MuSpec: an unsupervised multi-scale spatial-niche encoder recovers conserved granuloma niches and nominates host-directed repurposing candidates in human pulmonary tuberculosis

Im Kampf gegen Tuberkulose kämpft der Körper nicht mit einer verstreuten Armee gegen die Bakterien. Stattdessen baut er eine Festung. Wenn das Immunsystem auf das Tuberkulose-Bakterium trifft, versammelt es Immunzellen, Strukturzellen und Signalmoleküle zu einem dichten, organisierten Cluster, einem sogenannten Granulom. Diese Struktur ist der Ort, an dem die Infektion entweder eingekapselt oder zur Ausbreitung gebracht wird. Seit Jahrzehnten wissen Wissenschaftler, dass die Anordnung der Zellen innerhalb dieser Festung entscheidend ist, aber sie konnten nur die einzelnen Soldaten sehen, nicht das Layout des Lagers. Sie konnten die Arten der anwesenden Zellen auflisten, aber sie konnten nicht ohne Weiteres kartieren, wie diese Zellen zueinander positioniert waren oder wie ihre spezifischen Nachbarschaften die Krankheit beeinflussten. Jüngste Fortschritte in einer Technologie namens räumliche Transkriptomik haben dies geändert, indem sie es Forschern ermöglichen, die genetischen Anweisungen der Zellen zu lesen, während sie gleichzeitig deren exakte Position im Gewebe beibehalten. Dies hat eine neue Tür geöffnet: das Verständnis dessen, nicht nur wer in dem Granulom ist, sondern genau, wo sie stehen und wie ihre unmittelbare Umgebung aussieht.

Ein Forschungsteam hat nun ein neues Werkzeug entwickelt, um diese komplexen Karten verständlich zu machen, speziell für die herausfordernde Umgebung der Tuberkulose. Sie entwickelten ein Computerprogramm, das darauf ausgelegt ist, die verborgenen Nachbarschaften oder „Nischen“ innerhalb des Lungengewebes von Menschen mit der Krankheit zu finden. Im Gegensatz zu bisherigen Werkzeugen, die oft an Krebsgewebe getestet wurden oder bei denen Wissenschaftler die Antworten im Voraus erraten mussten, arbeitet diese neue Methode ohne vorherige Anweisungen. Sie betrachtet die Rohdaten aus zwei Schnitten menschlichen Lungengewebes – eines, das ein Tuberkulose-Granulom enthält, und eines aus dem gesund erscheinenden Gewebe direkt daneben – und erkennt die Muster von selbst. Die Forscher fanden heraus, dass dieser Ansatz in der Lage war, neun verschiedene Arten von Mikroumgebungen zu identifizieren, die in beiden Gewebeproben konsistent waren. Dazu gehörten Bereiche, die von Immunzellen dominiert wurden, die die Infektion bekämpfen, Zonen, in denen sich Narbengewebe bildete, und Regionen, in denen die Atemwege noch funktionierten. Das Werkzeug erwies sich als bemerkenswert stabil, selbst wenn die Daten verrauscht oder unvollständig waren, was darauf hindeutet, dass es in Zukunft ein zuverlässiges Mittel zur Untersuchung von Infektionskrankheiten sein könnte.

Die Kraft dieser Entdeckung liegt darin, wie das Computerprogramm aufgebaut wurde. Anstatt eine Zelle isoliert zu betrachten, untersucht das Programm jede Zelle zusammen mit ihren Nachbarn in drei verschiedenen Entfernungen, wodurch es effektiv die unmittelbare Umgebung der Zelle, ihren lokalen Block und ihre breitere Nachbarschaft gleichzeitig sieht. Es kombiniert diese räumliche Information dann mit zwei anderen Arten von Daten: einer Liste der Gene, die die Zelle aktiv nutzt, und einer Schätzung dessen, welche Arten von Zellen an diesem spezifischen Ort vorhanden sind. Durch die Verarbeitung dieser kombinierten Informationen durch eine Reihe mathematischer Schritte übersetzt das Programm die komplexen biologischen Daten in einen einfachen, kompakten Code für jede Zelle. Dieser Code erfasst das Wesen der Umgebung der Zelle. Als die Forscher diese Codes zusammen gruppierten, bildeten sie natürlich neun verschiedene Cluster. Diese Cluster waren nicht zufällig; sie repräsentierten reale, biologisch bedeutsame Zonen. Beispielsweise war ein Cluster reich an Markern für Immunzellen, die Bakterien bekämpfen, ein anderer zeigte Anzeichen von starker Vernarbung und ein dritter war eindeutig eine Atemwegszone.

