Coupling cell growth to protein secretion enables pooled screening at single-cell resolution in bioreactors
تقدم الورقة البحثية AutoGrowth، وهي استراتيجية فحص قائمة على النمو تربط معدل نمو الخلايا بإفراز البروتين عبر مستشعر حيوي أحادي الخلية، مما يتيح فحصاً عالي الإنتاجية بدقة الخلية الواحدة للمكتبات المجمعة في المفاعلات الحيوية مع الحفاظ على الارتباط بين النمط الجيني والنمط الظاهري.
المؤلفون الأصليون:Galez, H., Franja Da Silva, A., Capela, C., Napolitano, S., Batt, G.
في عالم البيولوجيا الحديثة الواسع، يحتاج العلماء غالباً إلى العثور على تباين جيني واحد مثالي، مختبئ وسط ملايين الاحتمالات. تخيل أنك تحاول العثور على حبة رمل واحدة محددة على الشاطئ، لكن هذه الحبة لديها القدرة على جعل مصنع يعمل بشكل أسرع. هذا هو تحدي هندسة البروتينات. تُصنع العديد من الأدوية والإنزيمات الصناعية بواسطة خلايا دقيقة، مثل الخميرة، التي تعمل كمصانع مجهرية. ولجعل هذه المصانع أكثر كفاءة، يجب على الباحثين تعديل التعليمات الجينية للخلايا لمساعدتها على إنتاج وإفراز المزيد من البروتين المطلوب. ومع ذلك، يوجد عائق رئيسي: عندما تفرز الخلية بروتيناً، فإنه يطفو بعيداً في السائل المحيط بها. وهذا يجعل من المستحيل تقريباً معرفة أي خلية محددة أنتجت أكبر قدر من البروتين، لأن الإشارة تضيع في الزحام. تتطلب الطرق التقليدية غالباً احتجاز البروتين أو استخدام بيئات اصطناعية معقدة لا تعكس كيفية عمل هذه الخلايا في خزانات التصنيع الواقعية.
لقد طور فريق من الباحثين طريقة جديدة لحل هذه المشكلة عن طريق تحويل نمو الخلية نفسه إلى مسطرة قياس. لقد أنشأوا نظاماً يسمى "AutoGrowth"، يربط سرعة نمو الخلية مباشرة بمدى جودة إفرازها للبروتين. وبدلاً من محاولة الإمساك بالبروتين أثناء خروجه من الخلية، قام الباحثون بهندسة الخميرة بحيث يؤدي فعل إفراز البروتين إلى تحفيز إشارة داخل الخلية تخبرها بأن تنمو بشكل أسرع. إذا كانت الخلية "مفرزة جيدة"، فإنها تحصل على دفعة نمو وتتكاثر بسرعة. أما إذا كانت "مفرزة ضعيفة"، فإنها تنمو ببطء. ومن خلال مجرد مراقبة الخلايا التي تسيطر على الجمهرة (المجتمع الخلوي) على مدار بضعة أيام، يمكن للعلماء تحديد أفضل المؤدين دون الحاجة أبداً إلى عزلهم بشكل فردي. يسمح هذا النهج بفحص مكتبات ضخمة من المتغيرات الجينية في مزارع سائلة قياسية، مما يحاكي ظروف التخمير الصناعي واسع النطاق.
بنى الباحثون هذا النظام باستخدام دائرة بيولوجية ذكية داخل خلايا الخميرة. لقد دمجوا البروتين الذي أرادوا دراسته مع ببتيد صغير يعمل كمفتاح. عندما تفرز الخلية هذا البروتين المدمج، يقوم الجزء الببتيدي بتنشيط مستقبل على سطح الخلية. يقوم هذا المستقبل بعد ذلك بقلب مفتاح داخل الخلية يشغل جيناً مسؤولاً عن صنع مغذٍ معين، وفي هذه الحالة هو "الهيستيدين". في بيئة يغيب عنها الهيستيدين، الخلايا التي تنجح في إفراز كمية كافية من البروتين فقط هي التي تستطيع صنع الهيستيدين الخاص بها والبقاء على قيد الحياة. كلما أفرزت الخلية بروتيناً أكثر، أنتجت هيستيدين أكثر، وبالتالي نمت بشكل أسرع. اختبر الفريق هذا المفهوم مع عدة بروتينات مختلفة، بما في ذلك الإنزيمات وأجزاء الأجسام المضادة، للتأكد من أن النظام يعمل على نطاق واسع وليس لنوع واحد فقط من الجزيئات. ووجدوا أن معدل نمو الخلايا يتناسب طردياً مع قدرتها على الإفراز، مما خلق إشارة موثوقة وذاتية التضخيم.
