Building dynamical models of multi-step state transitions from single cell gene expression trajectories

Het leven is een verhaal van constante verandering, geschreven in de taal van genen. Binnen elke cel wacht een enorme bibliotheek aan instructies, maar slechts enkele pagina's worden op elk gegeven moment gelezen. Wanneer een cel moet transformeren—bijvoorbeeld door een flexibele stamcel te veranderen in een gespecialiseerde hartcel of een huidcel—zet zij niet simpelweg een schakelaar om. In plaats daarvan beweegt zij zich door een reeks afzonderlijke stadia, een meerstapsreis waarbij de interne machinerie van de cel zichzelf telkens opnieuw organiseert. Wetenschappers weten al lang dat deze transities alles aansturen, van hoe een embryo groeit tot hoe ziekten zoals kanker zich verspreiden, maar de specifieke set regels die een cel van de ene naar de volgende fase leiden, is grotendeels een mysterie gebleven. De uitdaging ligt in het zien van de onzichtbare hand die deze veranderingen stuurt, een hand gemaakt van eiwitten die transcriptiefactoren worden genoemd, die fungeren als de managers van de cel en beslissen welke genen ze aanzetten en welke ze stilleggen. Zonder een duidelijke kaart van hoe deze managers interageren, blijft het pad dat een cel aflegt tijdens haar levenscyclus een waas.

Een team van onderzoekers heeft nu een nieuwe manier geïntroduceerd om dit pad in kaart te brengen, wat een helderder beeld biedt van hoe cellen hun complexe reizen navigeren. Ze ontwikkelden een methode genaamd NetDes, een computationele tool die ontworpen is om snapshots van genactiviteit te bekijken die genomen zijn van individuele cellen door de tijd heen, en de onderliggende logica van hun beweging te reconstrueren. Stel je voor dat je een reeks foto's bekijkt van een reiziger die zich door een stad beweegt; hoewel je kunt zien waar de persoon zich op elk moment bevindt, kun je de verkeersborden of de verkeerslichten niet zien die vertelden welke kant hij op moest slaan. NetDes werkt als een systeem dat die ontbrekende borden afleidt door de route van de reiziger te analyseren. Door de tool data te voeren uit single-cell genexpressie-trajecten—verslagen van hoe genactiviteit verandert terwijl een cel van de ene naar de andere staat beweegt—waren de onderzoekers in staat om dynamische modellen te bouwen die het gedrag van de cel simuleren. Deze modellen zijn niet alleen statische lijsten van verbindingen; het zijn levende simulaties die de werkelijke stroom van genactiviteit reproduceren, waarbij ze laten zien hoe een cel soepel overgaat van de ene identiteit naar de volgende.

De onderzoekers testten hun methode eerst op synthetische data, waarbij het juiste antwoord al bekend was, en op echte datasets uit eerdere studies. In deze tests presteerde NetDes even goed als, of beter dan, bestaande tools bij het identificeren van welke regulatoire factoren daadwerkelijk met elkaar communiceren. Het reconstrueerde succesvol een gesimuleerd circuit dat het lot van de cel controleerde, waarmee werd bewezen dat het de ruis en complexiteit van echte biologische data kon aan kunnen. Vervolgens paste het team NetDes toe op vier verschillende biologische processen: de transformatie van stamcellen naar definitief endoderm (een weefsel dat de darm en lever vormt), de verschuiving van epitheliale naar mesenchymale staten (een verandering die vaak wordt gezien bij wondgenezing en kanker), de rijping van rode bloedcellen, en de differentiatie van dendritische cellen, die belangrijke spelers zijn in het immuunsysteem. In elk geval slaagde de methode erin om een enkel, minimaal netwerk op te bouwen dat de gehele sequentie van gebeurtenissen kon verklaren, waarbij de stapsgewijze transities werden vastgelegd die andere benaderingen vaak misten of versimpelden.

Wat deze aanpak bijzonder krachtig maakt, is het vermogen om de specifieke managers aan te wijzen die de verandering aansturen. Door simulaties uit te voeren op de gereconstrueerde netwerken, konden de onderzoekers voorspellen welke transcriptiefactoren, en in welke combinaties, noodzakelijk waren om een cel van de ene naar de volgende fase te duwen. In het geval van stamcellen die veranderen in definitief endoderm, herstelde het model bekende meesterregulatoren, wat bevestigde dat de tool werkelijke biologische waarheden vond in plaats van willekeurige patronen. Bovendien, door de complexe web van interacties te vereenvoudigen tot een duidelijkere circuitlogica, waren de onderzoekers in staat om de fundamentele regels te onthullen die de overgang van stamcel naar endoderm beheersen. Dit werk beweert niet elk mysterie van de celbiologie te hebben opgelost, maar het biedt een algemeen kader om een wolk van genexpressiedata om te zetten in een mechanisch verhaal. Het biedt een manier om de draaiende tandwielen binnen de cel te zien, en laat zien hoe een reeks kleine, gereguleerde stappen kan leiden tot een volledige transformatie van identiteit.