Учёные создали «Твиттер» для клеток
Вычислительные биологи под руководством профессора Ивана Сейса (VIB-Гентский центр исследований воспаления) разработали новый биоинформатический метод для лучшего изучения коммуникации между клетками. Этот метод, названный NicheNet, помогает исследователям понять, как взаимодействующие клетки регулируют экспрессию генов. NicheNet имеет широкий спектр потенциальных применений в таких областях, как иммунология и биология опухолей, и уже успешно использовался группой профессора Мартина Гийама (VIB-Гентский центр исследований воспаления).
Соседи клеток
В многоклеточных организмах клетки не функционируют сами по себе: они производят сигнальные молекулы, которые влияют на экспрессию генов в взаимодействующих клетках. Эта межклеточная коммуникация играет важную роль во многих биологических процессах, таких как развитие и функционирование клеток. Её изучение важно не только для понимания фундаментальной биологии, но и для получения информации о заболеваниях, например, раке. Взаимодействия между раковыми клетками и другими клетками в микроокружении опухоли имеют решающее значение для её роста.
Пример процесса, в котором межклеточная коммуникация необходима, — дифференцировка макрофагов (тип иммунных клеток). На этот процесс влияют другие типы клеток в окружении, или «нише», макрофага.
Исследователи из группы Мартина Гийама, тесно сотрудничающие с лабораторией Сейса, хотели изучить этот процесс для клеток Купфера — макрофагов в печёночном кровотоке. Они сгенерировали большой массив данных об экспрессии генов всех вовлечённых клеток.
«Но использовать такие данные для изучения клеточной коммуникации — нетривиальная задача, — говорит Иван Сейс. — Нам потребовалось разработать новый сложный алгоритм».
Машинное обучение для «общающихся» клеток
Под руководством постдока Ваутера Сэленса и Ивана Сейса аспирант Робин Броуэйс начал разработку нового метода для анализа того, как клетки могут сигналить друг другу.
Броуэйс объясняет: «Наша идея заключалась в том, чтобы использовать огромный объём накопленных за годы знаний о межклеточной передаче сигналов и применить эти знания для выявления процессов коммуникации в наших данных. Для этого нам пришлось использовать несколько методов машинного обучения и статистики, включая сетевые алгоритмы, которые, например, применяются для анализа социальных сетей».
Сэленс резюмирует: «По сути, наш новый метод NicheNet можно сравнить с гипотетическим биологом, который не только знает всё уже опубликованное о межклеточной коммуникации, но и может применить эти знания к сложным большим наборам данных. Разумные прогнозы о межклеточной коммуникации, на которые раньше требовались недели изучения литературы, теперь можно получить нажатием кнопки».
Тестирование NicheNet
Первым тестовым случаем для NicheNet стали данные о нише клеток Купфера, полученные лабораторией Гийама. Исследователи смогли экспериментально подтвердить некоторые сигналы, предсказанные NicheNet. «Благодаря NicheNet мы изучили факторы, о которых сами бы не подумали, — подтверждает Мартин Гийам. — Для нас NicheNet был важнейшим инструментом, который помог раскрыть нишу клеток Купфера».
«Помимо истории с клетками Купфера, мы также применяли NicheNet для исследования межклеточной коммуникации в микроокружении опухоли, — добавляет Сейс. — Мы использовали NicheNet на ранее опубликованных данных одноклеточного секвенирования, но сейчас работаем с новыми наборами данных, полученными от групп-партнёров. Как различные виды лечения влияют на клеточные взаимодействия в микроокружении опухоли и как это влияет на саму опухоль — вот некоторые из вопросов, которые мы пытаемся решить с помощью NicheNet».
Эти приложения иллюстрируют ценность NicheNet для генерации новых гипотез о том, как клетки общаются в фундаментальных биологических процессах и при заболеваниях.