CloneVI: A deep generative model for deciphering the relationships between cell state and mitochondrial genotype
CloneVI ist ein tiefes generatives Modell, das klonale Strukturen aus Einzelzell-Genexpressions- oder Chromatinzugänglichkeitsdaten inferiert, um die Beziehungen zwischen mitochondrialen DNA-Mutationen und spezifischen Zellzuständen in verschiedenen Krankheitskontexten zu entschlüsseln.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
In jeder lebenden Zelle existiert eine komplexe Geschichte, die in zwei verschiedenen Sprachen geschrieben ist. Die eine Sprache ist der genetische Code, die DNA, die wie ein Stammbaum fungiert und nachzeichnet, welche Zellen durch gemeinsame Mutationen miteinander verwandt sind. Die andere Sprache ist der aktuelle Zustand der Zelle, eine Momentaufnahme dessen, was die Zelle in diesem Augenblick tut, etwa ob sie eine Infektion bekämpft oder sich teilt, um neues Gewebe zu bilden. Lange Zeit konnten Wissenschaftler diese beiden Sprachen getrennt voneinander lesen. Sie konnten die Stammbäume von Krebszellen kartieren, indem sie deren DNA untersuchten, oder sie konnten beobachten, was eine Zelle gerade tut, indem sie deren Aktivität maßen. Doch zu verstehen, wie die Familiengeschichte einer Zelle ihr aktuelles Verhalten formt, war schwierig, da die Werkzeuge, um beide Sprachen gleichzeitig zu lesen, oft zu stumpf waren. Man konnte zwar den Stammbaum sehen, aber es fiel schwer zu erkennen, wie dieser Baum das tägliche Leben der Zelle beeinflusste, oder umgekehrt.
Ein neues Werkzeug namens CloneVI, das von Forschern der Universität Nagoya und anderen Institutionen entwickelt wurde, ändert dies, indem es lernt, beide Sprachen gleichzeitig zu lesen. Die Forscher konzentrierten sich auf einen spezifischen Typ von genetischen Markern, die in den Mitochondrien zu finden sind, den winzigen Kraftwerken innerhalb der Zellen. Diese Marker – kleine Veränderungen in der mitochondrialen DNA – fungieren wie natürliche Etiketten, die identifizieren können, welche Zellen zur selben Familienlinie gehören. Die Herausforderung bestand darin, dass diese Etiketten oft verstreut und schwer zu finden sind, und die Zellen, die sie tragen, könnten sehr unterschiedliche Dinge tun. Das Team entwickelte ein Deep-Learning-Modell, das nicht einfach nur nach den Etiketten sucht, um einen Stammbaum zu erstellen. Stattdessen lernt es zuerst, die aktuelle Aktivität der Zelle zu verstehen, und fragt dann: Gegeben diese Aktivität, zu welchem Stammbaum gehört diese Zelle am wahrscheinlichsten? Dieser Ansatz stellt die traditionelle Methode auf den Kopf und ermöglicht es dem Modell, zu sehen, wie genetische Familien über verschiedene Arten von Zellverhalten verteilt sind.
Die Forscher testeten diese Idee zuerst mit Computersimulationen, bei denen sie künstliche Daten erzeugten, bei denen sie die exakten Antworten kannten. In diesen Tests rekonstruierte das Modell erfolgreich die verborgenen Familienstrukturen, selbst wenn verschiedene Familien in derselben Gruppe von Zellen vermischt waren. Es konnte mit hoher Zuversicht feststellen, dass eine Zelle zu einer bestimmten Familie gehörte, oder auch erkennen, wenn sie sich in einem Graubereich befand, in dem sich zwei Familien überschnittenen, indem es eine Wahrscheinlichkeit für jede Möglichkeit zuwies, anstatt eine einzige, starre Entscheidung zu erzwingen. Diese Fähigkeit, mit Unsicherheit umzugehen, ist entscheidend, da reale biologische Systeme selten schwarz oder weiß sind.
