Исследователи используют топологию для понимания самоорганизации клеток

Эмбриональное развитие — процесс, позволяющий организмам расти из одной клетки. Для формирования здоровых тканей клетки эмбриона должны организоваться правильным образом в нужном месте и в нужное время. Сбои в этом процессе приводят к врождённым дефектам, нарушению регенерации тканей или раку. Понимание того, как разные типы клеток организуются в сложные тканевые структуры, остаётся одним из фундаментальных вопросов биологии развития.

Учёные из Университета Брауна приблизились к ответу, используя раздел математики — топологию. Команда, состоящая из биоинженеров и прикладных математиков, создала алгоритм машинного обучения на основе вычислительной топологии. Он анализирует формы и пространственные паттерны в эмбрионах, чтобы изучать, как клетки самоорганизуются в тканеподобные структуры. В новом исследовании, описанном в npj Systems Biology and Applications, система была усовершенствована для изучения сборки нескольких типов клеток.

Клетки в тканях обладают разной способностью к адгезии (слипанию) с клетками своего и других типов. Это определяет их конечное положение. Например, в эмбрионе животного внешний слой клеток образует кожу, средний — мышцы и кости, а внутренний — печень или лёгкие. Клетки внутри каждого слоя предпочтительно связываются друг с другом, отделяясь от клеток других слоёв.

Ещё в 1970-х годах было обнаружено, что клетки эмбрионов лягушки, аккуратно разделённые и смешанные, спонтанно восстанавливают исходную организацию. Это происходит из-за разной аффинности (сродства) клеток друг к другу. При их сборке и кластеризации сохраняются определённые топологические паттерны связей и петель.

В 2021 году исследователи из Брауна показали, как их подход может определять топологические черты одного типа клеток, организующихся в разные пространственные конфигурации, и делать прогнозы. Однако исходный алгоритм был медленным и трудоёмким: он сравнивал топологические признаки по одному, что занимало несколько часов.

В новом исследовании эта проблема решена с помощью персистентных изображений — стандартизированного картиноподобного формата для представления топологических признаков. Это позволяет быстро сравнивать большие наборы данных о позициях клеток. Эти изображения используются для обучения других алгоритмов, которые генерируют «цифровые отпечатки», фиксирующие ключевые топологические особенности данных.

В результате время вычислений сократилось с часов до секунд. Теперь можно сравнивать тысячи симуляций клеточной организации, классифицируя их по схожим паттернам без участия человека.

Цель — двигаться «обратно»: на основе итогового паттерна вывести правила, описывающие, как разные типы клеток располагаются. Например, изменяя параметры адгезии клеток, можно определить, как и когда происходят резкие изменения в архитектуре ткани.

Этот подход может быть применён для:

• Понимания сбоев в процессе развития.
• Лабораторных экспериментов по изучению влияния различных препаратов на миграцию и адгезию клеток.

Как отмечает ведущий автор работы Дхананджай Бхаскар: «Если мы видим определённый паттерн, наш алгоритм может объяснить, почему он возникает. В каком-то смысле он рассказывает нам правила игры, когда дело доходит до самоорганизации клеток».