P. L. Tam. (2018) Exploring early human embryo development. Science, 360: 1075-1076. 
张洁/编译

新的单细胞分子分析技术正在迅速改变生物医学研究。但单细胞数据分析存在一定的障碍，即不同平台的数据、同一平台的不同时间的数据、同一个样品不同实验方案的数据，以及同一个样品不同时间的数据间都存在的批次效应（batch effect），导致比较各个实验结果的数据的工作难度很大。近期Hemberg和Shen-Orr实验室分别提出了不同的方法，用于比较涉及不同条件、技术，甚至物种的实验的细胞样品。

单细胞RNA测序技术（single cell RNA sequencing, scRNA-seq）可以通过大量的单细胞生物信息学分析而获得生物学见解。许多研究都依靠维度降低技术来将数据2D或3D化。尽管这些方法揭示了细胞之间的相似性和差异性，但难以得到可量化的比较结果。此外，无监督聚类法（unsupervised clustering）通常基于基因表达谱的相似性而对单个细胞进行分类，并且帮助科学家解读群体异质性，例如确定新的细胞类型。但单个样本通常包含可能处于一个定向过程的不同阶段的异质细胞群体，例如正在分化或对扰动产生响应的细胞群体。目前科学家已经使用scRNA-seq技术来研究在这种动态过程中基因表达模式的变化，通过在虚拟时间轴（pseudotime axis）上对细胞进行计算排序，以重建该过程。

单细胞表达谱最令人兴奋的应用之一是比较不同状态下细胞基因表达的差异。这对于了解疾病和确定潜在的治疗靶标具有非常重要的意义。最近，研究人员开始将自己的数据与参考样本的数据进行比较，这也是最近多项计划，如人类细胞图谱计划（Human Cell Atlas initiative），正在努力推出数据集的标准参考数据的原因。虽然将来自多个实验的scRNA-seq数据结合起来意义非凡，但由于样品来源、制备和测序的差异，而非细胞状态造成的差异，使得整合来自不同试验的单细胞测序数据变得非常困难。

Kiselev等人提出了一种将细胞实验数据与注释参考数据相互联系起来的方法（图1a）。他们的算法名为scmap-cluster，它分析了待测样本的基因表达的空间距离，以便将细胞与参考数据中最相似的细胞匹配起来。scmap首先会选定执行计算所需的一系列特征指标。有趣的是，研究人员发现，相比于选择高度可变或随机的基因作为参考，选择期望表达频率高于0的基因能产生更准确的映射，这一发现对于其它类型的scRNA-seq数据分析也可能是有意义的。尽管该算法尝试将细胞与参考集相匹配，但如果细胞的基因表达模式与参考数据差异较大，那么细胞便不会被归类。这是一个值得认真考虑的因素，因为不同实验中的细胞类型可能不完全相同。Kiselev等人向用户提供了R安装包（R package）和Web版本，并确保算法能在大型数据集上快速运行，这种做法非常值得学习。

由于离散聚类不容易捕捉到分化过程的连续过程，Kiselev等人又提出了一种近邻取样方法，即将细胞与非聚类（例如虚拟时间轴排序）的参考数据集匹配起来。

为了更深入地比较虚拟时间轴排序，Alpert等人开发了cellAlign算法。cellAlign使用动态时间来将待测样本的动态表达谱与参考数据集的动态表达谱匹配起来，从而实现动态表达模式的比较（图1b）。令人兴奋的是，cellAlign不仅能够比较整个转录组，还可以利用特定的基因或基因模块来评估实验条件之间的差异。Alpert等人甚至分析了来自植入前胚胎的scRNA-seq数据，以鉴定人类胚胎和小鼠胚胎在发育过程中的基因模块表达模式之间的差异，由此证明其算法在比较来自不同来源的数据上的能力。

由于scmap和cellAlign的目的不同，前者更注重聚类，而后者更注重动态变化，因此选择哪一种算法将取决于所研究的问题。值得注意的是，这两种方法都不以“批量修正”数据为目的，而是以帮助下游分析，如降低综合数据集的维度为目的。Satija和Marioni的实验室也提出了一种类似的算法，其适用于特定目的，例如寻找在不同条件下差异表达的基因。此外，科学家也在研究虚拟空间排序算法。该算法不是按时间进度排序，而是按照单个细胞的基因表达来推算其位置坐标，然后进行位置排序。

不管是scmap，还是cellAlign算法，它们的优点都在于揭示扰动是如何影响基因转录谱的，特别是在疾病的情况下。比较分析来自人类或来自小鼠模型的受干扰细胞群与其野生型对照组，应该能够发现哪些细胞群体或分化阶段受到最大的影响，以及基因表达发生了哪些改变。

