《Nature》：2019年需要關注的7大技術

　　7位專家預測了2019年將推動他們各自所在的領域向前發展的技術進展，包括高分辨率成像和從頭構建基因組大小的DNA分子等。對生命科學技術來說，2019年看起來非常令人期待。

　　1.Sarah Teichmann：擴展單細胞生物學

　　Sarah Teichmann是英國韋爾科姆基金會桑格研究所細胞遺傳學負責人

　　在過去十年中，我們已觀察到研究人員一次能夠分析的單細胞數量大幅增加。這將繼續增加下去，這主要歸因于細胞捕獲技術的改進、使用條形碼對細胞進行標記的方法以及將現有技術結合在一起的更智能方法。

　　這種增加可能聽起來很平凡，但是它允許我們進行不同類型的實驗和在更高的分辨率下研究更復雜的樣品。比如，研究人員將能夠同時研究20或100個人的樣本，而不是僅能分析一個人的樣本。這意味著我們將能夠更好地控制人群多樣性。我們還將能夠分析更多的發育時間點、組織和個體，從而能夠增加我們的分析的統計學意義。

　　我們的實驗室剛剛參與了一項分析來自6個物種的25萬個細胞的研究工作，結果表明負責先天免疫反應的基因快速地進化，而且在不同物種之間存在著較大的細胞間差異---這兩種特征有助于免疫系統產生有效的和微調的反應。

　　我們還將看到我們在單細胞水平中同時觀察不同基因組模式的能力取得進展。比如，我們將能夠觀察到稱為染色質的蛋白-DNA復合物是開放的還是封閉的，而不是僅局限于RNA。這有助于了解細胞分化時的表觀遺傳狀態，以及免疫系統和神經系統中的表觀遺傳記憶。

　　將單細胞基因組學與表型關聯在一起---比如將蛋白表達或形態與給定細胞的轉錄組關聯在一起---的方法也將取得進展。我想我們會在2019年看到更多的這類東西，無論是僅通過測序還是將成像和測序結合在一起。實際上，我們一直在見證這兩種技術的趨同進化（convergent evolution）：測序在分辨率上越來越高，成像越來越多樣化。

　　2.Jin-Soo Kim：改進基因編輯器

　　Jin-Soo Kim是韓國首爾國立大學基礎科學研究所基因組工程中心主任、化學教授。

　　蛋白質工程正在推動基因組工程的發展。第一代CRISPR基因編輯系統使用核酸酶Cas9，即一種在特定位點切割DNA的酶。CRISPR/Cas9仍然被廣泛使用，但是許多經過基因改造的CRISPR系統正在用新的Cas9變體替代這種天然存在的核酸酶，比如xCas9和SpCas9-NG。這些變體擴大了靶向空間---能夠進行編輯的基因組區域。有些變體還比第一代的Cas9更具特異性，從而能夠最大限度地減少或避免脫靶效應。

　　去年，研究人員報道了將CRISPR基因組編輯用于臨床治療的新障礙。這些障礙包括p53基因的激活（與癌癥風險有關）；出于意料之外的'在靶（on-target）'效應，比如大片段DNA缺失；對CRISPR系統存在的免疫原性。因此，想要讓基因組編輯具有臨床應用價值，就必須解決這些限制。其中的一些問題是由DNA雙鏈斷裂引起的。但是并非所有基因組編輯酶都會產生雙鏈斷裂---“堿基編輯器（base editor）”將單個DNA堿基直接轉換為另一個堿基。因此，堿基編輯既比傳統的基因組編輯更干凈，也更有效。去年，瑞士研究人員在小鼠中利用堿基編輯器校正了一種導致苯丙酮尿癥的基因突變。

　　但是，堿基編輯器在它們能夠編輯的由前間隔序列鄰近基序（protospacer adjacent motif, PAM）確定的序列上存在著限制。蛋白質工程可用于重新設計和改進現有的堿基編輯器，甚至可能構建出新的編輯器，比如與滅活的Cas9融合在一起的重組酶。與堿基編輯器一樣，重組酶不會誘導雙鏈斷裂，但是能夠在用戶事先確定的位點上插入所需的序列。RNA引導的重組酶肯定會在新的維度上擴展基因組編輯。

　　基因編輯技術在臨床上的常規使用可能還需要幾年的時間。但是我們將在未來一兩年內看到新一代的基因編輯工具：有很多研究人員對這項技術感興趣，每天都在使用它。新問題層出不窮，但創新的解決方案也層出不窮。我期待著驚喜的出現。

