ابزار محاسباتی جدید سرنوشت سلول ها و اختلالات ژنتیکی را پیش بینی می کند.
این تکنیک میتواند به پیشبینی مسیر یک سلول در طول زمان کمک کند، مانند نوع سلولی که تبدیل میشود.
توپی را تصور کنید که در هوا پرتاب شده است: به سمت بالا و سپس پایین خمیده می شود و یک قوس را تا نقطه ای روی زمین در فاصله کمی دورتر ایجاد می کند. مسیر توپ را می توان با یک معادله ریاضی ساده توصیف کرد و اگر معادله را بدانید می توانید بفهمید که توپ در کجا فرود می آید. پیشبینی سیستمهای بیولوژیکی سختتر است، اما جاناتان وایسمن، دکتر شیائوجی کیو و همکارانش، در حال کار بر روی ایجاد مسیری هستند که سلولها به اندازه قوس یک توپ در پیش میگیرند. آنها به جای نگاه کردن به چگونگی حرکت سلول ها در فضا، به چگونگی تغییر سلول ها با توجه به زمان می پردازند.
ویزمن، کیو و همکارانش Jianhua Xing، استاد زیست شناسی محاسباتی و سیستمی و Yan Zhang، چارچوبی برای یادگیری ماشین ساخته اند که می تواند معادلات ریاضی را که مسیر یک سلول را از یک حالت توصیف می کند، تعریف کند. مانند توسعه آن از یک سلول بنیادی به یکی از چندین نوع مختلف سلول بالغ. این چارچوب، که آنها آن را “Dynamo” می نامند، همچنین می تواند برای کشف مکانیسم های اساسی که باعث تغییرات در سلول می شود، استفاده شود. محققان به طور بالقوه میتوانند از این بینشها برای دستکاری سلولها برای در پیش گرفتن یک مسیر به جای مسیر دیگر استفاده کنند، یعنی هدفی مشترک در تحقیقات زیستپزشکی و پزشکی احیاکننده.
محققان Dynamo را با قابلیتهای تحلیلی فراوان چارچوب را توضیح میدهند و از آن برای کمک به درک مکانیسمهای تولید سلولهای خونی انسان استفاده می کنند، مانند اینکه چرا ابتدا یک نوع سلول خونی تشکیل میشود.
کیو میگوید: «هدف ما حرکت به سمت نسخه کمیتر زیستشناسی تک سلولی است. ما میخواهیم بتوانیم نحوه تغییر سلول در ارتباط با فعل و انفعال ژنهای تنظیمکننده را به همان دقتی که یک ستارهشناس میتواند حرکت سیاره را در رابطه با گرانش ترسیم کند، ترسیم کنیم، و سپس میخواهیم آن تغییرات را درک کنیم و بتوانیم آن را کنترل کنیم.»
نحوه ترسیم نقشه سفر آینده یک سلول
Dynamo از داده های بسیاری از سلول های منفرد برای رسیدن به معادلات خود استفاده می کند. اطلاعات اصلی مورد نیاز این است که چگونه بیان ژن های مختلف در یک سلول لحظه به لحظه تغییر می کند. محققان این را با بررسی تغییرات در مقدار RNA در طول زمان تخمین می زنند، زیرا RNA محصول قابل اندازه گیری بیان ژن است. همانطور که دانستن موقعیت شروع و سرعت یک توپ برای درک قوسی که دنبال خواهد شد ضروری است، محققان از سطوح شروع RNA ها و نحوه تغییر آن سطوح برای پیش بینی مسیر سلول استفاده می کنند. با این حال، محاسبه تغییرات در مقدار RNA از داده های توالی یابی تک سلولی چالش برانگیز است، زیرا توالی یابی تنها یک بار RNA را اندازه گیری می کند. سپس محققان باید از سرنخ هایی مانند RNA که در زمان توالی یابی ساخته می شود و معادلات گردش RNA برای تخمین چگونگی تغییر سطوح RNA استفاده کنند.
کیو و همکارانش مجبور شدند روشهای قبلی را به روشهای مختلفی بهبود بخشند تا اندازهگیریهای کافی برای کارکرد Dynamo به دست آورند. به طور خاص، آنها از یک روش تجربی که اخیراً توسعه یافته استفاده کردند که RNA جدید را برای تمایز آن از RNA قدیمی برچسب گذاری می کند، و این را با مدل سازی ریاضی پیچیده ترکیب می کند تا بر محدودیت های رویکردهای تخمین قدیمی غلبه کند.
چالش بعدی محققان این بود که از مشاهده سلولها در نقاط مجزا از زمان، به تصویری پیوسته از چگونگی تغییر سلولها دست یابند. این تفاوت مانند جابجایی از نقشهای است که فقط نشانهها را نشان میدهد به نقشهای که چشمانداز بدون وقفه را نشان میدهد و ردیابی مسیرهای بین نشانهها را ممکن میسازد. این گروه به رهبری کیو و ژانگ، از یادگیری ماشینی برای آشکار کردن عملکردهای پیوسته ای که این فضاها را تعریف می کنند، استفاده کردند.