比较通过不同方案产生的数据时，其中一个困难是解决不同方法所固有的技术特性的差异，例如每个细胞中检测到的基因数目的巨大差异。Kiselev等人和Alpert等人都简单地介绍了这一点：scmap的创建者指出，他们的算法通过努力寻找离零表达基因（通常是由于数据库生成期间遗失或捕获失败）最近的细胞来克服这一障碍，cellAlign的开发者则讨论了由于数据中的技术差异而需要扩展基因表达的问题。未来还需要进一步探索如何在scRNA-seq领域可靠地比较不同技术产生的不同数据集。大规模整合数据集的计划，如人类细胞图谱计划，肯定会有助于推动该领域的进一步创新。

原文检索：
Liam Drew. (2018) Fighting the inevitability of ageing. Nature, 555: S15-S17. 
张洁/编译

微管的不对称修饰，可以解释染色体的优先遗传机制。

最近的研究表明，两条姐妹染色体的着丝粒（减数分裂过程中介导染色体分离的、与微管结合的染色体区域）在雌性减数分裂过程中相互竞争以获得遗传。鉴于此，介导准确染色体分离的基本DNA序列实际上是侵入我们基因组的“自私”（或寄生）遗传元件。对此，Akera等人提供了迄今为止最详细的分子机制，他们解释了寄生DNA序列如何利用卵母细胞减数分裂的不对称性来确保自身的特征能够遗传下去，并因此在种群中得以传播的机制。

着丝粒DNA由包含1000个拷贝的、非常短的（100-300个碱基对）的一个序列组成，这个序列在拷贝数和序列上快速增加。科学家们对此有两种完全不同的猜想。一种猜想是，这些DNA可能具有重要的功能；另一种猜想则是这些短的DNA序列可能是自私的，只会促进其自身的遗传，而对宿主生物体没有任何功能益处。破译这个谜题非常重要——着丝粒重复序列是我们基因组中最丰富的非编码DNA，但到目前为止，我们却不知道它们是否有作用，如果有，作用是什么。最近的一些研究结果显示，着丝粒DNA可能确实是自私DNA，也就是对生物体自身无任何功能益处的垃圾DNA。 

标准的实验室小鼠品系有20个不同的染色体，每个染色体的一端都有着丝粒（端着丝粒，telocentric）。相反，某些隔离的野生小鼠群体具有10条染色体，每条染色体由两个端着丝粒染色体融合成一个染色体而成，着丝粒位于中间（中央着丝粒，metacentric）。实验室小鼠和野生小鼠杂交后得到的雌性后代表现出一种名为减数分裂驱动的特性。这些雌性小鼠的卵母细胞在减数分裂时，并不会随机地将端着丝粒染色体或中央着丝粒染色体遗传给卵子，而是有倾向性地进行遗传。目前人们对这些发现的了解还不深入，因为这一现象只解释了为什么野生种群的老鼠往往携带的都是端着丝粒染色体，或者都是中央着丝粒染色体，但没有解释具体机制。

最近的研究表明，相对于不经常被遗传下来的染色体，优先传播给后代的染色体的着丝粒重复序列的拷贝数更高，可达前者的6倍，并且携带的动粒蛋白（kinetochore protein）更多。具有更多重复拷贝和更多动粒蛋白的优先遗传的着丝粒被称为“强”着丝粒，并且它们优先朝纺锤体的卵子方向移动。具有较少重复拷贝的“弱”着丝粒则优先地朝质膜移动，在染色体分离后它们将被保留在极体中，并随着极体的消失而消失。即使在具有相同染色体数目的动物杂交得到的后代（即姐妹染色体都具有端着丝粒或都具有中央着丝粒）中，着丝粒重复序列的数目也会影响分离偏好。这表明减数分裂驱动发生在每个杂交品系中，而不只发生于具有不同染色体数目的动物杂交的罕见情况下。

简单地增强一个着丝粒，并不足以解释这种优先遗传现象。动粒是位于着丝粒上两侧的蛋白质结构。在细胞分裂过程中，纺锤体的纺锤丝需连接到染色体的动粒上，牵拉染色体到细胞两极。每个动粒与微管的末端结合，产生力来牵引染色体向纺锤体的一极移动。如果一对着丝粒产生的作用力较大，那么在染色体分离之前，这对染色体就已经开始偏向纺锤体的一极，而这会导致一对染色体的两个着丝粒与纺锤体同一侧发出的微管结合。如果在雌性减数分裂过程中，这一错误没有得到纠正，那么最后得到的卵子就会多一条染色体，受精发育后形成的后代往往会流产或早逝（如发生二十一三体综合征）。

