CloneVI: A deep generative model for deciphering the relationships between cell state and mitochondrial genotype
CloneVI è un modello generativo profondo che inferisce strutture clonali da dati di espressione genica o di accessibilità della cromatina a singola cellula per decifrare le relazioni tra le mutazioni del DNA mitocondriale e specifici stati cellulari in vari contesti patologici.
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
All'interno di ogni cellula vivente, esiste una storia complessa scritta in due lingue diverse. Una lingua è il codice genetico, il DNA che funge da albero genealogico, tracciando quali cellule siano correlate tra loro attraverso mutazioni condivise. L'altra lingua è lo stato attuale della cellula, un'istantanea di ciò che la cellula sta facendo in questo momento, come ad esempio se sta combattendo un'infezione o se si sta dividendo per creare nuovo tessuto. Per molto tempo, gli scienziati sono stati in grado di leggere queste due lingue separatamente. Potevano mappare gli alberi genealogici delle cellule tumorali osservando il loro DNA, oppure potevano osservare cosa stesse facendo una cellula misurando la sua attività. Ma comprendere come la storia familiare di una cellula plasmi il suo comportamento attuale è stato difficile perché gli strumenti per leggere entrambe le lingue contemporaneamente erano spesso troppo rudimentali. Potevano vedere l'albero genealogico, ma faticavano a vedere come quell'albero influenzasse la vita quotidiana della cellula, o viceversa.
Un nuovo strumento chiamato CloneVI, sviluppato da ricercatori dell'Università di Nagoya e altre istituzioni, cambia tutto imparando a leggere entrambe le lingue simultaneamente. I ricercatori si sono concentrati su un tipo specifico di marcatore genetico presente nei mitocondri, le minuscole centrali energetiche all'interno delle cellule. Questi marcatori, che sono piccole variazioni nel DNA mitocondriale, agiscono come etichette naturali che possono identificare quali cellule appartengano alla stessa linea familiare. La sfida era che queste etichette sono spesso sparse e difficili da trovare, e le cellule che le portano potrebbero fare cose molto diverse. Il team ha costruito un modello di deep learning che non si limita a cercare le etichette per costruire un albero genealogico. Invece, impara prima a comprendere l'attività attuale della cellula e poi si chiede: data questa attività, a quale albero genealogico appartiene più probabilmente questa cellula? Questo approccio ribalta il metodo tradizionale, permettendo al modello di vedere come le famiglie genetiche siano distribuite tra diversi tipi di comportamento cellulare.
I ricercatori hanno testato questa idea prima con simulazioni al computer, creando dati artificiali in cui conoscevano le risposte esatte. In questi test, il modello ha ricostruito con successo le strutture familiari nascoste, anche quando diverse famiglie erano mescolate nello stesso gruppo di cellule. Poteva determinare che una cellula appartenesse a una famiglia con alta confidenza, o che si trovasse in una zona grigia in cui due famiglie si sovrapponevano, assegnando una probabilità a ciascuna possibilità invece di imporre una scelta singola e rigida. Questa capacità di gestire l'incertezza è fondamentale perché i sistemi biologici reali sono raramente in bianco o nero.
Quando il team ha applicato CloneVI a dati reali provenienti da pazienti con disturbi del sangue, i risultati sono stati sorprendenti. In un dataset relativo a cellule di un paziente con ematopoiesi clonale, una condizione in cui le cellule del sangue accumulano mutazioni, il modello ha identificato specifiche famiglie di cellule che non erano definite solo dalle loro mutazioni, ma anche da ciò che stavano facendo. Ha scoperto che certe famiglie mutate erano fortemente concentrate in tipi specifici di cellule immunitarie, in particolare cellule T che stavano combattendo attivamente. Il modello poteva predire la presenza di queste mutazioni in nuove cellule semplicemente osservando i loro schemi di attività, superando i metodi più vecchi che si basavano su medie semplici. Ha dimostrato che la storia familiare di una cellula è profondamente legata alla sua funzione attuale, con alcune famiglie mutate che prosperano solo in specifici ambienti cellulari.
I ricercatori hanno inoltre testato lo strumento su dati provenienti dalla leucemia linfatica cronica, un tipo di tumore del sangue, utilizzando un metodo diverso per misurare l'attività cellulare che osserva quanto il DNA sia compatto. In questo caso, il modello ha distinto tra due gruppi di cellule che portavano esattamente la stessa mutazione ma avevano livelli differenti di tale mutazione al loro interno. Questo è simile ad avere due rami di una famiglia che condividono lo stesso cognome ma hanno quantità diverse di un particolare cimelio; il modello poteva distinguerli in base alla loro attività. Ha collegato uno di questi gruppi a un aumento dell'accesso a un gene chiamato PAX9, che è stato associato alla progressione della malattia. Questo reperto suggerisce che il modello può connettere una specifica linea genetica a un meccanismo biologico specifico che guida la malattia.
In uno studio su larga scala che coinvolgeva tumori ovarici di cinque donatori diversi, contenenti oltre 100.000 cellule, la potenza di questo approccio è diventata ancora più evidente. Il modello ha identificato popolazioni di cellule mutate che erano raggruppate in stati specifici, come le cellule immunitarie in uno stato di esaurimento, una condizione in cui sono esauste dal combattere il cancro. Pesando l'analisi in base alla probabilità che una cellula appartenga a una famiglia mutata, i ricercatori hanno potuto individuare esattamente quali programmi biologici fossero attivi in quelle cellule mutate. Hanno scoperto che quelle cellule mutate esauste mostravano un modello di attività distinto rispetto alle cellule non mutate, rivelando la specifica firma molecolare della progressione della malattia.
Lo studio dimostra che partendo da ciò che una cellula sta facendo e lavorando a ritroso verso la sua storia familiare, gli scienziati possono scoprire relazioni precedentemente nascoste. Il modello non costringe le cellule in scatole rigide; al contrario, mappa un panorama in cui le linee familiari e gli stati cellulari si sovrappongono e interagiscono. Ciò fornisce un nuovo modo per comprendere come i cambiamenti genetici guidino la diversità dei comportamenti osservati in malattie come il cancro. I ricercatori hanno reso disponibile il software ad altri, offrendo una nuova lente attraverso cui osservare la complessa interazione tra il passato e il presente di una 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.