Generative inverse design steers human hematopoietic cell fate in vitro
本論文は、多様な細胞集団を濃縮し、生物学的実験を導くための新たなパラダイムを確立したマルチループの実験プロセスを通じて検証された、ヒト造血細胞の運命を特定の標的状態へと誘導するために、培養条件の広大で連続的な組合せ空間を巧みにナビゲートする生成逆モデルフレームワークであるLabCompassを紹介するものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
研究室で血球細胞を作ることは、非常に困難な作業として知られています。科学者は、体の原材料である幹細胞から出発し、それらを酸素を運ぶ細胞や感染と戦う細胞といった特定の種類の血球へと誘導しようと試みます。課題は、細胞を成長させるための液体スープである培養液にあります。このスープには、成長因子と化学物質の適切な混合物が含まれていなければなりませんが、そのレシピは極めて複雑です。成分の量がわずかに変化したり、添加するタイミングが少しずれたりするだけで、細胞は全く異なる経路へと進んでしまいます。数十年にわたり、完璧なレシピを見つけることは試行錯誤に頼ってきましたが、それは一つの結果を得るために何千もの組み合わせをテストする必要がある、遅くて高価なプロセスでした。
この困難さは、可能なレシピの空間が膨大かつ連続的であることに起因します。オンかオフかの単純なスイッチとは異なり、細胞を成長させる条件はスライディングスケール（連続的な尺度）上に存在します。従来のコンピュータモデルは、特定のレシピを使用した場合に何が起こるかを予測することはできますが、望ましい結果を生み出すためにどのレシピが必要かを逆算して教えることは容易ではありません。これは「逆問題」として知られており、長らく生物学的研究におけるボトルネックとなってきました。もし科学者が患者のために特定の種類の血球を作りたいと考えた場合、あらゆる可能性をテストすることなく、この複雑な景観をナビゲートする方法を必要としています。
研究チームは現在、この問題を解決するために「LabCompass」と呼ばれる新しいアプローチを導入しました。当て推量で試す代わりに、彼らは実験から学び、次の実験を設計するシステムを構築しました。プロセスは、研究者がヒト幹細胞に対して化学物質と酸素レベルの116通りの異なる組み合わせをテストした、大規模な初期スクリーニングから始まります。彼らは数百万個の細胞を成長させ、数十種類の細胞タイプを一度に識別できるハイテク顕微鏡を用いてその特性を測定しました。このデータにより、異なる条件が細胞の挙動にどのように影響するかを示すマップが作成されました。
このマップを用いて、研究者たちはガイドとして機能するコンピュータモデルを訓練しました。このモデルは、特定の化学物質の濃度がいかにして特定の細胞タイプにつながるかという、細胞の世界のルールを学習しました。一度訓練されると、モデルに質問を投げかけることができました。「最も多くのメガカリオサイト（巨核細胞）を生成するレシピは何か？」これらは、血小板へと変化する不可欠な細胞です。既知のレシピのリストから探すのではなく、コンピュータは、動作すると予測される、完全に新しい、妥当なレシピを生成しました。コンピュータは、ランダムなノイズから始めて、モデルの予測に従って、それを有効な化学混合物へと徐々に形作っていくことでこれを行いました。
研究者たちは、コンピュータが生成したレシピをラボに持ち帰り、テストを行いました。これは一度限りのイベントではなく、継続的なループでした。新しいレシピで細胞を成長させた後、その結果を測定し、そのデータをコンピュータにフィードバックしました。モデルはこの新しい情報を使用して細胞の世界に対する理解を更新し、より正確かつ確信を持てるようになりました。4回のサイクルの後、システムはメガカリオサイト、赤血球前駆細胞、および免疫細胞を含む特定の細胞タイプを濃縮するための条件を特定することに成功しました。重要な検証ステップにおいて、システムは文献にあるレシピ（デザイン210）を特定することに成功しましたが、これは初期のトレーニングデータで見られたものよりもはるかに高い、約70パーセントのメガカリオサイトを生み出すものでした。しかも、モデルはその特定のレシピを一度も見たことがありませんでした。
また、このシステムは、細胞がどのように意思決定を行うかについて、驚くべき事実も明らかにしました。研究者たちは、同じ目的地に到達するためのルートは一つではないことが多いことを発見しました。同じ都市へ向かうためのドライブのルートが複数あるように、コンピュータは同じ種類の血球へと導く明確に異なる化学物質の組み合わせを特定しました。あるルートは特定の成長因子に大きく依存している一方で、別のルートは全く異なる一連の成分を使用していることもあります。この発見は重要です。なぜなら、特定の化学物質が高価すぎたり不安定であったりする場合、科学者はモデルを使用して、同じ生物学的結果を達成する代替レシピを見つけることができるという柔軟性を提供してくれるからです。
システムの適応性をさらにテストするため、研究者たちは元のスクリーニングには含まれていなかった新しい化学物質を追加して実験を拡張しました。彼らは、モデルが新しいツールを使用して、以前は生成が困難であった希少な細胞タイプを成長させることができるかどうかを確認したいと考えました。免疫細胞をサポートすることが知られている新しい成長因子を導入することで、システムはそれをどのように使用するかを迅速に学習し、それらの希少な集団を効果的に濃縮する設計を生成しました。モデルは単に一つの解を見つけただけでなく、新しい可能性を探索し、新しい材料を使用するための最も効果的な方法を特定しました。
研究を通じて、研究者たちは、ランダムな推測や標準的な数学的最適化といったより単純な手法と比較検討を行いました。生成システムは、問題の複雑さが増すにつれて、これらのベースラインを一貫して上回りました。システムは、時間と資源を浪費する行き止まりを避けながら、最も有望な領域に探索を集中させることができました。また、システムは自身の予測に自信がないときにそれを認識し、より多くを学ぶためにそれらの不確実な領域での設計をテストするように促す能力も示しました。この「既知の成功を利用すること」と「未知を探索すること」のバランスにより、モデルは各サイクルで急速に改善することができました。
この研究は、仮想モデルが、将来をどれほど正確に予測できるかだけでなく、目標に向かって実験をどれほど効果的に導けるかによって判断されることを示しています。結果を予測する「順方向モデル」と、入力を設計する「生成モデル」を組み合わせることで、研究者たちは従来のメソッドが失敗する高次元かつ連続的な空間をナビゲートできるツールを作り上げました。このアプローチは、細胞を育てるプロトコルの開発方法を、遅くて手作業による最適化から、より速くデータ駆動型のプロセスへと変貌させる可能性を秘めています。結果は、適切な計算ツールがあれば、生物学的システムの膨大な複雑さを制御し、研究者が以前は手の届かなかった精度で細胞の運命を操ることができることを示唆しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。