Akera等人进一步解释了染色体不对称分配的机制。纺锤体首先在卵母细胞中心附近组装，这里的纺锤体在结构上是对称的，强和弱的一对着丝粒各自随机地向两个纺锤体极移动。纺锤体微管向质膜（极体一侧）的迁移使结合的染色体靠近质膜。来自染色体的近距离信号[鸟苷三磷酸（GTP）-Ras相关核蛋白（RAN）]局部激活质膜上的邻近依赖性信号[GTP-细胞分裂调控蛋白42同系物（CDC42）]。随后，GTP-CDC42使得靠近质膜的微管比远离质膜的微管更倾向于酪氨酸化。动粒与重度酪氨酸化的微管的结合相对不稳定，而微管与强动粒的结合也相对不稳定。因此，质膜近端的酪氨酸化微管与强动粒的结合相对不稳定，容易中途断裂，导致动粒对方向发生翻转，强动粒开始与卵子一侧的微管结合，而弱动粒与质膜一侧的微管结合。接着，强动粒附着的染色体会进入卵子，并在胚胎中得到遗传（图：雌性减数分裂过程中的优先遗传）。

这个模型引起人们的极大兴趣，因为它体现了目前成对的动粒如何与相反两极的微管正确地结合的机制。这种结合事件完全是随机的，不正确的结合容易断裂，而正确的结合则是稳定的。未来我们需要进一步了解这个过程。首先，GTP-CDC42局部增加微管蛋白酪氨酸化（或抑制去酪氨酸化）的机制仍有待研究。第二，多大程度的酪氨酸化的微管会与动粒脱离，或者为什么一个强的动粒会更易与微管脱离。酪氨酸化的微管蛋白是细胞骨架相关蛋白富含甘氨酸（CAP-Gly）结构域的蛋白质的首选结合位点，而最近的研究表明，马达蛋白、胞质动力蛋白优先运输酪氨酸化微管。因此，进一步研究微管的翻译后修饰机制将有助我们深入挖掘自私DNA如何影响我们的基因组。

原文检索：
Francis J. McNally. (2017) Competing chromosomes explain junk DNA. Science, 358: 594-595. 张洁/编译

受Google Maps的启发，研究人员可以使用一套工具去绘制染色体的复杂构象。

染色体的功能远不止保持DNA整齐有序。这种基因组DNA和蛋白质组成的复合物有许多不同的结构和构象，这些结构和构象可能会影响包裹在其周围的基因的表达。在某些构象中，线性DNA中相距较远的两个序列可能实际上非常靠近，并影响彼此的活动；而在其它形式中，这两个序列可能相距甚远。

Erez Aiden是剑桥麻省理工学院（Massachusetts Institute of Technology）的研究生，他与其他人共同开发了一种名为Hi-C的技术。该技术首次在基因组水平上揭示了染色体的折叠方式。Hi-C不仅详细描述了影响基因表达的DNA环和结构域，甚至还能将复杂的基因组拼接在一起。虽然以2D矩阵呈现的数据详细记录了染色质的交互信息，但在2009年的当时，Aiden还没能找到一种简单的方法，以探索这些空间构象。所以，他自己开发了一种技术。

据Aiden回忆，当时他只能打印出多个分辨率的Hi-C矩阵，这需要用到上百张纸。他还找来最大的会议桌，把打印的所有矩阵都摆放上去，以查看大规模的空间构象。Aiden认为这是一个很好的界面。不过，他也承认，他需要一种更环保的、可持续和共享的方法来观察染色体构象。

最后他开发了Juicebox，一个基于Java的桌面应用程序。它可以提供Google Maps样式的染色质交互数据探索，允许研究人员从基因组水平放大或缩小来观察结构特征。

Aiden指出，2014年发布的Juicebox大约被下载了14000次，今年推出了一个基于浏览器的版本。Juicebox只是一系列探索2D基因组交互数据的免费程序中的一个：一些程序专注于相对狭窄的染色体位点，而另一些则可以进行基因组探索。其中部分程序重点关注由2D矩阵推断3D结构。这些程序反映了染色质相互作用数据集的日益增长。事实上，4D核组项目（4D Nucleome Project）这样的大项目更是大规模地促进了染色体交互数据集的爆炸式增长。

马萨诸塞州波士顿哈佛医学院（Harvard Medical School）生物信息学家Peter Park指出，因为[数据]变得如此复杂，所以可视化变得尤为重要。

加州大学圣克鲁斯分校（The University of California, Santa Cruz, UCSC）开发的Genome Browsers是最受欢迎的探索基因组数据的门户之一。像大多数基因组浏览器一样，它将序列数据呈现为一维“轨迹”，显示为表观遗传特征（如组蛋白修饰和甲基化位点）的线性字符阵列。

