体内では、単一のマスター・スイッチが血球の運命を制御しています。このスイッチはPU.1と呼ばれるタンパク質であり、その役割は、幹細胞が感染と戦うマクロファージになるか、あるいは抗体を作るB細胞になるかを決定することです。細胞内に存在するこのタンパク質の量は、ボリューム・ノブ（音量調節つまみ）のように機能します。低レベルであれば細胞を一方の経路へと導き、高レベルであればもう一方の経路へと押し進めます。長年、科学者たちはこのボリューム・ノブがどのように調整されているのかを理解していると考えてきました。彼らは、細胞が自身の内部機構を単に調整し、より多くのタンパク質がさらなるタンパク質を生み出すという自己強化ループを作り出すことで、最終的に細胞を特定のアイデンティティへと固定していくのだと考えていました。この考え方は、異なる種類の血球がどのようにして安定して共存できるのかを説明しているように思われました。しかし、研究者が細胞が分裂する速度や、実際にどれだけのタンパク質を作っているかという実測値に対して、この理論を検証しようとしたとき、古い説明は崩れ始めました。
ライス大学の研究チームは、細胞を単なる理論的概念としてではなく、厳格なルールを持つ物理的なシステムとして扱うことで、この壊れたモデルを修正するために立ち上がりました。彼らは、3つの特定の事項に関する既存のデータを収集しました。すなわち、異なる血球型におけるPU.1タンパク質の量、細胞が新しいタンパク質を作る速度、そして各細胞型が分裂するのにかかる時間です。彼らは、タンパク質量と細胞分裂速度の間の単純なフィードバック・ループに依存していた旧来の理論では、現実のデータと一致しないことを突き止めました。その理論は、タンパク質が多い細胞は常に分裂が遅くなるはずだと予測していましたが、測定結果は異なるパターンを示していました。一部の細胞型では、最も高いタンパク質量を持つ細胞が、実際には低いレベルの細胞よりも速く分裂していたのです。さらに、旧モデルは未熟な細胞を1種類しか説明できませんでしたが、データは明らかに、異なる特性を持つ2つの異なる未熟細胞グループが存在することを示していました。
このパズルを解くために、科学者たちは一連の、より複雑なコンピュータ・シミュレーションを構築し、収集した確かな数値に対してそれぞれをテストしました。まず、彼らは細胞が分裂する際にタンパク質を希釈する速度を、実際の測定された分裂時間を用いて調整することで、旧来のアイデアを救おうと試みました。しかし、これはうまくいきませんでした。正しい分裂速度を用いたとしても、単一の自己調節ループでは、自然界で観察される2つの異なる未熟細胞の状態を生み出すことはできなかったのです。研究者たちは、細胞には追加の入力、つまり細胞のアイデンティティに応じてPU.1のボリューム・ノブを上げ下げするのを助ける第2の因子が存在しなければならないことに気づきました。彼らは、PU.1と相互作用する既知のパートナータンパク質であるC/EBPαをテストしました。このペアは適切な数の安定した状態を作り出すことはできましたが、モデルは依然として、未熟な細胞を成熟した細胞に対して正しい位置に配置することに失敗しました。シミュレーションは、未熟な細胞が、実際に測定された値と比較してタンパク質が少なすぎると予測し続けてしまったのです。
解決策は、チームが第3のプレイヤーとしてRUNX1と呼ばれるタンパク質を組み入れたときに現れました。このタンパク質は、PU.1の生成を制御する同じ遺伝領域に結合します。研究者がRUNX1をモデルに組み込み、他の因子とともにPU.1の生成に影響を与えるようにしたところ、シミュレーションは突如としてすべてのデータと完璧に一致しました。このモデルは、すべての異なる細胞型について、正確なタンパク質量、合成率、および分裂時間を再現することができたのです。これには、観察されていた2つの異なる未熟細胞グループも含まれます。研究者たちは、この新しいアーキテクチャには、C/EBPαタンパク質による非常に鋭い、スイッチのような応答が必要であることを発見しました。これは、細胞がこれらの重要な決定を下すために、極めて敏感なメカニズムを使用していることを示唆しています。
