Машинное обучение и генетические исследования раскрывают работу клеток

Мы объединили алгоритм машинного обучения с данными сотен биологических экспериментов, чтобы создать метод, позволяющий биомедицинским исследователям определять функции белков, включающих и выключающих гены в клетках, — транскрипционных факторов. Это знание может упростить разработку лекарств от широкого спектра заболеваний.

В начале пандемии COVID-19 ученые, расшифровавшие генетический код РНК клеток легких и кишечника, обнаружили, что лишь небольшая группа клеток в этих органах наиболее уязвима для заражения вирусом SARS-CoV-2. Это позволило исследователям сосредоточиться на блокировании способности вируса проникать в эти клетки. Наш метод может упростить поиск подобной информации.

Биологические знания, с которыми мы работаем, получены с помощью РНК-секвенирования, которое дает снимок сотен тысяч молекул РНК в клетке в момент их трансляции в белки. Широко признанный инструмент машинного обучения, платформа анализа Seurat, помогла исследователям по всему миру обнаруживать новые популяции клеток в здоровых и пораженных органах. Этот инструмент обрабатывает данные одноклеточного РНК-секвенирования без какой-либо предварительной информации о функциях и взаимосвязях генов.

Наш метод использует другой подход, добавляя знания об определенных генах и типах клеток для поиска подсказок об их уникальных ролях. Более десяти лет исследований было посвящено идентификации всех потенциальных мишеней транскрипционных факторов.

Вооружившись этими знаниями, мы использовали математический подход — байесовский вывод. В этой технике априорные знания преобразуются в вероятности, которые можно вычислить на компьютере. В нашем случае это вероятность регуляции гена заданным транскрипционным фактором. Затем мы использовали алгоритм машинного обучения, чтобы определить функцию транскрипционных факторов в каждой из тысяч проанализированных клеток.

Мы опубликовали наш метод, названный Bayesian Inference Transcription Factor Activity Model, в журнале Genome Research и также сделали программное обеспечение свободно доступным для тестирования и использования другими исследователями.

Наш подход работает для широкого спектра типов клеток и органов и может быть использован для разработки методов лечения таких заболеваний, как COVID-19 или болезнь Альцгеймера. Лекарства от этих сложных заболеваний наиболее эффективны, если они нацелены на клетки, вызывающие болезнь, и избегают повреждения других клеток. Наш метод упрощает для исследователей поиск таких мишеней.

Одноклеточное РНК-секвенирование показало, как каждый орган может иметь 10, 20 или даже более подтипов специализированных клеток, каждый со своими функциями. Очень перспективное новое направление — появление пространственной транскриптомики, при которой РНК-секвенирование выполняется в пространственной сетке, позволяя изучать РНК клеток в конкретных местах органа.

В недавней статье использовался подход байесовской статистики, аналогичный нашему, для определения функций клеток с учетом их близости друг к другу. Другая исследовательская группа объединила пространственные данные с данными одноклеточного РНК-секвенирования для изучения функций соседних клеток.

Мы планируем сотрудничать с коллегами, чтобы использовать наш новый метод для изучения сложных заболеваний, таких как болезнь Альцгеймера и COVID-19, что может привести к созданию новых лекарств. Мы также хотим работать над лучшим пониманием сложности взаимодействий между клетками.