然而，Hi-C生成的是2D矩阵。该技术鉴定了线性DNA序列中相距很远，但在3D空间中邻近的序列。据Aiden解释，如果你关注基因组中的两个位置，矩阵会告诉你这两者之间彼此接触的频率。通常，这些数据被转化为热图，而颜色强度则反映了两点之间的相互作用频率。

Aiden等人，包括加利福尼亚大学圣地亚哥分校（University of California, San Diego, UCSD）的James Robinson从Google地图中获得灵感。Robinson表示，有了Google地图，用户就可以从全球视图无缝切换到街道级视图。这样一来，整个数据集是非常巨大的，但Google并没有一次性提供所有数据。相反，软件“将世界划分成不同分辨率的瓦片”。在任何一个时间内，用户只能查看少量的瓦片。这些瓦片被组织起来，使相邻的瓦片更易被获取。他还指出，只要你能够快速地找到4个人，你就可以得到一个交互式的地图。

类似地，Juicebox的“hic”文件以多种分辨率存储每个可能的染色体对的预先计算的图块集。软件的查询表可以直接检索数据，无需搜索，从而加快访问速度。因此，Juicebox用户可以无缝探索整个基因组的交互作用，然后放大以查看精细的功能。

用户可以访问Aiden实验室公开提供的数百个预先计算的基因组接触地图中的任何一个，或查看自己的数据。他们将自己的数据或公共数据库得到的数据与Aiden实验室提供的标准数据（例如基因位置或组蛋白标记）进行比对。例如，DNA结合蛋白CTCF的结合位点，与染色体环高度相关。用户可以标记和记录感兴趣的特征。

基因组同步

今年3月，哈佛医学院（Harvard Medical School）的生物医学信息学家Nils Gehlenborg开发了基于网络的2D基因组交互可视化工具——HiGlass，它也提供了类似Google地图的体验。 与Juicebox一样，在HiGlass中，研究人员可以导入基因组轨迹来帮助他们了解所看到的内容。此外，HiGlass还允许用户在一个浏览器窗口中打开多个HiGlass视图，并将它们同步起来，以使它们始终显示相同的区域。这样，Gehlenborg指出，研究人员就可以比较不同条件或实验中的染色体构象了。他还表示，他们为研究者和分析师提供了新猜想的灵感。（Aiden提到，基于浏览器的Juicebox版本还允许每个窗口同步多个视图，桌面Juicebox应用程序的用户可以跨不同的窗口同步视图，但不能在单一视图中进行同步）。

Gehlenborg的团队已经建立了一个HiGlass服务器，以挖掘公开的数据。需要分析自定义数据集的研究人员必须在本地安装该软件，Gehlenborg团队为此提供了一个Docker容器。

Juicebox的Web版本和HiGlass都允许用户创建可分享的URL，指向数据的特定视图——Aiden把这个功能称为软件的“杀手级应用”。他认为，如果用户注意到基因组结构与特定的1D轨道完全重叠，那么点击那个URL，复制它，就可以推送它了。所有接收到该分享的人都可以点击它，随后便会得到与分享者软件相同的参数设置（即参数重用——点开的人，可以看到和分享者同样的视图）。

另外两个可视化软件——3D基因组浏览器（3D Genome Browser）和WashU EpiGenome浏览器（WashU EpiGenome Browser）均能提供更多的本地化视图。用户可以选择感兴趣的区域，浏览器会显示该区域的基因组交互信息。

Juicebox和HiGlass将热图映射成矩形的镜像，而这些浏览器则将热图显示为三角形。UCSD基因组生物学家Bing Ren指出，他们去掉了一半的冗余信息。（WashU浏览器还可以将交互数据显示为连接交互区域的弧线。）

这种变化可能听起来不大，但根据宾州宾夕法尼亚州立大学（Pennsylvania State University）的Feng Yue（在博后期间，与Ren合作开发了他的首个3D Genome Browser原型）的研究，这种变化能让研究人员更容易识别功能区域。例如，3D基因组浏览器允许其用户将来自两个物种的热图相叠，以评估折叠体系结构的进化保守。这种“虚拟4C”（virtual-4C）模式允许用户查询与特定基因组位点相互作用的序列的Hi-C数据集，从而方便研究者观察基因调控区域之间的相互作用。

另一个非常好用的基因组交互可视化软件是由UCSD的Sheng Zhong等人开发的GIVE。GIVE允许研究人员使用几行HTML代码，将完整功能的基因组浏览器（包括2D交互数据查看器）纳入其个人或实验室网页。Zhong指出，研究人员可以与同事分享数据，发表文章时也可以附上链接，整个操作时间大约为20分钟。