پیشرفتهای فوقالعاده در روشهای نمایهسازی گسترده رونوشتها و سایر اطلاعات «omic» با وضوح تک سلولی وجود دارد. با این حال، ابزارهای تحلیلی برای کاوش این دادهها تا به امروز به جای پیشبینی، توصیفی بوده است. با یک عملکرد پیوسته، می توانید کارهایی را شروع کنید که فقط با نمونه برداری دقیق از سلول ها در حالت های مختلف امکان پذیر نبودند. به عنوان مثال، می توانید بپرسید: اگر من یک عامل رونویسی را تغییر دهم، این موضوع چگونه بیان ژن های دیگر را تغییر می دهد؟
Dynamo می تواند این توابع را با تبدیل آنها به نقشه های ریاضی تجسم کند. زمین هر نقشه توسط عواملی مانند بیان نسبی ژن های کلیدی تعیین می شود. مکان شروع یک سلول در نقشه با دینامیک بیان ژن فعلی آن تعیین می شود. هنگامی که می دانید سلول از کجا شروع می شود، می توانید مسیر را از آن نقطه دنبال کنید تا بفهمید سلول به کجا ختم می شود.
محققان پیشبینیهای سرنوشت سلولی Dynamo را با آزمایش آن بر روی سلولهای شبیهسازیشده تأیید کردند. سلولهایی که ژنتیک و اصل و نسب یکسانی دارند. یکی از دو کلون تقریباً یکسان توالی یابی می شود، در حالی که کلون دیگر تمایز می یابد. پیشبینیهای Dynamo برای اتفاقی که برای هر سلول توالییابی شده رخ میداد با آنچه برای کلون آن اتفاق افتاد مطابقت داشت.
حرکت از ریاضی به بینش بیولوژیکی و پیش بینی های غیر پیش پا افتاده
با تعیین یک عملکرد پیوسته برای مسیر یک سلول در طول زمان، Dynamo میتواند بینشی در مورد مکانیسمهای بیولوژیکی زیربنایی به دست آورد. محاسبه مشتقات تابع، اطلاعات زیادی را فراهم می کند. به عنوان مثال به محققان اجازه می دهد تا روابط عملکردی بین ژن ها را تعیین کنند (اینکه آیا و چگونه آنها یکدیگر را تنظیم می کنند). محاسبه شتاب میتواند نشان دهد که بیان ژن به سرعت در حال رشد یا کوچک شدن است، حتی زمانی که سطح فعلی آن پایین است. میتوان از آن برای آشکار ساختن اینکه کدام ژنها نقش کلیدی در تعیین سرنوشت یک سلول در اوایل مسیر حرکت سلول دارند، استفاده کرد.
محققان ابزار خود را بر روی سلول های خونی که دارای درخت تمایز بزرگ و منشعب هستند، آزمایش کردند. به همراه ویجی سانکاران متخصص سلول های خونی، آن ها دریافتند که Dynamo تمایز سلولهای خونی را ترسیم کرده و یافتههای اخیر را تأیید کرد که یکی از انواع سلولهای خونی، مگاکاریوسیتها، زودتر از سایرین شکل میگیرد. Dynamo همچنین مکانیسم پشت این تمایز اولیه را کشف کرد، ژن FLI1 که باعث تمایز مگاکاریوسیت ها می شود. این ژن می تواند خودبهخود فعال شود و به همین دلیل در مراحل اولیه در سلول های پیش ساز در سطوح نسبتاً بالایی وجود دارد. این امر اجداد را مستعد می کند که ابتدا به مگاکاریوسیت تمایز پیدا کنند.
محققان امیدوارند که Dynamo نه تنها به آنها کمک کند تا چگونگی انتقال سلول ها از یک حالت به حالت دیگر را درک کنند، بلکه محققان را در کنترل این وضعیت راهنمایی کند. برای این منظور، Dynamo شامل ابزارهایی برای شبیهسازی نحوه تغییر سلولها بر اساس دستکاریهای مختلف و روشی برای یافتن کارآمدترین مسیر از یک وضعیت سلولی به حالت دیگر است. این ابزارها چارچوب قدرتمندی را برای محققان فراهم میکنند تا پیشبینی کنند که چگونه میتوانند هر نوع سلولی را به طور بهینه برنامه ریزی کنند، یک چالش اساسی در زیستشناسی سلولهای بنیادی و پزشکی احیاکننده و همچنین برای ایجاد فرضیههایی در مورد اینکه چگونه تغییرات ژنتیکی دیگر سرنوشت سلولها را تغییر میدهد. کاربردهای متنوعی وجود دارد.
زینگ میگوید: «اگر مجموعهای از معادلات را طراحی کنیم که بتواند چگونگی تنظیم ژنهای درون یک سلول یکدیگر را توصیف کند، میتوانیم به طور محاسباتی نحوه تبدیل سلولهای تمایز یافته نهایی به سلولهای بنیادی را توصیف کنیم. یا پیشبینی کنیم که چگونه یک سلول سرطانی ممکن است به ترکیبهای مختلفی از داروهایی که آزمایش تجربی درمورد آن ها غیرعملی است واکنش نشان دهد.»
Dynamo فراتر از تحلیلهای توصیفی و آماری و صرفاً حول دادههای توالییابی تک سلولی حرکت میکند تا یک تئوری پیشبینیکننده از انتقال سرنوشت سلول را استخراج کند. مجموعه ابزار Dynamo میتواند بینش عمیقی در مورد چگونگی تغییر سلولها در طول زمان ارائه دهد، امیدواریم مسیر سلولها را به اندازه قوس توپ برای محققان قابل پیشبینی کند.