ولإثبات أن هذه الطريقة يمكنها التعامل مع النطاق المطلوب للتطبيقات الواقعية، أجرى العلماء سلسلة من الاختبارات الصارمة. أولاً، خلطوا مكتبة صغيرة من سلالات الخميرة، تحمل كل منها نسخة مختلفة من "الببتيد الإشاري" (signal peptide) — وهو تعليم جيني يساعد في توجيه البروتينات خارج الخلية. وضعوا هذا الخليط في مفاعل حيوي (bioreactor)، وهو خزان محكوم يحاكي الظروف الصناعية، وتركوا الخلايا تنمو لعدة أيام. وكما كان متوقعاً، فإن السلالات ذات الببتيدات الإشارية الأفضل نمت بشكل أسرع وأصبحت الأعضاء المهيمنة في الجمهرة. ومن خلال تسلسل الحمض النووي (DNA) للجمهرة النهائية، استطاع الباحثون رؤية أي المتغيرات قد تم إثراؤها، مما أكد أن النظام نجح في اختيار أفضل المفرزات مع مراعاة الصحة العامة للخلايا أيضاً.
تجلت القوة الحقيقية لهذه الطريقة عندما اختبر الفريق قدرتها على العثور على "إبرة في كومة قش". لقد أنشأوا خليطاً حيث يوجد متغير واحد عالي الكفاءة بنسبة واحد إلى مائة مليون. هذا المستوى من الندرة سيكون مستحيلاً العثور عليه باستخدام طرق الفرز التقليدية التي تبحث في الخلايا واحدة تلو الأخرى. بعد ثلاثة أيام فقط من النمو في المفاعل الحيوي، تكاثر المتغير النادر وعالي الأداء بما يكفي ليتم اكتشافه بسهولة. لقد أثرى النظام هذا المتغير النادر بمعامل يزيد عن ألفي ضعف، مما أثبت أن الطريقة يمكنها غربلة مكتبات هائلة للعثور على المرشحين الأكثر واعدية. لاحظ الباحثون أيضاً أنه إذا كان ضغط الاختيار مرتفعاً جداً لفترة طويلة، فقد تنمو بعض الخلايا بسرعة دون إفراز البروتين، لكنهم وجدوا أن تشغيل عملية الاختيار لفترة أقصر ومسيطر عليها يمنع حدوث هذه المشكلة.
يمثل هذا العمل تحولاً كبيراً في كيفية مقاربة العلماء لتحسين المصانع البيولوجية. فمن خلال ربط بقاء ونمو الخلية مباشرة بقدرتها على أداء مهمة محددة، أنشأ الباحثون نظاماً ذاتي الاختيار يعمل في نفس البيئات السائلة المستخدمة في الإنتاج الصناعي. وخلافاً للطرق السابقة التي تطلبت حبس الخلايا في قطرات صغيرة أو لصقها بأسطح صلبة، يسمح هذا النهج لها بالنمو بحرية، مما يضمن أن تكون النتائج ذات صلة بالتصنيع الواقعي. إن القدرة على فحص مليارات المتغيرات في غضون أيام، مع الحفاظ على الارتباط بين الشفرة الجينية للخلية وأدائها، تفتح الباب لاكتشاف طرق جديدة وأكثر كفاءة لإنتاج البروتينات التي تقود الطب والصناعة الحديثة. وتؤكد الدراسة أنه من خلال ترك الخلايا تتنافس طبيعياً من أجل النمو، فإن أفضل المؤدين سيبرزون حتماً إلى الصدارة.