　　3.莊小威（Xiaowei Zhuang）：提高顯微鏡分辨率

　　莊小威是美國哈佛大學化學與化學生物學教授；2019年突破獎獲得者

　　超分辨率顯微鏡的原理驗證演示僅在10年或20年前發生，但是如今，這種技術相對來說比較普遍，可供生物學家使用---并且導致了大量的新知識。

圖片來自Bogdan Bintu, The Xiaowei Zhuang Laboratory, The Alistair Boettiger Laboratory, Science 362, eaau1783 (2018)。

　　一個特別令人興奮的研究領域是確定基因組的三維結構和組裝。越來越明顯的是，基因組的三維結構在調節基因表達中起著重要作用。

　　在過去的一年中，我們報道了我們對染色質（形成染色體）進行納米級精度成像的研究工作，將它與數千個不同類型細胞的序列信息相關聯在一起。這種空間分辨率要比我們之前的研究提高一到兩個數量級，這就讓我們能夠觀察到單個細胞將染色質組裝成在不同細胞間差異很大的區域。我們還提供了關于這些區域如何形成的證據，這讓我們更好地理解染色質調節的機制。

　　除了染色質之外，我預計在超分辨率成像領域的空間分辨率會有很大改善。大多數實驗的分辨率僅有幾十納米，但仍然無法與成像的分子相比，尤其是當我們想要分析分子間的相互作用時。不過，我們看到熒光分子和成像方法的改進顯著地提高了分辨率，而且我預計在1納米分辨率下的成像將變得常見。

　　與此同時，時間分辨率將越來越好。目前，研究人員必須在空間分辨率和成像速度之間做出妥協。但是，通過更好的照明策略和更快的圖像采集，這些限制是可能被克服的。成千上萬的基因和其他類型的分子共同起作用來塑造細胞的行為。能夠在基因組水平上同時觀察這些分子發揮作用將為成像提供巨大的機會。

　　4.曾紅葵（Hongkui Zeng）：繪制大腦連接圖譜

　　曾紅葵是美國艾倫腦科學研究所結構科學執行主任

　　單個細胞和各種細胞類型之間的連接是如此復雜以至于在全局和群體水平上繪制它們之間的連接圖譜已不再足以理解它們。因此，我們在單細胞水平下繪制基于細胞類型的連接圖譜。

　　我們能夠通過“順行”和“逆行”追蹤來實現這一目標。這些追蹤方法揭示了由特定細胞延伸出來的稱為軸突投射（axon projection）的結構。我們還使用更多的基于單神經元形態學的方法來觀察單個神經元的軸突投射在哪里產生和終止。

　　電鏡數據集的產生取得了很大的進展，這些數據集的覆蓋范圍比以前大得多。比如，在美國霍華德休斯醫學研究所珍妮莉亞研究學院，研究人員正在努力繪制果蠅中的每個神經元和突觸。

　　圖像采集和樣品處理的改進是這些進展取得的關鍵；因此，計算方面的改進也是如此。在艾倫腦科學研究所，我們參與了借助機器學習算法構建小鼠大腦神經連接的虛擬圖譜。

　　巨大的特異性編碼在大腦的這些連接中。但是，如果不了解全局和局部水平下的特異性，那么我們理解行為或功能的能力基本上建立在一個黑匣子---我們缺乏理解神經元活動和行為的物理基礎---的基礎上。連接組學（connectomics）將填補這方面缺失的真實信息。

　　5.Jef Boeke：推進合成基因組研究

　　紐約大學朗格尼醫學中心系統遺傳學研究所主任。

　　當我意識到能夠從頭開始編寫一個完整的基因組時，我想這將是一個從新的視角研究基因組功能的好機會。

　　從純科學的角度來看，一些研究團隊在合成簡單的細菌和酵母基因組方面取得了進展。但是在合成完整基因組方面仍然存在著技術挑戰，特別是哺乳動物基因組。

　　一項有助于降低DNA合成成本的技術將會有所幫助，但尚未投入市場。如今發生的大多數DNA合成都是基于一種稱為亞磷酰胺三酯合成（phosphoramidite chemistry）的方法。由此產生的核酸聚合物在它們的最大長度和保真度方面都存在著限制。迄今為止，這種合成方法取得如此較好的作用，這本身就是一種奇跡。

　　許多公司和實驗室正在尋求酶促DNA合成---這種方法有可能比化學合成更快、更準確和更便宜。迄今為止，還沒有公司在商業上提供這樣的酶。但去年10月，一家位于法國巴黎的名為DNA Script的公司宣布，它已經合成了長150個堿基的寡核苷酸，這幾乎與化學DNA合成的實際長度限制相匹配。我們都在等待著更多地了解這一點。

