Generative inverse design steers human hematopoietic cell fate in vitro
Cet article présente LabCompass, un cadre de modélisation inverse générative qui navigue avec succès dans le vaste espace combinatoire continu des conditions de culture pour orienter le destin des cellules hématopoïétiques humaines vers des états cibles spécifiques, tel que validé par un processus expérimental multi-boucles qui a enrichi diverses populations cellulaires et établi un nouveau paradigme pour guider les expériences biologiques.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Produire des cellules sanguines en laboratoire est une tâche notoirement difficile. Les scientifiques partent de cellules souches, la matière première du corps, et tentent de les amener à devenir des types spécifiques de cellules sanguines, comme celles qui transportent l'oxygène ou combattent l'infection. Le défi réside dans le milieu de culture, la soupe liquide dans laquelle ces cellules se développent. Cette soupe doit contenir le bon mélange de facteurs de croissance et de produits chimiques, mais la recette est incroyablement complexe. Un changement infime dans la quantité d'un ingrédient, ou dans le moment de son ajout, peut envoyer les cellules sur un chemin complètement différent. Pendant des décennies, la recherche de la recette parfaite a reposé sur des essais et erreurs, un processus lent et coûteux qui nécessite souvent de tester des milliers de combinaisons pour obtenir un seul résultat.
Cette difficulté provient du fait que l'espace des recettes possibles est vaste et continu. Contrairement à un interrupteur simple qui est soit allumé, soit éteint, les conditions de croissance des cellules existent sur une échelle graduée. Les modèles informatiques traditionnels peuvent prédire ce qui se passera si vous utilisez une recette spécifique, mais ils ne peuvent pas facilement travailler à l'envers pour vous dire quelle recette produira le résultat souhaité. C'est ce qu'on appelle un problème inverse, et cela a longtemps constitué un goulot d'étranglement dans la recherche biologique. Si les scientifiques veulent créer un type de cellule sanguine spécifique pour un patient, ils ont besoin d'un moyen de naviguer dans ce paysage complexe sans tester chaque possibilité.
Une équipe de chercheurs a maintenant introduit une nouvelle approche appelée LabCompass pour résoudre ce problème. Au lieu de deviner et de vérifier, ils ont construit un système qui apprend des expériences et conçoit ensuite les suivantes. Le processus commence par un criblage initial important où les chercheurs ont testé 116 combinaisons différentes de produits chimiques et de niveaux d'oxygène sur des cellules souches humaines. Ils ont cultivé des millions de cellules et mesuré leurs caractéristiques à l'aide d'un microscope de haute technologie capable de distinguer des dizaines de types cellulaires à la fois. Ces données ont créé une carte de la façon dont différentes conditions affectent le comportement cellulaire.
En utilisant cette carte, les chercheurs ont entraîné un modèle informatique pour agir comme un guide. Ce modèle a appris les règles du monde cellulaire : comment des concentrations chimiques spécifiques mènent à des types cellulaires spécifiques. Une fois entraîné, le modèle pouvait recevoir une question : « Quelle recette produira le plus de mégacaryocytes ? » Il s'agit des cellules qui deviennent éventuellement des plaquettes, lesquelles sont essentielles à la coagulation du sang. Plutôt que de chercher dans une liste de recettes connues, l'ordinateur a généré des recettes entièrement nouvelles et plausibles qu'il prédisait fonctionner. Il y est parvenu en partant d'un bruit aléatoire et en le façonnant progressivement en un mélange chimique valide, guidé par les prédictions du modèle.
Les chercheurs ont ensuite emporté ces recettes générées par ordinateur au laboratoire pour les tester. Il ne s'agissait pas d'un événement unique, mais d'une boucle continue. Après avoir cultivé les cellules avec les nouvelles recettes, ils ont mesuré les résultats et injecté ces données dans l'ordinateur. Le modèle utilisait ces nouvelles informations pour mettre à jour sa compréhension du monde cellulaire, devenant ainsi plus précis et plus confiant. Au cours de quatre cycles de cette boucle, le système a réussi à identifier des conditions qui enrichissent des types cellulaires spécifiques, incluant les mégacaryocytes, les précurseurs de globules rouges et les cellules immunitaires. Dans une étape de validation clé, le système a identifié avec succès une recette issue de la littérature (le design 210) qui produisait près de 70 pour cent de mégacaryocytes, un résultat qui dépassait de loin tout ce qui avait été observé dans les données d'entraînement initiales, bien que le modèle n'ait jamais vu cette recette spécifique auparavant.
Le système a également révélé quelque chose de surprenant sur la façon dont les cellules prennent des décisions. Les chercheurs ont découvert qu'il existe souvent plus d'une façon d'atteindre la même destination. Tout comme il existe plusieurs itinéraires pour conduire vers la même ville, l'ordinateur a identifié des combinaisons distinctes de produits chimiques menant au même type de cellule sanguine. Un itinéraire pourrait dépendre fortement d'un facteur de croissance spécifique, tandis qu'un autre utiliserait un ensemble d'ingrédients différents. Cette découverte est significative car elle offre de la flexibilité ; si un produit chimique particulier est trop coûteux ou instable, les scientifiques peuvent utiliser le modèle pour trouver une recette alternative qui atteint le même résultat biologique.
Dans un autre test de l'adaptabilité du système, les chercheurs ont élargi l'expérience en ajoutant de nouveaux produits chimiques qui ne faisaient pas partie du criblage original. Ils voulaient voir si le modèle pouvait apprendre à utiliser ces nouveaux outils pour cultiver des types de cellules rares qui avaient été difficiles à produire auparavant. En introduisant un nouveau facteur de croissance connu pour soutenir les cellules immunitaires, le système a rapidement appris à l'utiliser et a généré des conceptions qui ont réussi à enrichir ces populations rares. Le modèle ne s'est pas contenté de trouver une solution unique ; il a exploré les nouvelles possibilités et a identifié les moyens les plus efficaces d'utiliser les nouveaux ingrédients.
Tout au long de l'étude, les chercheurs ont comparé leur méthode à des approches plus simples, telles que le hasard ou l'optimisation mathématique standard. Le système génératif a systématiquement surpassé ces références, surtout lorsque la complexité du problème augmentait. Il était capable de concentrer sa recherche sur les zones les plus prometteuses du paysage chimique, évitant ainsi les impasses qui gaspillent temps et ressources. Le système a également démontré une capacité à reconnaître lorsqu'il était incertain de ses prédictions, l'incitant à tester des conceptions dans ces régions d'incertitude pour apprendre davantage. Cet équilibre entre l'exploitation des succès connus et l'exploration de l'inconnu a permis au modèle de s'améliorer rapidement à chaque cycle.
Ce travail démontre que les modèles virtuels peuvent être jugés non seulement par la précision avec laquelle ils prédisent l'avenir, mais aussi par l'efficacité avec laquelle ils guident les expériences vers un objectif. En combinant un modèle direct qui prédit les résultats avec un modèle génératif qui conçoit les intrants, les chercheurs ont créé un outil capable de naviguer dans des espaces continus et de haute dimension où les méthodes traditionnelles échouent. Cette approche a le potentiel de transformer la manière dont les scientifiques développent des protocoles de culture cellulaire, passant d'une optimisation manuelle et lente à un processus plus rapide et piloté par les données. Les résultats suggèrent qu'avec les outils informatiques appropriés, la vaste complexité des systèmes biologiques peut être maîtrisée, permettant aux chercheurs de diriger le destin cellulaire avec une précision qui était auparavant hors de portée.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.