ملخص تقني: AutoGrowth – ربط نمو الخلايا بإفراز البروتين من أجل الفحص المجمع
بيان المشكلة يتطلب تحسين إفراز البروتين المعاد صياغته في الهياكل الميكروبية (مثل S. cerevisiae) التنقل في مساحة معلمات واسعة تشمل الببتيدات الإشارية، والمحفزات، واستخدام الكودونات، وجرعة الجينات. وبينما يعد فحص المكتبات المجمعة نهجًا فعالًا لاستكشاف هذه المساحة، إلا أنه يواجه عقبة حرجة: الحفاظ على الارتباط بين النمط الجيني والنمط الظاهري في المزارع السائلة. في ظروف التخمير القياسية، تنتشر البروتينات المفرزة في الوسط، مما يكسر الرابط بين الخلية التي أنتجت البروتين والبروتين نفسه. وتفرض الطرق عالية الإنتاجية الموجودة، مثل فرز القطرات المنشط بالفلورة (FADS) أو عرض سطح الخميرة (YSD)، شروطًا مقيدة (مثل البيئات الدقيقة، أو الأوساط الصلبة، أو أنشطة إنزيمية محددة) لا تعكس سياقات التخمير الصناعي أو تفشل في فحص مكتبات تزيد عن 105 متغير. علاوة على ذلك، يمكن للطرق التي تعتمد على العرض السطحي (YSD) أن تتأثر بالتداخل المرساة ولا تعكس دائمًا قدرة الإفراز الفعلية.
المنهجية: استراتيجية AutoGrowth يقدم المؤلفون "AutoGrowth"، وهو استراتيجية فحص قائمة على النمو تربط معدل نمو الخلية مباشرة بقدرة إفراز البروتين المعاد صياغته عبر مستشعر حيوي ذاتي (autocrine biosensor) أحادي الخلية. تم هندسة النظام في هيكل S. cerevisiae (his3Δ0) ويعمل من خلال الآلية التالية:
الإشارات الذاتية (Autocrine Signaling): يتم دمج البروتين محل الاهتمام (POI) عند طرفه الكربوكسيلي (C-terminus) مع فيرومون التزاوج لخميرة ألفا (α-factor). عند الإفراز، يرتبط ببتيد α-factor بالمستقبل المتوافق Ste2 على سطح الخلية نفسها. وبينما يهدف التصميم إلى التنشيط الذاتي الصارم، لاحظ المؤلفون عدم وجود تنشيط متجاور (paracrine) في تجارب المزارع المشتركة رغم وجود البروتينات المفرزة في الوسط. ويعزون ذلك إلى عدم وجود تداخل في التنشيط المتجاور إلى احتمالية وجود تدرجات تركيز محلية حول الخلايا المفرزة أو التنشيط الداخلي المحتمل للمستقبل، بدلاً من آلية تمنع التنشيط المتجاور تمامًا.
نقل الإشارة: يؤدي تنشيط Ste2 إلى تحفيز مسار التزاوج، مما يؤدي إلى تنشيط عامل نسخ اصطناعي (LexA-PRDSte12).
ربط النمو: يقود هذا العامل النسخي التعبير عن جين مراسل، mScarletI.2a.HIS3. يشفر جين HIS3 إنزيمًا ضروريًا لتخليق الهيستيدين.
الاختيار: في وسط يفتقر إلى الهيستيدين (مع إمكانية إضافة 3-أمينوتريازول، 3AT، لزيادة الصرامة)، يمكن فقط للخلايا ذات التعبير الكافي عن HIS3 أن تنمو. وبما أن التعبير عن HIS3 يتناسب طرديًا مع الإشارة الذاتية، والتي تتناسب طرديًا مع إفراز الـ POI (أو التراكم داخل البريبلزم/periplasm)، فإن الخلايا ذات معدلات الإفراز الأعلى تنمو بشكل أسرع.
يستخدم النظام محفزًا ضوئيًا (pLight) للتحكم في تعبير الـ POI، مما يسمح بضبط مستويات الإفراز بدقة. يتم إجراء الفحص في زراعة مستمرة (turbidostat) باستخدام مفاعلات eVOLVER الحيوية، مما يحافظ على الخلايا في مرحلة النمو الأسي لتعظيم ضغط الاختيار.
المساهمات الرئيسية والنتائج
التحقق من النوعية أحادية الخلية: أظهر المؤلفون أن المستشعر الحيوي يعمل بخصوصية صارمة أحادية الخلية في الممارسة العملية. أظهرت تجارب المزارع المشتركة عدم وجود تنشيط متجاور ملحوظ (cross-talk) بين الخلايا، حتى مع وجود البروتينات المفرزة في الوسط. وقد تحقق هذا الثبات من خلال دمج α-factor مع الـ POI واستخدام متغير مستقبل غير قادر على الاستيعاب الداخلي (Ste2id)، رغم أن المؤلفين أشاروا إلى أن الغياب التام للتنشيط المتجاور لم يكن متوقعًا نظريًا لجميع متغيرات الإفراز، ومن المرجح أنه ناتج عن التدرجات المحلية أو التنشيط الداخلي للمستقبل.
