Cơ thể già đi tích tụ những “zombie cell” rất khó nhìn thấy: Raman barcode muốn tìm chúng mà không phá hủy mẫu

Tế bào lão hóa — thường được gọi bằng cái tên dễ nhớ hơn là “zombie cell” — có một đặc điểm khiến chúng khó theo dõi: chúng đã ngừng phân chia nhưng vẫn còn sống, và không có một marker duy nhất có thể nhận diện đáng tin cậy mọi loại tế bào lão hóa trong mọi mô. Những kỹ thuật như RNA sequencing hoặc nhuộm marker có thể cho biết rất nhiều, nhưng thường đòi hỏi lấy mẫu, xử lý mô và trong nhiều trường hợp không thể giữ nguyên tế bào để quan sát tiếp.

Một nhóm nghiên cứu từ Massachusetts General Hospital, Harvard Medical School và MIT đang thử chuyển bài toán đó sang quang học. Trong một Technical Report công bố trên Nature Aging ngày 21/9/2026, họ giới thiệu RamanOmics: nền tảng kết hợp ảnh Raman không cần nhãn với single-nucleus RNA sequencing, spatial transcriptomics và machine learning để tìm những “barcode” hóa học–phân tử của trạng thái lão hóa ở cấp tế bào.

Điểm đáng chú ý nhất là Raman microscopy có thể đọc thành phần hóa học của mẫu bằng ánh sáng mà không cần phá hủy tế bào trong chính bước đo đó. Nhưng đây chưa phải công nghệ có thể soi qua da để tìm zombie cell trong người. Nghiên cứu hiện được thực hiện trên lát mô da và phổi chuột, còn các dữ liệu RNA dùng để xây dựng và kiểm chứng barcode vẫn cần quy trình sinh học phân tử riêng.

Vì sao một tế bào lão hóa lại khó “nhìn”?

Cellular senescence là trạng thái trong đó tế bào dừng chu kỳ phân chia lâu dài nhưng không chết ngay. Senescence có thể xuất hiện sau tổn thương DNA, stress hoặc các tín hiệu sinh học khác. Khi tích tụ theo tuổi, những tế bào này có thể tham gia vào viêm mạn, thoái hóa mô và nhiều bệnh liên quan tuổi tác. Nhưng senescence không chỉ có mặt xấu: trong một số bối cảnh, nó cũng tham gia phát triển phôi và sửa chữa mô.

Khó khăn nằm ở chỗ “tế bào lão hóa” không phải một kiểu tế bào đồng nhất. Các marker quen thuộc như p16, p21 hay những thành phần của senescence-associated secretory phenotype (SASP) có thể xuất hiện khác nhau tùy mô, loại tế bào và nguyên nhân gây senescence. Vì thế, chỉ tìm một protein rồi coi mọi tế bào dương tính là cùng một trạng thái sinh học có thể bỏ sót sự đa dạng này.

Trong nghiên cứu RamanOmics, nhóm chọn p21 — protein do gene Cdkn1a mã hóa — làm mốc vận hành để xác định một tập con tế bào senescent. Đây là lựa chọn thực dụng cho thí nghiệm, không phải tuyên bố rằng p21 đại diện cho toàn bộ senescence. Chính các tác giả cũng coi đây là một giới hạn quan trọng của nghiên cứu.

Raman microscopy đọc dao động của liên kết hóa học

Raman spectroscopy dựa trên một hiệu ứng quang học trong đó một phần rất nhỏ ánh sáng chiếu vào vật chất bị tán xạ với năng lượng thay đổi. Độ dịch năng lượng này liên hệ với các mode dao động của liên kết hóa học. Thay vì gắn fluorophore vào một protein cụ thể, máy có thể thu phổ chứa thông tin về lipid, protein, nucleic acid, carbohydrate và các thành phần khác ngay trong mô.

Trong RamanOmics, nhóm quét dải 600–1.800 cm⁻¹, tạo ra 873 chiều phổ cho mỗi vị trí đo. Hình ảnh Raman được chụp trước, sau đó cùng lát mô được xử lý bằng STARmap để lập bản đồ biểu hiện gene theo không gian. Nhờ căn chỉnh hai bộ dữ liệu, mỗi tế bào có thể được gắn cả “dấu vân tay” Raman lẫn thông tin RNA.

Nghiên cứu sử dụng da và phổi từ chuột 2 tháng và 26 tháng tuổi, với ba con ở mỗi nhóm tuổi cho mỗi mô. Riêng single-nucleus RNA sequencing tạo ra dữ liệu từ 35.474 tế bào phổi và 12.128 tế bào da. STARmap sử dụng panel 890 gene gồm marker loại tế bào cùng các gene liên quan lão hóa và senescence.

Một cụm tín hiệu lipid xuất hiện ở cả da và phổi

Khi so sánh tế bào p21⁺ với p21⁻, nhóm tìm thấy nhiều Raman peak khác nhau. Đáng chú ý, một cụm tín hiệu quanh 1.131–1.135 cm⁻¹, được gán cho thành phần liên quan lipid, tăng lên ở tế bào p21⁺ trong cả da lẫn phổi. Những peak này cũng xuất hiện cùng các thay đổi gene liên quan chuyển hóa lipid, tái cấu trúc extracellular matrix, phản ứng stress và biệt hóa biểu bì tùy mô.

Đây không có nghĩa là “lipid cao = zombie cell”. Một Raman peak không phải marker phân tử duy nhất với độ đặc hiệu tuyệt đối, và chính các tác giả lưu ý việc gán các peak cho lipid, amino acid hay nucleic acid vẫn cần được kiểm chứng thêm bằng isotope tracing và các kỹ thuật hóa học độc lập.