意大利米兰FIRC分子肿瘤学研究所（FIRC Institute of Molecular Oncology）的计算生物学家Francesco Ferrari使用R编程语言和Bioconductor软件库来显示他的Hi-C数据。这些基于文本的程序缺乏其它软件的交互性，但是由于该团队一直都是使用R和Bioconductor进行数据分析，所以据Ferrari指出，这样更方便。Bioconductor包HiTC以及Python library HiCPlotter均提供了Hi-C可视化工具。

实现3D

最终，2D互动矩阵可以提示3D结构。毕竟，如果两个区域相互作用，它们可能距离非常接近。越来越多的研究人员正在使用他们的2D数据来直接计算和可视化3D结构。

CsillaVárnai是英国剑桥Babraham研究所（Babraham Institute）的博士后，他参与了今年早些时候单细胞Hi-C研究的3D模型构建工作（http://dx.doi.org/10.1038/nature23001）。她使用一个名为Gromacs的通用分子建模包来将染色体模拟成一条串珠——每个珠代表约10万个碱基——然后将串珠进行折叠，而Hi-C的交互数据则是折叠时的“约束条件”。

某些软件则专门被设计用于染色体结构的建模。由奥斯陆大学（University of Oslo）的生物信息学家Jonas Paulsen开发的Chrom3D软件将Hi-C数据与核包膜距离的信息相结合，以模拟染色体在细胞核中的位置。据Paulsen解释，这对基因调控来说非常重要。核外围附近的基因倾向于被抑制，而更位于中心的基因通常是有活性的。MarcMartí-Renom和西班牙巴塞罗那基因组调控中心基因组分析中心（National Center for Genomic Analysis–Center for Genomic Regulation）的Mike Goodstadt开发了另一个3D工具——TADkit。TADkit允许用户在相应的2D热图和1D轨迹旁边查看3D染色体模型。只要选中一个视图中的一个特征，那么软件就会自动高亮其它试图中的同一特征。

由于大多数Hi-C数据集包含数百万个细胞，到底3D视图比2D视图能多提供哪些信息还有待观察。麻省理工学院（Massachusetts Institute of Technology）的生物信息学家Leonid Mirny打了个比方，你拍了一堆人的照片，然后将它们平均化，最后得到的照片会跟谁都不像。3D视图可能也会存在这种问题。Zhong指出，目前还不清楚哪个工具（如果有的话）将成为基因组可视化的金标准，现在这方面的争论已经很激烈了。

Ren正常，对于基因组生物学来说，可视化是关键因素。据他解释，分析工具是在统计数据的基础上设计而成的。有时候它们会错过一些东西，有时它们会推断出一些压根不存在的功能。因此，科学家还是要谨慎，自己检查分析数据非常重要。

原文检索：
Jeffrey M. Perkel. (2017) Plot a course through the genome. Nature, 549 (7670): 117-118. 
张洁/编译

图1 Stewart等人报道了许多类型的儿科癌症的小鼠模型的建立方法和分析结果。研究者们将患者肿瘤活检得到的细胞移植到免疫缺陷小鼠中，从而获得PDX模型。他们使用几种技术来表征这些模型，这些技术包括显微镜和DNA序列分析，同时他们还在一些PDX模型小鼠上进行药物测试。研究人员将PDX肿瘤细胞冻存起来，之后将这些细胞解冻，并移植到其它小鼠中，以用于将来的分析。其他团队还创建了不同类型人类肿瘤的PDX模型。该领域关键的下一步是建立集中的开放存取库，以管理和共享来自不同团队的PDX研究数据。通过这种方法，我们可以促进识别临床试验中可测试的治疗方法的进展。

现在科学家们将患者的肿瘤细胞接种到小鼠体内，进而建立肿瘤模型，以用于分析和开展药物测试。目前研究人员已鉴定了一系列小儿实体肿瘤模型，同时相关数据的允许免费获取。

罕见癌症的研究面临着两方面的挑战：可用的肿瘤样本少；缺乏相应的小鼠模型。最近科学家们非常成功地开发了将人类肿瘤细胞高效移植到免疫缺陷小鼠中的癌症建模技术。在《自然》（Nature）杂志上，Stewart等人对成功接种和生长的小鼠实体瘤进行了全面的分析，并展示了这些模型如何用于筛选罕见癌症患者的潜在靶向治疗。