この研究は、単にモデルを修正するだけでなく、血球のアイデンティティの調節が単純な自己ループよりも複雑であることを明らかにしています。それは、細胞が、自身の成長率、C/EBPαとのパートナーシップ、そしてRUNX1からの決定的なブーストを組み合わせて、マスター・タンパク質の正しいレベルを設定していることを示しています。この研究は、以前観察されていた2つの未熟細胞グループが、この特定の調節アーキテクチャによって存在する、おそらく実在する明確な集団であることを示唆しています。研究者たちは結論を導き出すためにコンピュータ・シミュレーションを用いましたが、そのモデルは実際の実験的測定値によって厳密に制約されており、その知見は将来の生物学的実験への堅牢なガイドとなります。科学者たちの次のステップは、これらの具体的な予測をラボでテストし、RUNX1とC/EBPαの鋭いスイッチのような挙動が、確かに正しい細胞の運命を解き明かす鍵であるかどうかを確認することです。
問題
造血分化には、B細胞、マクロファージ、前駆細胞といった特定の系統に関連する、明確で安定した分子状態の確立が伴う。転写因子PU.1は、このプロセスの中心的な調節因子であり、その存在量はこれらの状態間で定量的に変化する。以前の影響力のある研究では、オートレギュレーション（自己調節）と成長フィードバック（AR&GF）モデルが提案され、PU.1の自己調節と、PU.1が細胞分裂を遅らせる（タンパク質の希釈を減少させる）フィードバックループが組み合わさることで、B細胞、前駆細胞、マクロファージに対応する3つの安定な定常状態が生じることが示唆された。しかし、このモデルは主に定性的な傾向を説明するために開発されたものであり、その動機となったPU.1の存在量、合成率、および細胞周期の長さに関する具体的な測定値に対して、定量的な評価は行われていなかった。本論文が取り組む中心的な課題は、AR&GFメカニズムが報告された細胞状態の測定値を定量的に再現できるかどうかを判断することであり、もしできない場合は、独立したエンハンサー・レポーターの制約を満たしつつ、それを実現するために必要な最小限の調節的特徴を特定することである。
方法論
著者らは、漸進的にメカニズム的な動力学システムモデルへと進化させるモデル識別戦略を採用した。報告されたPU.1-GFPの存在量、PU.1合成率、および細胞周期の長さの測定値を、定常状態と除去率に関する定量的な制約として扱った。さらに、エンハンサー・レポーターの摂動データを用いて、PU.1の生産関数を制約した。
モデリングのワークフローは以下の通りである：
- AR&GFモデルの評価： 著者らはまず、元のAR&GFモデルをデータに対してテストした。その結果、このモデルは2つの異なる前駆細胞グループ（pro-lowおよびpro-high）を再現できず、PU.1レベルと細胞周期の長さの間の非単調な関係を再現できないことが判明した。
- 離散的成長率を伴うオートレギュレーション（AR&DGR）： 普遍的な成長フィードバック関数を、測定された細胞周期の長さから直接導出された細胞型特異的な希釈率に置き換えた。PU.1の自己調節による生産パラメータは共通とし、除去率のみを異なるものとした場合に、PU.1の自己調節だけでデータに適合するかをテストした。
- 細胞型特異的オートレギュレーション： 追加の生産側の入力が必要かどうかをテストするため、PU.1の生産関数に細胞状態依存的なスケーリング因子（X）を導入した。
- C/EBPαによるポジティブフィードバック： 抽象的な因子Xを、具体的な生物学的候補であるC/EBPαに置き換え、相互的なポジティブフィードバックループ（PU.1 ↔ C/EBPα）を作成した。このモデルは、細胞状態データとエンハンサー変異によるPU.1レポーター活性の両方によって制約された。
- RUNX1拡張アーキテクチャ： 最後に、RUNX1の結合サイトがPU.1の発現に大きく影響するという証拠に基づき、PU.1エンハンサーへの追加入力としてRUNX1を組み込んだ。この「RUNX1モデル」は、RUNX1の摂動データを含む拡張されたデータセットを用いて適合させた。
全過程を通じて、モデルは常微分方程式（ODE）として実装され、実験データとの誤差を最小化するために粒子群最適化を用いて適合させた。