Điều RamanOmics cố làm là sử dụng nhiều đặc trưng cùng lúc. Nhóm chọn các Raman peak khác biệt và gene khác biệt, sau đó dùng random forest để học cách phân biệt tế bào p21⁺ với p21⁻. Từ những đặc trưng có sức dự đoán cao nhất, họ tạo ra một “barcode” dạng các vạch: vạch xanh đại diện cho đặc trưng Raman, vạch đỏ đại diện cho biểu hiện gene.

“Barcode” ở đây là mẫu dữ liệu, không phải nhãn được dán vào tế bào

Từ barcode có thể gây hiểu nhầm rằng nhóm nghiên cứu đưa một thẻ quang học vào cơ thể. Thực tế, barcode RamanOmics là một biểu diễn tính toán gồm những đặc trưng phổ và phân tử nổi bật nhất. Nó giống một mẫu nhận diện hơn là một vật thể vật lý.

Khi kết hợp Raman với dữ liệu RNA, classifier đạt accuracy khoảng 0,776 ở phổi và 0,655 ở da; AUC lần lượt khoảng 0,765 và 0,722. Các chỉ số đều cao hơn so với chỉ dùng dữ liệu RNA trong cách đánh giá của nhóm. Nhưng mô hình chỉ dùng Raman có kết quả khiêm tốn hơn: accuracy khoảng 0,487 ở phổi và 0,600 ở da, với AUC tương ứng khoảng 0,537 và 0,672.

Con số này rất quan trọng để đặt headline “không phá hủy” vào đúng chỗ. Raman là phần có thể đo mà không phá hủy mẫu, còn barcode mạnh nhất trong paper vẫn là barcode đa phương thức có cả dữ liệu gene. Để biến nó thành công cụ thuần quang học dùng trong mô sống, nhóm sẽ phải chứng minh rằng một tập Raman band đủ nhỏ vẫn giữ được độ phân biệt cao trên những mẫu độc lập.

Dấu hiệu còn xuất hiện khi da đang lành vết thương

Nhóm không chỉ so sánh chuột già với chuột trẻ. Họ còn dùng mô hình lành vết thương ở da chuột già, một bối cảnh trong đó senescent cells có thể xuất hiện tạm thời và tham gia quá trình sửa chữa mô. Ba ngày sau khi gây tổn thương, p21 tăng tại vùng vết thương cùng các gene liên quan biệt hóa biểu bì như Krt10, Dmkn, Lor, Sbsn và Sfn.

Song song với đó, những Raman peak liên quan lipid quanh 1.130–1.135 cm⁻¹ cũng tăng ở tế bào p21⁺. Kết quả này cho thấy một phần chữ ký hóa học được tìm thấy trong lão hóa tự nhiên vẫn xuất hiện trong một trạng thái senescence mang tính tái tạo, thay vì chỉ phản ánh tuổi của con vật.

Nó cũng nhắc lại một điểm dễ bị bỏ qua: loại bỏ mọi senescent cell không phải lúc nào cũng là mục tiêu đúng. Tác dụng của chúng phụ thuộc bối cảnh, thời điểm và loại mô.

Từ lát mô chuột tới endoscope còn một khoảng cách lớn

MIT cho biết hệ thống Raman hiện mất khoảng 30 giờ để phân tích một mẫu mô chỉ khoảng 1 mm². Tốc độ đó chưa phù hợp với chẩn đoán trên vùng mô lớn, chưa nói tới việc quét trực tiếp trong cơ thể. Nhóm đang phát triển phiên bản nhanh hơn, tập trung vào số ít Raman band có giá trị phân loại cao thay vì thu toàn bộ hyperspectral cube.

Một hướng dài hạn mà các tác giả hình dung là đưa Raman sensing vào endoscope để nhận diện dấu hiệu senescence trong mô sống. Nhưng đây mới là mục tiêu tương lai, không phải thiết bị đã được trình diễn trong nghiên cứu hiện tại. Paper chưa thử trên người, và các tác giả nói rõ việc mở rộng sang mô người là bước cần thiết để kiểm tra tính bền vững của barcode.

Còn có những giới hạn khác. Tế bào p21⁺ khá hiếm ngay cả trong mô chuột già, khiến lượng dữ liệu dùng để huấn luyện classifier không lớn. Hình ảnh Raman có độ phân giải quang học khoảng 0,4 µm nhưng khoảng lấy mẫu 3 µm khiến độ phân giải hiệu dụng của phép đo vào khoảng 6 µm; việc gán phổ cho từng tế bào vì thế vẫn có thể lẫn một phần tín hiệu từ cấu trúc lân cận. Và barcode hiện tại được xây dựng từ da và phổi chuột, chưa thể coi là một chữ ký senescence phổ quát cho mọi mô.

Điểm có giá trị của RamanOmics vì thế chưa phải một “máy dò zombie cell” hoàn chỉnh. Nghiên cứu cho thấy có thể dùng dữ liệu RNA để học những thay đổi sinh hóa tương ứng, rồi tìm lại một phần thông tin đó bằng ánh sáng mà không cần phá hủy mẫu trong bước Raman. Nếu nhóm có thể rút gọn chữ ký xuống một số ít Raman band, tăng tốc quét và tái lập kết quả trên mô người, công nghệ này mới tiến gần tới mục tiêu quan sát senescence trong mô sống thay vì chỉ xác nhận nó sau khi mẫu đã được xử lý.

Nghiên cứu: Ke Zhang, Xingjian Chen, Francesco Monticolo, Salvatore Sorrentino và cộng sự, “RamanOmics decodes the spatial vibrational–molecular architecture of senescence in aging and repair”, Nature Aging, 2026. DOI: 10.1038/s43587-026-01219-7. MIT News cũng công bố phần giải thích và lộ trình phát triển hệ Raman tốc độ cao.