Multi-Layer Single-Cell Integration with Deep Embedded Clustering Reveals Metabolic Heterogeneity in Peripheral Blood Mononuclear Cells
تقدم هذه الدراسة إطار عمل للتجميع العميق المدمج متعدد الطبقات يدمج البيانات النسخية والبروتينية والأيضية للكشف عن تباين أيضي غير مكتشف سابقًا وعناقيد خلوية ميتوكوندريا في خلايا الدم البيضاء أحادية النواة الطرفية، متفوقًا بشكل كبير على طرق التجميع القياسية ثنائية الطبقة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
لفهم الخلية الحية، اعتمد العلماء لفترة طويلة على قراءة دليل تعليماتها، وهو الجينوم، والرسائل التي ترسلها، وهي الترانسكريبتوم (النسخ الوراثي). لسنوات، كانت هذه هي الطريقة الأساسية للتمييز بين نوع من الخلايا وآخر. ومع ذلك، فإن الخلية هي أكثر من مجرد تعليماتها؛ فهي تُعرف أيضاً بالأدوات الفيزيائية التي تحملها على سطحها والطاقة الكيميائية التي تحرقها لتبقى على قيد الحياة. في السنوات الأخيرة، تقدمت التكنولوجيا إلى حد مكن الباحثين من قياس هذه الطبقات المختلفة — ما هي الجينات النشطة، وما هي البروتينات الموجودة، وما هي الأنشطة الأيضية التي تحدث — كل ذلك داخل خلية واحدة. هذا التحول يسمح للعلماء برؤية الصورة الكاملة للحياة الخلوية بدلاً من مجرد لقطة واحدة. والسؤال الآن هو ما إذا كان دمج كل هذه الطبقات معاً يكشف عن حقيقة أعمق لكيفية عمل الخلايا، أم أن البيانات الإضافية تزيد فقط من الضجيج في الإشارة.
شرع باحث في الإجابة على ذلك من خلال بناء طريقة جديدة لتجميع خلايا المناعة البشرية بناءً على ثلاث طبقات متميزة من المعلومات: نشاطها الجيني، وبروتيناتها السطحية، وحالتها الأيضية. وقد ركز على الخلايا وحيدة النواة في الدم المحيطي، وهي مجموعة متنوعة من خلايا الدم البيضاء التي تدور في الجسم وتكافح العدوى. وبينما نجحت الطرق السابقة في دمج البيانات الجينية مع البروتينات السطحية، إلا أنها كانت تتجاهل عادةً عملية التمثيل الغذائي (الأيض)، وهي مجموعة التفاعلات الكيميائية التي تمد الخلية بالطاقة. وجادل الباحث بأن الأيض ليس مجرد عملية خلفية، بل هو مقياس مباشر لما تفعله الخلية فعلياً في أي لحظة معينة. ولاختبار ذلك، قام بتحليل مجموعة بيانات ضخمة تحتوي على ما يقرب من 44,000 خلية فردية، حيث قام بقياس أكثر من 20,000 جين و204 بروتينات سطحية لكل منها. ثم قام بحساب نشاط ستة مسارات أيضية رئيسية، مثل كيفية توليد الخلايا للطاقة، لإنشاء طبقة ثالثة من البيانات لكل خلية على حدة.
استخدم الباحث طريقة حاسوبية متطورة لنسج هذه الطبقات الثلاث معاً في رؤية واحدة موحدة لكل خلية. وبدلاً من مجرد النظر إلى الأرقام الخام، قام بتدريب نموذج رقمي لتعلم الأنماط الخفية التي تربط بين الجينات والبروتينات والأيض. ثم قام هذا النموذج بتجميع الخلايا في مجموعات (clusters) بناءً على ملفها التعريفي المدمج. وعندما قارن هذا النهج الجديد بالأساليب القياسية التي تستخدم الجينات والبروتينات فقط، كانت النتائج مذهلة. فقد أنشأت الطريقة ذات الطبقات الثلاث مجموعات من الخلايا أكثر وضوحاً وتميزاً. وفي الواقع، أدى النهج الجديد إلى تحسين جودة التجميع بنسبة تزيد عن 50 بالمائة مقارنة بالطرق القديمة. ومع ذلك، لم يكن الاكتشاف الأكثر أهمية هو مجرد التحسن في الأرقام، بل كان اكتشاف مجموعة محددة من الخلايا كانت غير مرئية من قبل.
عندما نظر الباحث في المجموعات التي شكلها نموذج الطبقات الثلاث الكامل، وجد مجموعة متميزة من الخلايا لم تظهر إلا عند تضمين البيانات الأيضية. تميزت هذه المجموعة بمستوى عالٍ من النشاط في محطات طاقة الخلية، المعروفة باسم الميتوكوندريا، ومستوى منخفض من النشاط في الجينات التي تحدد عادةً أنواعاً معينة من الخلايا المناعية. في الأساليب القديمة، التي تجاهلت الأيض، كانت هذه الخلايا مشتتة بين مجموعات أخرى أو مخفية داخلها. وأظهر التحليل الجديد أن هذه الخلايا شكلت مجتمعاً ضيقاً ومنفصلاً، مما يشير إلى أنها في حالة فريدة من النشاط مدفوعة باستخدامها للطاقة بدلاً من سلالتها. وقد أكد هذا الاكتشاف أن الأيض يوفر بعداً فريداً من المعلومات لا يمكن للجينات والبروتينات وحدها التقاطه.
كما اختبرت الدراسة ما إذا كانت الطريقة الحاسوبية المستخدمة لإيجاد هذه المجموعات أفضل من الأدوات التقليدية التي يعتمد عليها العلماء عادةً. وقارن نهجه الجديد القائم على التعلم العميق مقابل طريقة قياسية قائمة على الرسوم البيانية (graph-based method) على نفس البيانات تماماً. تفوق النهج الجديد باستمرار على الأداة القياسية في كل مقياس من مقاييس الدقة، حيث أنشأ مجموعات أكثر تماسكاً وأفضل انفصالاً. وهذا يشير إلى أن الطريقة التي يتعلم بها النموذج الجديد ربط الطبقات المختلفة من البيانات هي أكثر فعالية في إيجاد البنية البيولوجية الحقيقية للخلايا. وتحقق الباحث من أن هذه النتائج كانت مستقرة، مما يعني أنها لم تتغير لمجرد أن الحاسوب بدأ بترتيب عشوائي مختلف، كما أنها صمدت حتى عندما كانت البيانات مشوبة ببعض الضجيج.
في نهاية المطاف، يوضح هذا العمل أنه لفهم تنوع الخلايا المناعية حقاً، يجب على العلماء النظر إلى ما وراء الشفرة الجينية والعلامات السطحية ليشملوا الحالة الأيضية للخلية. إن القدرة على اكتشاف تجمع ميتوكوندري محدد كان مفقوداً في السابق تظهر أن تجاهل الأيض يترك فجوة في فهمنا للسلوك الخلوي. ومن خلال النجاح في دمج هذه الطبقات الثلاث، قدم الباحث خريطة أكثر اكتمالاً للهوية الخلوية، وهي خريطة تكشف عن حالات نشاط خفية وتوفر طريقة أكثر دقة لدراسة كيفية عمل الخلايا في حالات الصحة والمرض. ويضع هذا النهج معياراً جديداً لكيفية دمج العلماء لأنواع مختلفة من البيانات البيولوجية للكشف عن التعقيد الكامل للحياة على مستوى الخلية الواحدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.