主要な貢献と結果
- AR&GFモデルの定量的不整合： 本研究は、元のAR&GFモデルが動機となったデータと定量的に矛盾していることを示している。このモデルは、観察された2つのグループ（pro-lowおよびpro-high）ではなく、単一の前駆細胞アトラクターを予測し、PU.1レベルと細胞周期の長さの間の単調な関係を課しており、これはデータ（pro-high細胞は高いPU.1レベルを持つが短い細胞周期を持つ）と矛盾している。
- 希釈の違いの不十分さ： 成長フィードバックの仮定を測定された細胞型特異的な希釈率に置き換えても（AR&DGRモデル）、不一致は解消されない。単一の共通のPU.1自己調節生産関数では、B細胞、pro-low、およびpro-high細胞の異なる除去関数と、要求される存在量および合成率の範囲で交差させることができない。
- 細胞状態依存的な生産の必要性： 結果は、PU.1の生産が自己調節と希釈を超えた、追加の細胞状態に関連する入力に依存していることを示している。細胞型特異的なスケーリング因子を用いたモデルはデータを再現することに成功しており、これは第2の調節因子が存在することを示唆している。
- C/EBPαフィードバックのみの失敗： C/EBPαをエンハンサー・レポーターデータによって制約された閉ループ・フィードバック・システムの第2の因子としてモデル化した際、モデルはpro-lowアトラクターを正しく配置できなかった。オープンループでの適合は機能するが、既知の結合サイトに基づくヒル係数2の閉ループ動力学は緩慢すぎる。協同性を高めても、どちらの状態も測定されたpro-lowの範囲に一致しない双安定性が生じる。
- RUNX1拡張モデルの成功： PU.1エンハンサーへの追加入力としてRUNX1を含めることで、モデルはすべての制約を満たすことが可能となった。PU.1依存的なC/EBPα活性化に対する高い実効協同性（ヒル係数 ≈ 10）を持つことで、RUNX1拡張モデルは、細胞状態の測定値（存在量および合成率）とエンハンサー・レポーターの摂動データを共同で再現した。ヌルクライン解析は、RUNX1がPU.1のヌルクラインを上方へシフトさせ、pro-lowアトラクターを測定範囲内に正しく配置することを示している。
意義
本論文は、単に多安定性を生成するモデルと、生物学的現実に定量的に一致するモデルを区別するためには、動力学システムによる制約とシス制御（エンハンサー）による制約を統合することが必要であると主張している。本研究は、細胞型特異的な希釈、PU.1-C/EBPαフィードバック、およびRUNX1によって表される追加のエンハンサーレベルの入力を組み合わせたPU.1の調節アーキテクチャを支持している。
著者らは、この枠組みが以下の具体的な、実験的に検証可能な仮説を生成すると述べている：
- pro-low系は双安定性を示す可能性があり、これは、PU.1の存在量は異なるが成長率は同様である、2つの前駆細胞サブポピュレーションの存在を示唆している。
- C/EBPα活性化に必要な高い実効協同性は、単純な結合サイトの占有を超えたメカニズム、例えばC/EBPαの自己調節や転写因子の共凝縮を示唆している。
- モデルは、B細胞における基底プロモーター駆動のPU.1発現が、マクロファージにおける全体的な生産率が低いにもかかわらず、マクロファージよりも高いことを予測している。これは、細胞型の生産の違いが、基底プロモーターの活動単独ではなく、エンハンサーレベルの調節によって形成されていることを示唆している。
著者らは、自らの結論が、選択された仮定の下でのこれらの特定のデータセットの統合に特有のものであることを控えめに述べており、C/EBPαとRUNX1の一意的な生物学的要件を意味するものではないとしている。また、RNA-seqをタンパク質生産のプロキシとして用いたことや、個別のサブポピュレーションを不明瞭にする可能性のある前駆細胞データの集約といった限界についても認めている。
毎週最高の biophysics 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。登録