Was diese Arbeit besonders bedeutsam macht, ist, dass die Forscher das Werkzeug nicht nur gebaut, sondern es auch streng getestet haben, um zu sehen, wo es scheitern könnte. Sie verglichen ihre neue Methode mit einem bestehenden, anerkannten Werkzeug und stellten fest, dass ihr Ansatz viel klarere und deutlichere Grenzen zwischen den verschiedenen Nachbarschaften schuf. Sie testeten auch, wie das Werkzeug reagierte, wenn sie Teile seines Designs entfernten oder ihm unvollkommene Daten fütterten. Sie entdeckten einen Kompromiss: Die Einstellungen, die die Nachbarschaften am schärfsten und deutlichsten erscheinen ließen, waren manchmal weniger stabil, wenn die Daten fehlerhaft waren, während Einstellungen, die robuster gegenüber Fehlern waren, etwas unscharfere Grenzen produzierten. Durch das Durchlaufen von Hunderten von Variationen identifizierten sie einen „Sweet Spot“, an dem das Werkzeug sowohl genau als auch zuverlässig war. Diese ehrliche Bewertung der Stärken und Schwächen des Werkzeugs ist ein entscheidender Teil der Studie und stellt sicher, dass andere Wissenschaftler genau wissen, wie sie es verwenden sollen und was sie zu erwarten haben.

Das ultimative Ziel, diese Nachbarschaften zu kartieren, besteht darin, neue Wege zur Behandlung der Krankheit zu finden. Nachdem die Forscher die spezifische genetische Signatur der Granulom-Nachbarschaften identifiziert hatten – die Gene, die in diesen Bereichen aktiviert oder deaktiviert wurden – nutzten sie diese Information, um nach bestehenden Medikamenten zu suchen, die diese Veränderungen umkehren könnten. Sie durchsuchten eine riesige Bibliothek aus Tausenden von chemischen Verbindungen, um zu sehen, welche die Tuberkulose-betroffene Gewebe wieder in einen gesunden Zustand versetzen könnten. Die Suche deutete stark auf eine Klasse von Medikamenten hin, die als PPARγ-Agonisten bekannt sind, zu denen Medikamente wie Pioglitazon gehören. Diese Medikamente werden bereits zur Behandlung anderer Erkrankungen eingesetzt, aber die Studie legt nahe, dass sie helfen könnten, die durch Tuberkulose verursachte Entzündung und Vernarbung zu bewältigen. Um der Evidenz eine weitere Ebene hinzuzufügen, simulierten die Forscher, wie diese Medikamente und einige andere physisch an ein spezifisches Protein im menschlichen Körper binden könnten, das bekanntermaßen an der Anfälligkeit für Tuberkulose beteiligt ist. Die Simulationen zeigten, dass bestimmte Verbindungen, einschließlich des antifibrotischen Medikaments Nintedanib, gut mit diesem Zielprotein interagieren, was die Idee stützt, dass sie den Krankheitsprozess beeinflussen könnten.

Die Studie kommt zu dem Schluss, dass diese neue, unüberwachte Methode einen klaren und effizienten Weg zum Verständnis der komplexen Architektur von Infektionskrankheiten bietet. Durch die erfolgreiche Anwendung auf menschliches Lungengewebe haben die Forscher eine detaillierte Karte des Tuberkulose-Granuloms bereitgestellt, die zuvor nicht verfügbar war. Sie haben gezeigt, dass es möglich ist, konsistente, biologisch relevante Muster aus schwierigen Daten zu gewinnen, ohne die Ergebnisse vorab kennzeichnen zu müssen. Die Ergebnisse nominieren spezifische, bestehende Medikamente für weitere Tests als potenzielle Behandlungen, die dadurch wirken, dass sie dem körpereigenen Immunsystem helfen, die Infektion zu bewältigen, anstatt nur die Bakterien zu töten. Obwohl diese Ergebnisse computergestützt sind und eine experimentelle Validierung erfordern, bieten sie einen konkreten Ausgangspunkt für einen neuen Ansatz zur Behandlung der Tuberkulose, der sich auf die räumliche Organisation der Krankheit selbst konzentriert.