在胚胎发育过程中，干细胞会分化为脑、肝、肌肉等专门细胞，并组织成三维组织。细胞命运取决于基因的开关状态，这些基因活动模式受邻近细胞的化学信号调控，信号通过多步的信号通路转化为基因表达的改变。传统上认为同一信号通路在不同细胞类型的效应差异很大，因而需要逐一绘制每种细胞的通路图，工作量巨大。
MIT的李普林团队利用机器学习模型 IRIS 发现，每条信号通路都会留下独特的基因活动“指纹”，且同一通路在不同细胞中的指纹高度一致。IRIS 能在单细胞转录组数据中检测这些指纹，推断细胞在胚胎发育不同阶段收到的信号，即使是模型未见过的细胞类型也能准确预测。模型的核心是基于神经网络的模式识别，训练数据来自数千个人类胚胎干细胞在六大信号通路组合下的响应，形成了一个信号‑行为图谱。随后在小鼠胚胎的原肠胚阶段进行验证，IRIS 能准确预测心脏、肠道、肌肉和脊髓等组织前体细胞的信号激活时空分布。
利用该模型，研究者还能逆向推断驱动特定细胞（如肺发育关键细胞）的信号组合，并在小鼠实验中证实预测有效，从而更可靠地构建肺组织类器官用于疾病模型和药物筛选。IRIS 的成功展示了迁移学习在生物学中的应用：模型在一种细胞上学习后，可迁移到其他细胞类型，极大提升了绘制细胞通讯历史的效率。未来，这种技术有望加速干细胞工程、类器官构建以及再生医学的研发。
点评：IRIS 将细胞信号通路抽象为可跨细胞类型复用的基因指纹，为解码发育过程提供了高效工具，也为精准调控干细胞命运打开了新路径。