Mechanistic interpretation of biological tissue growth experiments with a computational model

In dit artikel wordt een computationeel model gepresenteerd dat de interactie tussen geometrie, mechanica en stochastische biologische processen simuleert om de groeimechanismen van biologisch weefsel te ontrafelen en dynamische groeiparameters te schatten op basis van statische experimentele data.

De kern

De Digitale Tuinbouwer: Hoe een computermodel onthult hoe weefsels groeien

Stel je voor dat je een tuin hebt die volop aan het groeien is. Je ziet de bloemen, het gras en de struiken, maar je kunt niet zien hoe ze precies groeiden. Je ziet alleen het eindresultaat op één dag. Was het de zon? De regen? Of misschien een onzichtbare wind die de zaden in een bepaalde richting duwde?

Biologen staan vaak voor precies dit probleem. Ze kunnen kijken naar een stukje bot of een stukje weefsel in een laboratorium, maar ze kunnen niet terugkijken in de tijd om te zien welke krachten en processen het hebben gevormd. Het is alsof je een foto van een volwassen boom ziet en probeert te raden hoe de wind en de aarde er precies voor hebben gezorgd dat de takken zo groeiden.

In dit onderzoek hebben de auteurs een digitale tuinbouwer (een computermodel) bedacht die dit mysterie oplost.

De digitale tuinbouwer

De onderzoekers hebben een simulatie gemaakt die werkt als een super-geavanceerde video-game voor cellen. In plaats van alleen te kijken naar het eindresultaat, spelen ze het groeiproces stap voor stap na.

Hier is hoe hun model werkt, vertaald naar alledaagse termen:

1. De Cellen als Bouwstenen: Stel je de rand van het groeiende weefsel voor als een muur van mensen die hand in hand staan. Deze mensen zijn de cellen. Ze duwen elkaar een beetje (mechanica) en ze maken nieuwe muren (weefsel) aan de buitenkant.
2. De Druk en de Ruimte: Als de muur in een kleine kamer groeit, worden de mensen (cellen) tegen elkaar gedrukt. Deze druk zorgt ervoor dat ze soms stoppen met groeien, soms verdwijnen (sterven) of veranderen in een andere soort cel (differentiatie).
3. Het Gok-element: Het leven is niet perfect voorspelbaar. Soms besluit een cel spontaan om te delen, soms om te sterven, en soms om te veranderen. Het model gebruikt een soort "gokkast" (stochasticiteit) om deze willekeurige beslissingen na te bootsen, net zoals in het echte leven.

Twee proefjes in de digitale tuin

De onderzoekers hebben hun model getest op twee verschillende situaties, alsof ze twee verschillende tuinen aan het bouwen waren:

1. De 3D-geprinte "Kast" (Weefseltechniek)
Stel je voor dat je cellen in een vierkante, 3D-geprinte doos plaatst. De cellen moeten de lege ruimte vullen.

• Het mysterie: De onderzoekers wilden weten: Hoe groeien de cellen precies? Delen ze zich in tweeën, of veranderen ze direct in een rustige cel?
• De oplossing: Door hun digitale model te laten draaien met verschillende instellingen, ontdekten ze dat de cellen het beste groeiden als ze vaak "asymmetrisch" deelden (één nieuwe werkende cel en één rustende cel). Als ze dit in het model instelden, leek het eindresultaat exact op de echte foto's uit het laboratorium. Het model fungeerde hier als een detective die de moordenaar (het groeimechanisme) identificeerde door de aanwijzingen (de vorm van het weefsel) te analyseren.

2. De Holle "Botten" (Botvorming)
Nu kijken we naar botten. Botten hebben kleine holtes (kanalen) waar cellen in groeien om nieuw botmateriaal te maken.

• Het mysterie: Soms sluiten deze holtes perfect rond, maar soms zijn ze scheef of ongelijkvormig. Waarom?
• De oplossing: Het model toonde aan dat je niet altijd een speciale oorzaak (zoals een scheef bot) nodig hebt om een scheef resultaat te krijgen. Soms is het gewoon geluk. Als cellen willekeurig beslissen om te sterven of te veranderen, kan dat leiden tot een ongelijkmatige groei. Het model bewees dat de "ruis" in het systeem (de willekeur) zelf al genoeg is om de onregelmatige patronen in botten te verklaren.

