Новый подход на основе видеоигр позволяет визуализировать развитие конечностей

Эмбриональное развитие — это процесс непрерывных изменений от одной клетки до целого организма. Однако наше понимание этого процесса иногда ограничено, поскольку мы можем наблюдать его лишь как «снимки», особенно когда речь идет о тонких молекулярных деталях, таких как паттерны экспрессии генов.

Ученые из исследовательской группы Джеймса Шарпа в EMBL Барселона нашли способ визуализировать непрерывную эволюцию паттернов экспрессии генов в развитии, применив технику, часто используемую разработчиками видеоигр. Исследование было недавно опубликовано в журнале Development.

Проблема «снимков» в биологии развития

Одна из главных проблем в биологии развития — невозможность наблюдать внутреннее развитие эмбриона в реальном времени. У таких животных, как рыбы и амфибии, эмбриональное развитие происходит вне тела родителей, и исследователи могут напрямую снимать этот процесс. Однако у млекопитающих, например мышей, формирование органов происходит внутри матки и остается скрытым.

Это вынуждает исследователей полагаться на сбор «снимков» эмбрионов на разных стадиях. Такой подход, хотя и полезен, имеет ограничения: он требует большого количества образцов и дает лишь фрагментированное и «зашумленное» описание развития.

Изучение паттернов экспрессии генов еще сложнее. В отличие от анатомических структур (например, кости или ткани), паттерны экспрессии генов не имеют четкой привязки к физическому местоположению на эмбрионе, что затрудняет реконструкцию их изменений во времени. Даже при наличии больших наборов данных вариации между отдельными эмбрионами (одни развиваются быстрее, другие медленнее) вносят несоответствия, осложняющие интерпретацию.

Новый метод интерполяции данных

Группа Шарпа, изучающая развитие конечностей у мышей, поставила задачу получить непрерывное описание этой динамики. Их работа использует ранее собранные наборы данных из разных экспериментов и реконструирует плавную, непрерывную временную шкалу паттернов экспрессии генов, заполняя пробелы в прежних фрагментированных описаниях.

Для этого был разработан новый метод «интерполяции» данных об экспрессии генов — оценки недостающих точек данных в промежутках между измерениями. Вместо попытки интерполировать весь паттерн для ткани напрямую (сложный и подверженный ошибкам подход) метод фокусируется на более простой и эффективной стратегии: интерполяции экспрессии гена для каждого движущегося фрагмента ткани с последующей сборкой в единое представление развивающейся конечности. Преобразование сложной 2-мерной задачи в более управляемую 1-мерную интерполяцию значительно повысило точность и эффективность.

Прорыв из мира видеоигр

Ключевой проблемой стал выбор правильной техники интерполяции. Два распространенных метода — линейная и полиномиальная интерполяция — имели свои недостатки. Линейная интерполяция (соединение точек прямыми линиями) может приводить к резким, неестественным изменениям. Полиномиальная создает гладкие кривые, но требует заранее угадать точную форму кривой, что ограничивает гибкость.

Решение пришло из неожиданного источника — видеоигр. Осознание того, что разработчики игр используют для создания плавных и гибких интерполяций движений камеры и анимаций набор математических функций, известных как B-сплайны, стало прорывом. Эта техника дала именно то, что было нужно: метод интерполяции, одновременно произвольный и гладкий.

Применение и результаты

Применив метод с B-сплайнами, ученые смогли создать подход, который бесшовно интегрирует разные источники данных визуализации для генерации плавной реконструкции паттернов экспрессии генов во времени и пространстве.

Для проверки метода его применили к гену Sox9, который маркирует будущие скелетные клетки во время развития конечности. Результаты оказались многообещающими: была достигнута первая четкая визуализация экспрессии Sox9 во времени, и показано, что метод работает даже для генов с очень сложными паттернами. Тестирование на других процессах развития, таких как формирование нервной трубки (ключевая часть развития нервной системы), продемонстрировало широкую применимость метода за пределами развития конечностей.

Этот метод решает одну из самых сложных проблем биологии развития — невозможность динамической визуализации изменений экспрессии генов — и делает это без необходимости сбора дополнительных данных.