大家好，欢迎观看《时空日报》第247期。本期介绍的时空/细胞组学相关研究文章共计2篇。以下是应用时空云平台STOmics Cloud的StereoCopilot模块生成的文章概要，并辅以人工审核，供了解参考。
1、从基因型到表型:用于无标记单细胞分析的拉曼光谱和机器学习
From Genotype to Phenotype: Raman Spectroscopy and Machine Learning for Label-Free Single-Cell Analysis
ACS Nano; IF: 15.800; DOI: 10.1021/acsnano.4c04282
内容概要：
① 拉曼光谱技术在生物传感和临床研究领域取得了显著的进展。在深入探索中，研究者们发现表面增强拉曼光谱（SERS）与机器学习（ML）的结合能够极大地扩展其能力，为在单细胞水平上深入理解转录组、蛋白质组和代谢组提供了有力的工具。
② 研究者们回顾了纳米光子学领域的快速发展，特别是等离子体学、超材料和超表面技术的创新，这些技术显著增强了拉曼散射效应，使得快速且强大的无标记光谱分析成为可能。随后，他们探讨了如何利用机器学习技术进行精确且易于解释的光谱分析。这些技术涵盖了神经网络、扰动和梯度算法以及迁移学习等多种方法，为光谱数据的深入挖掘提供了有力支持。为了更生动地展示这种结合的优势，研究者们提供了一系列实例。他们展示了如何结合纳米光子学和机器学习技术来实现单细胞拉曼表型分析，包括预测细菌对抗生素的敏感性、分析干细胞表达谱、进行癌症诊断以及预测免疫治疗的疗效和毒性。这些实例不仅证明了该技术的有效性，还为其在生命科学领域的广泛应用奠定了基础。
③ 展望未来，研究者们对单细胞拉曼光谱技术的发展前景充满了期待。他们预见到拉曼仪器的不断创新将进一步提升分析的精度和效率；无人驾驶实验室的兴起将推动自动化和智能化的发展；拉曼数据库的建立将促进数据共享和分析的便捷性；而机器学习技术的不断成熟将为揭示生物学奥秘提供更为强大的工具。这些前景的展望无疑为单细胞拉曼光谱技术的发展注入了新的活力和动力。
分析工具：拉曼光谱,无标记,机器学习,单细胞分析; Zhang Y, Chang K, Ogunlade B, et al.; Department of Materials Science and Engineering, Stanford University, Stanford, California 94305, United States.
2、颗粒细胞层硬化阻止壁层颗粒细胞从排卵后卵泡中逃逸
Granulosa Cell-Layer Stiffening Prevents Escape of Mural Granulosa Cells from the Post-Ovulatory Follicle
Advanced science; IF: 14.300; DOI: 10.1002/advs.202403640
内容概要：
① 排卵作为成功繁殖的关键环节，其过程中卵丘细胞和卵母细胞被释放，而壁层颗粒细胞（mGCs）则滞留在排卵后的卵泡内，最终形成黄体。然而，关于mGCs为何能够留存在卵泡内的机制，长期以来一直是科学界的一个谜团。
② 通过空间转录组分析和实验结果表明，揭示了mGC层硬化的现象。这一现象被证实为一种进化上保守的机制，它有效地阻止了mGCs从排卵后的卵泡中逃逸。进一步的深入分析显示，LH（hCG）-cAMP-PKA-CREB信号级联触发的局灶性粘附组装是mGC层硬化的必要条件。当通过RNA干扰技术破坏这种局灶性粘附组装时，mGC层的硬化会失败，导致mGCs逃逸，并进而形成细胞密度降低或有空腔的异常黄体。
③ 这些发现不仅为科学界引入了“mGC层硬化”的新概念，还为深入理解mGCs在排卵后卵泡内的滞留机制提供了重要的线索和启示。