Waarom is dit belangrijk?

Vroeger moesten onderzoekers gissen naar de oorzaken van groei. Ze zagen een vorm en dachten: "Misschien is het de druk?" of "Misschien is het de chemie?".

Met dit nieuwe model kunnen ze nu:

• De tijd terugspoelen: Ze kunnen kijken naar één foto van een weefsel en de computer laten berekenen welke snelheden en krachten daarvoor nodig waren.
• De "Waarheid" testen: Ze kunnen zeggen: "Als we dit mechanisme uitschakelen, ziet het eindresultaat er anders uit." Zo weten ze precies wat belangrijk is.
• Toekomstvoorspellingen: Het helpt bij het ontwerpen van betere kunstmatige weefsels of het begrijpen van ziektes waar de groei uit de hand loopt (zoals kanker).

Conclusie

Dit onderzoek is als het hebben van een tijdmachine voor biologen. Ze kunnen niet echt terug in de tijd gaan om te kijken hoe een weefsel groeide, maar met hun slimme computermodel kunnen ze de "recept" van de groei reconstrueren. Ze laten zien dat de vorm van een weefsel niet alleen een kwestie van geluk is, maar het resultaat is van een ingewikkeld dansje tussen de vorm van de ruimte, de druk tussen de cellen en een beetje willekeur.

Kortom: Ze hebben de taal van de cellen vertaald naar een taal die we kunnen begrijpen, zodat we beter kunnen leren hoe ons lichaam zichzelf bouwt en repareert.

Technische samenvatting

Probleemstelling

De groei van biologische weefsels wordt bepaald door een complex samenspel tussen de geometrie van de omgeving (substraat), mechanobiologische processen en stochastische biologische gebeurtenissen. Het is experimenteel zeer moeilijk om de bijdragen van geometrie en mechanica van elkaar te scheiden. Experimentele weefselstalen bieden slechts statische momentopnamen (snapshots) en mechanische eigenschappen zijn lastig te meten. Hoewel de uiteindelijke samenstelling van een weefsel (de ruimtelijke verdeling van cellen en extracellulaire matrix) informatie bevat over de dynamische processen die tot die structuur hebben geleid, ontbreekt het vaak aan methoden om deze dynamiek kwantitatief te reconstrueren uit één enkel tijdstip. Bestaande wiskundige modellen focussen vaak op de evolutie van het weefseloppervlak of gebruiken continue benaderingen, waardoor ze geen directe vergelijking mogelijk maken met experimentele data op celniveau.

Methodologie

De auteurs presenteren een discreet computationeel model dat weefselgroei simuleert met enkel-cel resolutie. Het model combineert mechanica, geometrie en stochastische biologische processen.

Kerncomponenten van het model:

1. Discrete Interface: Het weefsel wordt gemodelleerd als een één-dimensionale keten van $N$ celvormende cellen die de interface vormen. De positie van de $i$-de cel wordt bepaald door de verplaatsing van zijn grenzen.
2. Mechanica:
   • Cellen worden gemodelleerd als mechanische veren.
   • De beweging van de interface wordt beschreven door twee snelheidsbijdragen:
     • $\mathbf{v}^m_i$: Tangentiële beweging door mechanische relaxatie (overdempde beweging in een viskeuze omgeving, afhankelijk van krachten van buren en het substraat).
     • $\mathbf{v}^f_i$: Normale beweging door weefselvorming (ECM-depositie), evenredig met de lokale celdichtheid.
   • Een predictor-corrector algoritme voorkomt dat celsegmenten overlappen of uit elkaar vallen tijdens de verplaatsing.
3. Stochastische Cellulaire Gebeurtenissen: Het model integreert vier soorten gebeurtenissen die optreden met constante snelheden:
   • Symmetrische proliferatie (cel deelt in twee actieve cellen).
   • Asymmetrische proliferatie (één actieve cel, één gedifferentieerde cel die in de ECM wordt ingebed).
   • Apoptose (celsterfte).
   • Directe differentiatie (actieve cel wordt gedifferentieerd en ingebed).
4. Calibratie: Modelparameters (zoals differentiatiesnelheid $D_{tot}$ en celstijfheid $k$) worden gekalibreerd op basis van experimentele data voor gedifferentieerde cel-dichtheid ($\rho$) en weefselvormingssnelheid ($k_f$).