得益于高效的化疗药物组合，美国仅有不到20%的癌症儿童死于癌症。这些组合方案是通过高度实证和渐进的临床试验而建立起来的。然而，我们和其他癌症生物学家坚信，只有基本的科学发现才能产生变革性的进步。我们承认，儿童癌症的治疗比成年人的要有效得多，但仍然需要更好的治疗来减轻化疗药物造成的长期副作用。据美国国家癌症研究所（US National Cancer Institute）统计，每年年龄在20岁以下的癌症患者的死亡率比65岁以上癌症患者的死亡率低300-500倍。

另一个被广泛接受的信念是癌症研究需要更多的模型系统，这些模型要便宜、易于操作，并且真实反映人类肿瘤的特征，以改善癌症靶向。在这方面，缺乏T、B和自然杀伤细胞，因而对人类肿瘤细胞排斥能力较弱的免疫缺陷小鼠（裸鼠）成为了接受患者来源肿瘤异种移植物（patient-derived tumour xenograft, PDX）的理想动物模型。利用裸鼠制造PDX模型非常简便，并且可以将裸鼠的肿瘤细胞冻存，解冻后还可以移植到其它小鼠身上。肿瘤细胞也可以用于原位生长，这意味着细胞生长在与人类肿瘤来源的器官对应的小鼠组织中（即肺癌细胞接种到裸鼠肺里）。这些肿瘤细胞可以进行遗传工程，携带便于体内追踪的标记分子（如GFP），并且可以模拟人类肿瘤微环境的特征。

大多数原始PDX都会死亡。随着时间的推移，科学家们逐渐了解到，虽然PDX比体外生长的细胞系和常规小鼠肿瘤模型更贴近人类肿瘤特征，但它们也具有一些实质性限制。例如，当不同的小鼠被注射同一肿瘤标本的等分试样时，得到的PDX可以具有非常不同的突变、细胞表面标记和转录谱。用于异种移植的小鼠品系也对PDX生物学有很大的影响。因此，不同试验条件下得到的PDX小鼠模型都是不一样的。PDX专家们经常被问到这个问题：“这些模型是否与原始肿瘤相同？”其实两者之间差异很大。

至少到目前为止，PDX的最大优点是其造模非常简单。我们现在可以使用PDX研究几种没有对应的转基因小鼠或细胞株的罕见癌症模型。由于PDX源于人类肿瘤，因而对特定药物存在抵抗。这可能有助于模拟早期临床试验中难治性癌症的药物筛选。现已有20多种PDX被用于2期临床试验。这些研究可以表征多个模型的药物响应的异质性、用于开发预测药物响应的检测方法，或可用于筛选肿瘤中存在的少数耐药细胞。

现在有几个PDX存储库，含有数百个甚至数千个来源于接受过化疗或靶向治疗患者的肿瘤。这些库中的一些是开源的（可免费提供模型），包含400多个成人实质肿瘤PDX和300个儿科和成人血液肿瘤PDX，以及其他研究团队创造的大量数据。在儿童实质瘤网络计划（Childhood Solid Tumour Network）中，Stewart等人建立了60多种儿科实质肿瘤的PDX模型。

Stewart等人贡献了非常多的数据。他们通过原位生长获得了15种肿瘤的148个标本，并报告了1173个细胞涂片的免疫组织化学分析结果，102个PDX的全基因组序列结果和转录谱。他们还报告了目标基因组区域的广泛靶向DNA测序；分析了结合DNA的组蛋白的9种不同的修饰情况；对PDX进行了电子显微镜扫描；并生成了5种PDX的肿瘤细胞系。他们的药物筛选测试产生了50万个以上的数据点。他们进行的体内研究包括：多个PDX细胞系的基因工程标记细胞，进行成像；一项小鼠研究药物治疗剂量；以及两个小鼠研究调查多个药物联用的剂量及疗效。这样一个内容丰富的数据集为该领域的研究人员进一步调查Stewar等人发现的突变、转录特征和药物敏感性奠立了基础。

最大程度地发挥PDX在科学发现上的潜力需要非凡的透明度、标准化和开放获取模式。作为研究经费的使用者、癌症患者的保护者，我们责无旁贷。儿童实质瘤网络已经对多种儿童实质肿瘤建模，其中包括Stewart等人建立的模型，并免费提供，并已经将它们分发给了11个国家的120多名研究者。其他研究中心也可以学习Stewart等人的研究方法。儿童实质瘤领域的下一步将是建立一个更大的PDX库联盟、统一战线、合作表征PDX模型，建立数据库基础设施（图1）。

Stewart等人对一般肿瘤，特别是儿童实质瘤模型的建立做出了突出贡献。迄今为止，他们提供了最全面的PDX存储库之一。 他们贡献的大量数据集将为世界各地的调查人员提供参考，并推动学界的分享文化，使所有人受益。