　　作為一個團隊，我們還研究了如何組裝較大的人類染色體DNA片段，而且我們能夠使用這種方法構建出長1萬個堿基或以上的DNA片段。如今我們將使用這種方法來分析已知在確定疾病易感性方面起著重要作用的大型基因組區域，或者導致其他表型特征出現的大型基因組區域。

　　我們能夠在酵母細胞中快速合成這些基因組區域，因此我們應當能夠構建出數十到數百種以前無法測試的基因組變體。通過使用它們，我們將能夠檢查在全基因組關聯研究中涉及的在疾病易感性方面具有一定意義的數千個基因組位點。這種分析策略可能讓我們最終能夠確定這些基因組變體發揮的作用。

　　6.Venki Ramakrishnan：揭示分子結構

　　Venki Ramakrishnan是英國劍橋MRC分子生物學實驗室結構生物學家

　　理解結構是理解功能的關鍵步驟。冷凍電鏡（cryo-EM）技術讓研究人員能夠使用比以往更少和更低純度的樣品來解析出高分辨率結構。這意味著我們不僅能夠觀察到以前從未觀察到的結構，而且我們還能夠研究更具挑戰性的問題，比如蛋白復合物的動態變化或生化途徑中的不同狀態。

　　就目前而言，cryo-EM作為一個領域所處的水平大致是晶體學在20世紀60年代或70年代時的水平。第一波技術已出現了，但是這個領域仍然在取得巨大的進展。下一代檢測器，比如由英國科學與技術設施委員會設計工程師Nicola Guerrini和她的同事們開發出的檢測器，將提供更好的信號并允許我們觀察到更小的分子。

　　我們已觀察到許多令人興奮的結構。英國MRC分子生物學實驗室的神經科學家Michel Goedert和結構生物學家Sjors Scheres及其團隊對一種稱為tau的蛋白的細絲進行成像，意外地發現它在不同類型的癡呆癥（包括阿爾茨海默病）中表現出明顯不同的蛋白折疊。

　　第二個取得進展的領域是樣品制備。在cryo-EM中，溶液中的少量分子進入細金屬絲網，多余的分子將被清除，并將剩下的薄薄的一層分子被冷凍。但是，空氣-水界面處的分子可能發生變性或裂解。此外，撞擊樣品的電子可能讓這些分子攜帶電荷，從而導致它們移動并變得模糊。許多人正在努力將這些影響降至最低，以便提供更能夠進行準確測量的穩定樣品。

　　有了這些進展，我們應該能夠觀察到細胞中及其表面發生的分子事件。我們或許能夠觀察DNA復制或剪接等過程中構象變化的復雜循環，從而了解整個分子過程。

　　7.Casey Greene：應用人工智能（artificial intelligence, AI）和深度學習

　　Casey Greene是賓夕法尼亞大學佩雷爾曼醫學院系統藥理學與轉化療法助理教授

　　生命科學家已熟練地使用深度學習軟件和人工智能來構建預測模型，這些預測模型告訴我們很多東西，比如在哪里能夠找到基因調控元件結合的基序。但是，如今，我們想要揭示更深層真相----比如，基因調控本身的細節以及為何某些遺傳特征是重要的---的模型。

　　在接下來的一年里，我最為興奮的是計算方法，它們足夠強大，可用于人們在發表論文時上傳的大量隨機基因組數據中。一種令人興奮的技術就是遷移學習（transfer learning）。

　　通過使用這種方法，您能夠使用僅與一種問題直接相關的數據集來了解該問題的廣泛特征，然后利用這種算法了解到的信息來分析您關心的數據集。比如，在去年發表的一項研究中，我們想要使用針對一種稱為抗中性粒細胞胞質抗體相關性血管炎（anti-neutrophil cytoplasmic antibody-associated vasculitis）的罕見疾病的數據集來訓練一種模型。但是沒有足夠的數據來做到這一點。因此，我們利用來自1400多項其他研究的RNA測序數據來訓練我們的模型，并將這種模型應用于我們的疾病，從而揭示出與免疫和代謝功能相關的導致這種疾病癥狀的基因網絡。我希望不久之后觀察到更多的論文發表，在這些論文中，轉移模型能夠產生新的科學。

　　我希望有朝一日這些方法將不僅可以為特定情景和解答特定問題的答案提供預測模型，還可從生物學角度揭示發生了什么來產生我們所看到的數據。我希望在未來一年內這方面將會取得一定的進步，但是這將需要投入大量的技術和資源來協助進行模型解釋。如果我們五年后在這方面取得成功，我將會很激動。