Case Studies:
Het model werd toegepast op twee scenario's:

1. Tissue Engineering: Groei van MC3T3-cellen in 3D-geprinte poreuze scaffolds (vierkante poriën).
2. Botvorming: Vorming van botweefsel in corticale poriën (Haversiaanse systemen) in menselijk bot.

Belangrijkste Bijdragen

• Synthetische Weefsels met Enkel-Cel Resolutie: Het model genereert synthetische weefselcomposities die direct vergelijkbaar zijn met experimentele beelden, inclusief de positie en oriëntatie van individuele gedifferentieerde cellen.
• Ontkoppeling van Mechanismen: Het framework stelt onderzoekers in staat om de bijdrage van specifieke mechanismen (zoals geometrie vs. mechanica vs. stochastiek) te isoleren en te kwantificeren.
• Inferentie uit Momentopnamen: Het model maakt het mogelijk om dynamische groeiparameters (zoals differentiatiesnelheden) te schatten op basis van statische data van één tijdstip.
• Open Source: De implementatiecode is beschikbaar gesteld, wat reproduceerbaarheid en uitbreiding mogelijk maakt.

Resultaten

1. Tissue Engineering (3D-geprinte scaffolds):

• Differentiatiepaden: Vergelijking met experimentele data toonde aan dat een model waarbij de meeste gedifferentieerde cellen ontstaan via asymmetrische deling ($\alpha = 0.2$, waarbij $\alpha$ de fractie directe differentiatie is), de beste overeenkomst geeft met de experimentele morfologie. Zuivere directe differentiatie leidde tot een ruwere interface.
• Populatiegroei: Een groeiende populatie van weefselvormende cellen ($\beta > 0$) gaf de beste voorspelling voor de tijdsduur tot het vullen van de porie, in overeenstemming met experimentele observaties.
• Mechanica en Oriëntatie: De stijfheid van cellen beïnvloedde de oriëntatieverdeling van de ingebedde cellen.
  • Lage stijfheid resulteerde in een isotrope verdeling die beter overeenkwam met experimentele oriëntatiegegevens.
  • Intermediaire stijfheid resulteerde in een interface-morfologie (afgeronde hoeken) die beter leek op experimenten, maar de oriëntatieverdeling was minder accuraat. Dit suggereert dat er extra mechanismen (zoals oppervlaktespanning) een rol spelen die niet volledig door cel-cel interacties worden gedekt.

2. Botvorming (Corticale poriën):

• Stochastische Asymmetrie: Hoewel botvorming vaak symmetrisch lijkt, toonden simulaties aan dat stochastische variatie in differentiatie en apoptose voldoende is om asymmetrische structuren te genereren, zelfs zonder biologische heterogeniteit in de initiële condities.
• Cel Dichtheid: De lokale dichtheid van osteocyten bleef consistent met de voorgeschreven constante waarde, ondanks variaties in de vorm en grootte van de gevormde botlagen.
• Wanddikte: Er werd een correlatie gevonden waarbij de cel-dichtheid hoger was bij dunnere wanden. De meest voorkomende asymmetrieën vielen binnen een specifieke range van de wanddikte-ratio.

Betekenis en Conclusie

Dit werk biedt een krachtig computergestuurd raamwerk om de dynamiek van weefselgroei te begrijpen die experimenteel moeilijk te meten is. Door synthetische weefsels te genereren die direct vergelijkbaar zijn met microscopische beelden, kunnen onderzoekers hypothesen testen over de onderliggende mechanismen (zoals de rol van oppervlaktespanning of stochastische fluctuaties) zonder nieuwe, kostbare experimenten te hoeven uitvoeren.

De studie benadrukt dat:

1. De morfologie van een weefsel een "vingerafdruk" is van de dynamische processen die het hebben gevormd.
2. Stochastische cellulaire processen een significante bron kunnen zijn van variabiliteit in weefselstructuren (zoals asymmetrie in bot).
3. Het model een brug slaat tussen statische experimentele data en dynamische mechanistische inzichten, wat essentieel is voor geavanceerd tissue engineering en het begrijpen van ziekteprocessen zoals botremodellering.

Toekomstig werk richt zich op het uitbreiden van het model met biologisch geïnformeerde regels (bijv. differentiatie afhankelijk van kromming of spanning) en het gebruik van statistische inferentie voor parameterbepaling.