原文检索：
Mark A. Murakami    & David M. Weinstock. (2017) Cancer models: The next best thing. Nature, 548: 1-2. 
张洁/编译

深度学习的模式开始在药物研发领域崭露头角。

当药物研发遇上人工智能，各大药企纷纷尝鲜

上个月，加州圣布鲁诺的Numerate公司与武田药业（Takeda Pharmaceutical）正式签约，就使用Numerate公司的人工智能技术（artificial intelligence, AI）寻找肿瘤学、胃肠病学和中枢神经系统疾病的小分子药物展开合作。同样是上个月，麻省GNS Healthcare公司宣布与位于加州南旧金山的Roche子公司Genentech达成协议，使用GNS的AI平台分析已知疗法在肿瘤学中的功效。今年5月，苏格兰Exscientia公司与法国Sanofi签署了一项潜在价值为2.5亿欧元（约2.8亿美金）的合作和许可交易，旨在开发针对代谢疾病的双特异性小分子药物。Exscientia将利用其人工智能技术设计化合物，而Sanofi则提供化学合成。近年来，药企和AI公司携手的案例比比皆是。长期以来，药企对AI技术怀有质疑，但由于AI技术有潜力解决药物开发过程的难题——临床失败率，药企开始看好，甚至引入AI。

药企对AI技术的兴趣主要源于这样一个事实：传统的药物研发耗时耗力，且失败率高。20年来临床成功率持续下降，直到最近才有所改善（Nat. Rev. Drug Disc. 15, 379–380, 2016）。然而，现在进入临床1期的药物中只有十分之一能通过整个临床试验。伦敦BenevolentAI分公司BenevolentBio的首席执行官Jackie Hunter指出，有一半的临床试验失败是由于候选药物缺乏有效性。也就是说靶标不对，即使降低5％或10％的治疗失败率，也能非常让人吃惊。Hunter对AI在药物研发上的潜力的看法在上个月发布的《安永：2017全球生物技术报告》（Ernst & Young’s Biotechnology Report 2017）中有所介绍。

一直观望AI发展的公司现在纷纷涉足AI领域。最著名的药物研发深度学习模型可能是IBM的Watson机器人。IBM于2016年12月与Pfizer公司签署协议，协助Pfizer的免疫肿瘤药物研发，除此之外，IMB还和多个药企有合作协议（Nat.Biotechnol. 33, 1219-1220, 2015）。IBM的Watson机器人可以快速分析大量的文本数据，并使用大量实验室数据、临床报告和科学出版物测试猜想，以此来寻找潜在药物（BenevolentAI挖掘文献和研究数据库的算法与沃森非常类似）。

生物医学的海量数据驱动了制药行业对AI的兴趣（表1）。不断增加的计算能力和大型数据集的扩散促使科学家们寻求可以帮助他们浏览大量信息的学习算法。

药企对AI的兴趣其实是受其它领域的感染的。常用于无人驾驶汽车的机器视觉，以及语言处理，为复杂的多级人造神经网络——深度学习算法的诞生奠定了基础。在生物领域，深度学习可基于测定数据和文本数据建立生物过程模型。

耶鲁大学生物（Yale University）医学信息学教授Mark Gerstein指出，过去人们没有足够的数据来适当地训练深度学习算法。但是现在研究人员已经能够建立大量的数据库，并利用这些数据来训练算法了。Gerstein认为药企对AI的看好是很有道理的。

Numerate公司是越来越多的、将数据用于药物发现的AI公司之一。Numerate首席执行官Guido Lanza表示，他们将AI应用于各个阶段的化学设计。Numerate和东京Takeda公司合作，筛选靶标分子，设计和优化化合物，对药物吸收、分布、代谢和排除以及毒性进行建模，为Takeda提供临床试验候选药物。该协议的金额和特许权使用费并未披露。

不光药企，学术实验室也开始采用AI工具。今年4月，旧金山Atomwise公司发起了人工智能分子筛选奖励计划（Artificial Intelligence Molecular Screen），向多达100个大学研究实验室免费提供72种潜在的治疗化合物。Atomwise是多伦多大学的校友创业公司，并于2015年与默克公司达成合作。Atomwise将使用AtomNet平台筛选1000万个分子，并为每个实验室提供72个靶向该实验选择的靶标的化合物。

日本政府于2016年推出了一个研究联盟，旨在帮助国内数十家公司和机构使用日本K超级计算机，从而提高药物发现效率。其中包括Takeda、Fujitsu、NEC、京都大学医院（Kyoto University Hospital）、日本理化学研究所（RIkagaku KENkyusho/Institute of Physical and Chemical Research, Riken），以及提供临床资料的日本国家研究发展研究所（Japan's National Research and Development Institute）。

