Новый инструмент для изучения множества характеристик одной клетки

Исследователи из Детской больницы Филадельфии (CHOP) и Технологического института Нью-Джерси (NJIT) разработали новое программное обеспечение, которое интегрирует разнообразную информацию об одной клетке. Это позволяет увидеть, как одно изменение в клетке может привести к нескольким другим, и даёт важные подсказки для точного определения причин генетически обусловленных заболеваний.

Результаты опубликованы в журнале Nature Communications.

Секвенирование единичных клеток позволяет исследовать конкретные аспекты клетки, чтобы определить, как она взаимодействует со своим микроокружением. Это особенно важно в исследованиях рака, так как может использоваться для определения эффектов мутации, затрагивающей лишь небольшую часть клеток. На уровне одной клетки можно изучать экспрессию генов, а также матричную РНК (mRNA), белки и даже органеллы с гораздо большей детализацией и разрешением, чем раньше.

Однако, поскольку каждая характеристика клетки изучалась по отдельности, связи между ними — например, как генетический вариант может напрямую влиять на mRNA, синтез белка или эпигенетику — могут оставаться незаметными, даже при сравнении данных, полученных из одной и той же клетки.

Для решения этой статистической и вычислительной проблемы исследователи разработали автоматизированный программный инструмент для кластеризации одноклеточного мультимодального секвенирования. Он позволяет одновременно профилировать то, что происходит в клетке в рамках множества биологических процессов, и лучше охарактеризовать взаимосвязи между изменениями в клетке.

«С помощью этого инструмента мы можем лучше понять клетку как целостную сущность, а не просто как фрагментированную единицу», — сказал Хакон Хаконарсон, доктор медицины и философии, директор Центра прикладной геномики в CHOP и старший автор исследования. «Это значительный прогресс, позволяющий нам интегрировать и осмыслить всю эту информацию с биологической точки зрения, что особенно важно при рассмотрении данных о различных заболеваниях».

Программное обеспечение, называемое одноклеточным мультимодальным глубоким кластерингом (scMDC), использует машинное обучение для анализа данных о различных характеристиках одной клетки. Исследователи провели обширные симуляционные и реальные эксперименты и обнаружили, что scMDC превосходит существующие методы одноклеточной одно- и мультимодальной кластеризации на наборах мультимодальных данных. Оно также использует линейную масштабируемость, что означает: чем больше источников данных предоставлено scMDC, тем лучше результаты.