Als das Team CloneVI auf echte Daten von Patienten mit Bluterkrankungen anwandte, waren die Ergebnisse beeindruckend. In einem Datensatz, der Zellen eines Patienten mit klonaler Hämatopoese umfasst – einem Zustand, bei dem sich mutierte Blutzellen ansammeln –, identifizierte das Modell spezifische Zellfamilien, die nicht nur durch ihre Mutationen, sondern auch durch das definiert waren, was sie taten. Es fand heraus, dass bestimmte mutierte Familien stark in spezifischen Arten von Immunzellen konzentriert waren, insbesondere in T-Zellen, die aktiv kämpften. Das Modell konnte das Vorhandensein dieser Mutationen in neuen Zellen allein durch den Blick auf deren Aktivitätsmuster vorhersagen und übertraf damit ältere Methoden, die auf einfachen Durchschnittswerten basierten. Es zeigte, dass die Familiengeschichte einer Zelle tief mit ihrer aktuellen Funktion verknüpft ist, wobei einige mutierte Familien nur in spezifischen zellulären Umgebungen gedeihen.
Die Forscher testeten das Werkzeug auch an Daten aus chronischer lymphatischer Leukämie, einer Art von Blutkrebs, unter Verwendung einer anderen Methode zur Messung der Zellaktivität, die darauf basiert, wie dicht die DNA gepackt ist. Hier unterschied das Modell zwischen zwei Zellgruppen, die exakt dieselbe Mutation trugen, aber unterschiedliche Mengen dieser Mutation in sich hatten. Dies ist vergleichbar damit, zwei Zweige einer Familie zu haben, die denselben Nachnamen teilen, aber unterschiedliche Mengen eines bestimmten Erbstücks besitzen; das Modell konnte sie anhand ihrer Aktivität voneinander unterscheiden. Es verknüpfte eine dieser Gruppen mit einem erhöhten Zugang zu einem Gen namens PAX9, das mit dem Fortschreiten der Krankheit in Verbindung gebracht wird. Dieser Befund legt nahe, dass das Modell eine spezifische genetische Linie mit einem spezifischen biologischen Mechanismus verbinden kann, der die Erkrankung vorantreibt.
In einer großen Studie, die Eierstocktumore von fünf verschiedenen Spendern mit über 100.000 Zellen umfasste, wurde die Leistungsfähigkeit des Ansatzes noch deutlicher. Das Modell identifizierte mutierte Zellpopulationen, die in spezifischen Zuständen gruppiert waren, wie etwa Immunzellen in einem Zustand der Erschöpfung – ein Zustand, in dem sie durch den Kampf gegen den Krebs erschöpft sind. Durch die Gewichtung der Analyse basierend auf der Wahrscheinlichkeit, dass eine Zelle zu einer mutierten Familie gehört, konnten die Forscher genau bestimmen, welche biologischen Programme in diesen mutierten Zellen aktiv waren. Sie fanden heraus, dass diese erschöpften mutierten Zellen ein distinktes Aktivitätsmuster zeigten, das sich von nicht-mutierten Zellen unterschied, was die spezifische molekulare Signatur des Krankheitsverlaufs enthüllte.
Die Studie zeigt, dass Wissenschaftler, indem sie damit beginnen, was eine Zelle tut, und dann rückwärts auf ihre Familiengeschichte schließen, Beziehungen aufdecken können, die zuvor verborgen waren. Das Modell presst Zellen nicht in starre Boxen; stattdessen bildet es eine Landschaft ab, in der Familienlinien und Zellzustände überlappen und interagieren. Dies bietet eine neue Möglichkeit zu verstehen, wie genetische Veränderungen die Vielfalt des Verhaltens bei Krankheiten wie Krebs antreiben. Die Forscher haben die Software der Öffentlichkeit zur Verfügung gestellt und bieten damit eine neue Linse an, um das komplexe Zusammenspiel zwischen der Vergangenheit und der Gegenwart einer Zelle zu betrachten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.