细胞是生命的基本单位，而细胞器则如同细胞内的“功能车间”，各司其职。其中，内体与溶酶体（统称内溶酶体）在物质运输、降解回收及信号调控中发挥核心作用。这些细胞器在细胞质中呈现出“走走停停”的复杂运动模式，其动态异常与多种疾病密切相关，但长期以来，其运动调控机制缺乏系统性解析。近日，中国科学院自动化研究所多模态人工智能系统全国重点实验室计算生物学与机器智能（CBMI）团队，借助深度学习技术，首次实现了对内溶酶体运动模式及其微环境的全景式解析，揭示了内质网（ER）的网格节点是调控其运动状态切换的关键枢纽。 传统研究依赖人工追踪细胞器轨迹，效率低且难以应对高通量数据与复杂病理条件下的动态变化。CBMI团队创新性地构建了一套全自动图像分析流程，融合单粒子追踪、空间分布分析与内质网形态学分析，利用深度学习模型高效重建数千条内溶酶体运动轨迹，精准提取其运动状态、空间分布及局部微环境特征，实现了从“观察轨迹”到“理解机制”的跨越。该成果不仅为细胞器动态行为研究提供了全新范式，也标志着人工智能在生命科学基础发现中的关键突破。 研究发现，内溶酶体在内质网网络中呈现三种典型运动模式：全局快速移动、局部慢速移动和暂停。尤为关键的是，暂停事件常与内体-溶酶体的短暂互作及细胞器裂变密切相关，提示细胞骨架与内膜系统之间存在精细的动态耦合机制。而内质网的连接节点，正是这一调控网络的核心“交通枢纽”，通过调节运动模式的切换，协调细胞器间的功能协作。 这项研究由中科院自动化所副研究员李文静担任第一作者，杨戈研究员为通讯作者，合作单位包括中科院生物物理研究所胡俊杰研究员。研究得到国家自然科学基金重大研究计划、中科院先导专项、国家重点研发计划及中央高校基本科研业务费等多项资助。成果已发表于《科学进展》（Science Advances），论文题为《内质网连接点通过“停-走”模式切换促进内体-溶酶体互作》。 相关技术与成果已集成至中科院部署的“磐石科学基础大模型”与“磐石·数字细胞”平台，将为后续细胞生物学、疾病机制研究及药物开发提供强有力的智能分析支撑，加速生命科学从基础发现向临床转化的进程。