基因组数据分析初创公司WuXi NextCode与耶鲁大学（Yale University）的研究人员合作，共同使用该公司的深度学习算法来识别血管生长的关键机制。结果可以推动抑制肿瘤血管生长的药物研发（Nature 10.1038 / nature22322,2017）。

美国奥巴马政府期间，作为癌症登月计划（Cancer Moonshot initiative）的一部分，工业和学术界联合力量，应用人工智能加速药物发现（Nat.Biotechnol. 34, 119, 2016）。在2016年1月推出的加速医学治疗研发计划（Accelerating Therapeutics for Opportunities in Medicine, ATOM）中，英国GSK公司、加州利劳伦斯利物莫国家实验室（Lawrence Livermore National Laboratory）和美国国家癌症研究所（US National Cancer Institute）强强联手，将计算方法和实验方法结合起来，推动肿瘤药物研发。该计划的计算部分，包括深度学习和其它AI算法，将在头两年内接受测试。GSK公司的负责人Martha Head表示，他们希望一开始就有一个正确的假设，然后一年内推出候选药物。

学术实验室研发的AI技术引发了AI创业大潮，并促进了致力于加速药物发现的合作。上个月，巴尔的摩的Insilico医学公司公布了ALS.AI，一个致力于肌萎缩性侧索硬化症的个性化药物发现和生物标志物开发平台。该公司主要从学术界吸取教训，专注于生成拮抗网络——一种深度学习算法，它能令两个神经网络建立拮抗关系，其中一个网络尝试开发一个模型，并不断改进这个模型，直到第二个网络无法区分模型是否处于构建阶段。该公司使用该工具分析在不同分子孵育情况下，人类细胞系的转录和转录反应数据的数据库，以预测分子的治疗性质。Insilico医药公司首席执行官Alex Zhavoronkov表示，他们主要观察正常组织和疾病组织的基因的表达变化。然后他们看看什么分子可以改变这个差异。AI还有可能将算法应用于表型和定性分析（一般需要几周，甚至数月）以加快临床前开发过程。

但是，作为药物发现工具，AI需要数据集才能进行培训，而数据访问仍然是一个重大挑战。大型制药公司拥有可追溯到20世纪80年代的大型临床前数据集，这部分数据可能可以被共享。实际上，许多公司都参加了各种化合物分享和再利用计划。Heads指出GSK正在向ATOM提供测定数据、遗传数据、药物代谢和药代动力学数据。她认为她们提供了一些进入临床试验，但因为种种原因失败的分子的相关数据，同时还有来自她们早期发现过程的大量数据。Numerate的首席技术官Brandon Allgood表示，尽管如此，在许多情况下，大型制药公司的数据组织形式并不完善，这需要数字化才能有用，才能‘有东西可挖’”。

另一个挑战是成本了。在机器视觉领域，研究人员可以建立大量的数据集，因为每个数据点的成本是微不足道的。但在制药行业，数据点可就非常昂贵了，因此制药行业不需要大量数据的算法。为此，斯坦福大学（Stanford University）的研究人员将一类计算机视觉算法、单点学习的算法进行调整，使其适用于药物研发，最后得到一种可以根据非常少的数据来对药物属性进行预测的算法。

Allgood指出，展望未来，深度学习和其它AI算法，以及硬件和软件的进步都有望对药物研发产生重大影响。此外，理论上，小分子药物的种类可以达到10⁶⁰左右。Allgood还提出，在做决定之前，“我们应该利用所有的数据，建立N个新模型，尽可能探索更多的分子类型。”

人造智能领域的最大项目是Google的深度学习项目Google Brain。目前该项目已经聘请了许多世界领先的人工智能研究人员。Google Brain的团队一直在扩大，并且最近针对量子化学的深度学习进行了调整。业内许多人表示，就算谷歌的母公司Alphabet在不久的将来开一家AI药物研发公司，他们都不会惊讶。

但是，只有当AI公司真的能提高药物开发成功率时，AI技术才会成为生物药物开发的主导。Insilico Medicine的Zhavoronkov指出，到目前为止，生物信息学并没有提高药物开发的成功率，这使得大型制药公司对AI的“巨大潜力”心怀警惕。Zhavoronkov不认为业内对AI有多信任，但是兴趣确实很大。只有当制药领域也出现第一个成功案例，整个行业才会真正引入AI。

原文检索：
Eric Smalley. (2017) AI-powered drug discovery captures pharma interest. Nature Biotechnology, 35(1038): 604-605. 
张洁/编译