Pycea: a scverse toolkit for single-cell lineage tracing analysis
Pycea è un toolkit open-source in Python che introduce il formato TreeData per integrare senza soluzione di continuità i dati dei dendrogrammi di lignaggio con le misurazioni single-cell all'interno dell'ecosistema scverse, abilitando l'analisi scalabile, la visualizzazione e l'inferenza statistica per il tracciamento del lignaggio cellulare.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Nel mondo vivente, ogni cellula porta con sé una storia. Proprio come un albero genealogico registra chi è imparentato con chi, ogni cellula in un organismo in via di sviluppo o in un tumore in crescita ricorda i propri antenati e i propri fratelli. Per decenni, gli scienziati hanno lottato per collegare questa storia familiare con il comportamento attuale della cellula. Potevano mappare la linea di discendenza delle cellule, tracciando come una divisione diventasse due, e due diventassero quattro, ma non riuscivano facilmente a combinare quella mappa con le istruzioni interne della cellula, come quali geni fossero attivi in quel momento. Questa separazione rendeva difficile capire come il passato di una cellula avesse plasmato il suo presente, sia che stesse diventando un tipo specifico di tessuto o che si stesse trasformando in una malattia. La sfida non era solo nella raccolta dei dati, che sono diventati abbondanti e dettagliati, ma nell'organizzarli in modo da permettere ai ricercatori di vedere l'intero quadro contemporaneamente.
Un team di ricercatori ha ora costruito un nuovo strumento digitale per risolvere questo problema, creando un sistema che tratta l'albero genealogico di una cellula come una parte standard del suo record biologico. Hanno introdotto un pacchetto software chiamato Pycea, che lavora insieme a un framework ampiamente utilizzato per l'analisi delle singole cellule. Al cuore di questo sistema c'è un nuovo modo di archiviare i dati chiamato TreeData. Immaginate un normale file digitale che contiene informazioni su una cellula, come l'attività genica e la sua posizione. Ora, immaginate che lo stesso file abbia uno slot dedicato per contenere l'intero albero genealogico di quella cellula, perfettamente allineato in modo che ogni ramo e foglia corrisponda a una specifica misurazione. Questa nuova struttura permette agli scienziati di utilizzare gli stessi strumenti che già conoscono per analizzare la linea di discendenza, l'espressione genica e la posizione fisica tutti nello stesso momento, senza dover tradurre costantemente i dati tra diversi formati.
I ricercatori hanno dimostrato la potenza di questo approccio applicandolo a due storie biologiche molto diverse. In primo luogo, hanno esaminato un embrione di topo in una fase specifica dello sviluppo, contenente più di 260.000 cellule. Utilizzando i loro nuovi strumenti, sono stati in grado di tracciare come diversi gruppi di cellule fossero correlati e quanto strettamente le loro storie familiari corrispondessero alla loro identità attuale. Hanno scoperto che le cellule appartenenti allo stesso grande strato corporeo, come la pelle o l'intestino, condividevano antenati recenti, confermando che l'albero genealogico poteva predire il ruolo futuro della cellula. Hanno anche identificato geni specifici che venivano tramandati attraverso la linea familiare, il che significa che se una cellula madre aveva un'alta attività di un certo gene, anche i suoi figli avrebbero probabilmente avuto quella caratteristica. Ciò ha permesso loro di individuare le esatte istruzioni genetiche che definivano diverse parti dell'embrione in via di sviluppo.
Successivamente, il team ha applicato il sistema a un modello di cancro, studiando un tumore con quasi 146.000 cellule. In questo caso, l'obiettivo era capire come diversi gruppi di cellule cancerose crescessero e si diffondessero. Mappando l'albero genealogico delle cellule tumorali, potevano vedere quali gruppi si stavano espandendo rapidamente e quali rimanevano piccoli. Hanno scoperto che i gruppi di cellule più riusciti, o "adatti", tendevano a vivere sui bordi esterni del tumore, vicino al tessuto polmonare sano. Inoltre, hanno scoperto che l'attività di un gene specifico, Cldn4, era fortemente legata a questo successo. Le cellule con alti livelli di questo gene erano più propense a trovarsi in queste regioni rigogliose e esterne. Questa connessione tra la storia familiare di una cellula, la sua posizione e la sua attività genica ha fornito una visione chiara di come il tumore si stesse evolvendo in tempo reale.
La significatività di questo lavoro risiede nella sua capacità di unificare campi di studio separati. Prima di questo strumento, i ricercatori dovevano spesso scegliere tra studiare l'albero genealogico di una cellula o la sua attività genica, poiché i formati dei dati non parlavano la stessa lingua. Creando un sistema in cui l'albero è una parte nativa del file di dati della cellula, i ricercatori hanno rimosso le barriere che precedentemente costringevano gli scienziati a gestire molteplici programmi software e strutture dati. Ciò significa che la complessa storia di una cellula può ora essere analizzata con la stessa facilità del suo stato attuale. Il software è aperto all'uso di chiunque e i ricercatori intendono espanderlo ulteriormente, sperando che questo nuovo standard diventi la base per una crescente comunità di strumenti dedicati a comprendere la profonda storia della vita all'interno di una singola cellula.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.