Questa sfida impallidisce in confronto a quella che i ricercatori devono affrontare quando utilizzano il sequenziamento dell'RNA a cellula singola (scRNA-seq) per studiare come si sviluppano gli embrioni, come si differenziano le cellule, come si formano i tumori e come reagisce il sistema immunitario.

In un articolo pubblicato oggi in Proceedings of the National Academy of Sciences , i ricercatori della Pritzker School of Molecular Engineering dell'Università di Chicago e del Dipartimento di Chimica hanno creato TopicVelo, un nuovo e potente metodo per utilizzare le istantanee statiche di scRNA-seq per studiare come le cellule e i geni cambiano nel tempo.

Il team ha adottato un approccio interdisciplinare e collaborativo, incorporando concetti dell'apprendimento automatico classico, della biologia computazionale e della chimica.

"In termini di apprendimento automatico non supervisionato, utilizziamo un'idea molto semplice e ben consolidata. E in termini di modello trascrizionale che utilizziamo, è anche un'idea molto semplice e vecchia. Ma quando li metti insieme, fanno qualcosa di più potente di quanto ci si potrebbe aspettare", ha detto Samantha Riesenfeld, professoressa assistente del PME di ingegneria molecolare e medicina, che ha scritto l'articolo con il professor Suriyanarayanan Vaikuntanathan del Dipartimento di Chimica e il loro studente congiunto, Ph.D. di Chimica dell'UChicago. candidato Cheng Frank Gao.

Il problema con lo pseudotempo

I ricercatori utilizzano scRNA-seq per ottenere misurazioni potenti e dettagliate, ma per loro natura statiche.

"Abbiamo sviluppato TopicVelo per dedurre le transizioni dello stato cellulare dai dati scRNA-seq", ha affermato Riesenfeld. "È difficile farlo da questo tipo di dati perché scRNA-seq è distruttivo. Quando misuri la cellula in questo modo, la distruggi."

Ciò lascia ai ricercatori un’istantanea del momento in cui la cellula è stata misurata/distrutta. Sebbene scRNA-seq fornisca la migliore istantanea disponibile dell'intero trascrittoma, l'informazione di cui molti ricercatori hanno bisogno, tuttavia, è il modo in cui le cellule effettuano la transizione nel tempo . Hanno bisogno di sapere come una cellula diventa cancerosa o come si comporta un particolare programma genetico durante una risposta immunitaria.

Per aiutare a capire i processi dinamici da un'istantanea statica, i ricercatori tradizionalmente utilizzano quello che viene chiamato "pseudotempo". È impossibile osservare l'espressione di una singola cellula o di un gene cambiare e crescere in un'immagine fissa, ma quell'immagine ha catturato anche altre cellule e geni dello stesso tipo che potrebbero trovarsi un po' più avanti nello stesso processo. Se gli scienziati collegano correttamente i punti, possono ottenere informazioni approfondite sull'aspetto del processo nel tempo.

Collegare questi punti è un’ipotesi difficile, basata sul presupposto che celle dall’aspetto simile si trovino semplicemente in punti diversi lungo lo stesso percorso. La biologia è molto più complicata, con false partenze, arresti, esplosioni e molteplici forze chimiche che agiscono su ciascun gene.

Invece dei tradizionali approcci pseudotime, che esaminano la somiglianza di espressione tra i profili trascrizionali delle cellule, gli approcci alla velocità dell'RNA esaminano le dinamiche di trascrizione, splicing e degradazione dell'mRNA all'interno di tali cellule.

È una tecnologia promettente ma precoce.

"Il divario persistente tra la promessa e la realtà della velocità dell'RNA ha ampiamente limitato la sua applicazione", hanno scritto gli autori nell'articolo.

Per colmare questa lacuna, TopicVelo mette da parte i modelli deterministici, abbracciando (e raccogliendo informazioni da) un modello stocastico molto più difficile che riflette l'inevitabile casualità della biologia.

"Le cellule, quando ci pensi, sono intrinsecamente casuali", ha detto Gao, il primo autore dello studio. "Si possono avere gemelli o cellule geneticamente identiche che crescendo diventeranno molto diverse. TopicVelo introduce l'uso di un modello stocastico. Siamo in grado di catturare meglio la biofisica sottostante nei processi di trascrizione che sono importanti per la trascrizione dell'mRNA."

Il machine learning indica la strada

Il team si è anche reso conto che un’altra ipotesi limita la velocità dell’RNA standard. "La maggior parte dei metodi presuppone che tutte le cellule esprimano fondamentalmente lo stesso grande programma genetico, ma si può immaginare che le cellule debbano eseguire diversi tipi di processi simultaneamente, a vari livelli", ha detto Riesenfeld. Districare questi processi è una sfida.

La modellazione probabilistica degli argomenti, uno strumento di apprendimento automatico tradizionalmente utilizzato per identificare i temi dai documenti scritti, ha fornito al team di UChicago una strategia. TopicVelo raggruppa i dati scRNA-seq non in base al tipo di cellula o gene, ma in base ai processi in cui sono coinvolti tali cellule e geni. I processi sono dedotti dai dati, piuttosto che imposti da conoscenze esterne.

"Se guardi una rivista scientifica, sarà organizzata secondo argomenti come 'fisica', 'chimica' e 'astrofisica', questo genere di cose", ha detto Gao. "Abbiamo applicato questo principio organizzativo ai dati di sequenziamento dell'RNA di singole cellule. Quindi ora possiamo organizzare i nostri dati per argomenti, come "sintesi ribosomiale", "differenziazione", "risposta immunitaria" e "ciclo cellulare". adattare modelli trascrizionali stocastici specifici per ciascun processo."

Dopo che TopicVelo ha districato questo groviglio di processi e li ha organizzati per argomento, applica nuovamente i pesi degli argomenti alle celle, per tenere conto di quale percentuale del profilo trascrizionale di ciascuna cellula è coinvolta in quale attività.

Secondo Riesenfeld, "Questo approccio ci aiuta a osservare le dinamiche dei diversi processi e a comprenderne l'importanza nelle diverse cellule. E ciò è particolarmente utile quando ci sono punti di diramazione o quando una cella viene tirata in direzioni diverse."

I risultati della combinazione del modello stocastico con il modello tematico sono sorprendenti. Ad esempio, TopicVelo è riuscito a ricostruire traiettorie che in precedenza richiedevano il recupero di speciali tecniche sperimentali. Questi miglioramenti ampliano notevolmente le potenziali applicazioni.

Gao ha confrontato i risultati dell'articolo con l'articolo stesso, il prodotto di molte aree di studio e di competenza.

"Alla PME, se hai un progetto di chimica, è probabile che ci sia uno studente di fisica o di ingegneria che ci lavora", ha detto. "Non è mai solo chimica."