استجابة رتيبة وقابلة للضبط: يُظهر النظام علاقة رتيبة (monotonic) بين مستويات الإفراز والتنشيط اللاحق. وقد ثبت أن معدل نمو الخلايا في الأوساط الانتقائية قابل للضبط كميًا بناءً على مستوى الإفراز، مع القدرة على تعديل درجة الصرامة عبر تركيز 3AT.
العمومية: تم التحقق من صحة المستشعر الحيوي باستخدام خمسة بروتينات مختلفة محل الاهتمام (POIs): mNeonGreen (نموذج)، نوعين من الزيلاناز (xylanases)، ألفا-أميلاز، نانوبودي (nanobody)، وقطعة متغيرة أحادية السلسلة (scFv). وبينما يكشف المستشعر عن التراكم داخل البريبلزم (والذي يرتبط بالإفراز لمعظم البروتينات)، لاحظ المؤلفون أنه بالنسبة للمفرزات عالية الكفاءة، قد يعكس الإشارة مرور البريبلزم بدلاً من الإطلاق النهائي خارج الخلية، ومع ذلك، لا يزال هذا يسمًا باختيار المتغيرات التي تحسن انتشار جدار الخلية.
فحص المكتبات المجمعة (الببتيدات الإشارية): كإثبات للمفهوم، تم فحص مكتبة من 13 ببتيدًا إشاريًا لإفراز scFV في المفاعلات الحيوية. نجحت استراتيجية AutoGrowth في إثراء المتغيرات ذات الإفراز العالي واللياقة القوية، مما يحاكي "الحقيقة الأرضية" (ground truth) التي تم تحديدها في المزارع الدفعية (batch cultures).
إثراء المتغيرات النادرة (تجارب الإضافة/Spike-in): أظهر المؤلفون قدرة النظام على تحديد المتغيرات المفيدة النادرة للغاية.
في منافسة بنسبة 1:1,000، تم إثراء متغير vps5Δ النافع بمقدار 400 ضعف في 4 أيام.
في منافسة بنسبة 1:1,000,000، تم إثراء المتغير بمقدار 1,500 ضعف في يومين.
في منافسة بنسبة 1:100,000,000 (108)، تم إثراء المتغير بأكثر من 2,500 ضعف في 3 أيام، وصولاً إلى مستويات قابلة للكشف عن طريق التسلسل الجيني. هذا الإنتاجية تتجاوز بشكل كبير قدرة الطرق القائمة على اللقطات (snapshot-based) مثل FACS، والتي تقتصر على عدد الخلايا التي يمكن فرزها فعليًا.
الأهمية والادعاءات يدعي البحث أن AutoGrowth هو الطريقة الوحيدة القادرة على فحص مكتبات كبيرة جدًا (تصل إلى 108 متغير) لتحسين إفراز بروتين محل الاهتمام تحت ظروف زراعة سائلة قياسية تشبه التخمير. وتكمن أهميته في:
الحفاظ على الارتباط بين النمط الجيني والنمط الظاهري: من خلال ربط النمو بالإفراز، يتجنب النظام مشكلة الانتشار المتأصلة في فحص المزارع السائلة.
الإنتاجية: يستفيد من الطبيعة الأسية للنمو لإثراء المتغيرات النادرة، مما يوفر إنتاجية محدودة فقط بسعة التسلسل الجيني وليس بسرعة الفرز.
تكامل اللياقة (Fitness Integration): على عكس الطرق التي تختار فقط بناءً على إشارة، يقوم AutoGrowth بطبيعته باختيار المتغيرات التي توازن بين قدرة الإفراز واللياقة الخلوية، حيث يمكن إدارة خلايا "المحتالين" (التي تفصل الإشارة عن الإفراز) عن طريق تحديد مدة الاختيار أو تعديل الصرامة.
عدم الارتباط ببروتين معين (POI-Agnostic): لا يتطلب الاستراتيجية نشاطًا إنزيميًا محددًا للـ POI، مما يجعله قابلًا للتطبيق على مجموعة واسعة من البروتينات العلاجية والصناعية.
يخلص المؤلفون إلى أن هذا النهج يتيح توليد مجموعات بيانات شاملة ضرورية لتطوير نماذج التعلم الآلي للتنبؤ بالعلاقات بين التسلسل والوظيفة في هندسة البروتينات.