EV-Net: A computational framework to model extracellular vesicles-mediated communication

Deze paper introduceert EV-Net, een bioinformatica-tool die is ontwikkeld om de effecten van extracellulaire vesikel-cargo op ontvangende weefsels te modelleren en zo de bestaande beperkingen in het in silico onderzoek naar EV-gemedieerde communicatie op te lossen.

De kern

Titel: EV-Net: De 'Postbode' die de boodschappen van je cellen vertaalt

Stel je voor dat je lichaam een enorme, drukke stad is. De cellen zijn de inwoners, en ze moeten constant met elkaar praten om de stad gezond te houden. Soms doen ze dit door direct te bellen (via oppervlakreceptoren), maar vaak sturen ze ook pakketjes. Deze pakketjes heten Extracellulaire Vesikels (EV's).

Deze EV's zijn als kleine, zwevende postbussen die door het bloed varen. Ze zijn gevuld met waardevolle 'instructies': eiwitten en RNA. Als een postbus aankomt bij een ander huis (een andere cel), wordt hij geopend en worden de instructies gelezen. Dit kan de ontvanger-cel laten beslissen om bijvoorbeeld meer energie te maken, of juist om in paniek te raken en ontstekingen te veroorzaken.

Het probleem: De vertaler ontbreekt
Tot nu toe hadden wetenschappers veel tools om te kijken wie met wie belt (de directe telefoonlijn). Maar ze hadden geen goede manier om te begrijpen wat er gebeurt als die postbus (EV) aankomt. Ze zagen wel de inhoud van de postbus (de eiwitten), maar wisten niet precies welke instructies die inhoud gaf aan de ontvanger. Het was alsof je een doos met losse onderdelen kreeg, maar geen handleiding om te weten welk onderdeel welke machine in de stad zou repareren of kapotmaken.

De oplossing: EV-Net
De auteurs van dit paper hebben EV-Net bedacht. Je kunt dit zien als een slimme vertaal-app of een detective-tool.

1. Hoe werkt het?
   Stel, je hebt een doos vol losse onderdelen (de eiwitten uit de EV's) en je ziet dat in een bepaalde wijk (het weefsel) de lichten gaan knipperen of de straten worden geblokkeerd (veranderingen in genen). EV-Net kijkt naar die losse onderdelen en vraagt zich af: "Welk onderdeel in deze doos is de boosdoener die deze chaos veroorzaakt?"

2. De slimme truc:
   De tool is gebaseerd op een bestaande app (NicheNet) die oorspronkelijk alleen voor telefoongesprekken was. De onderzoekers hebben deze app 'hackerachtig' aangepast. In plaats van alleen te kijken naar wie belt, kijken ze nu ook naar wat er in de postbus zit. Ze gebruiken een slim algoritme (een soort 'slimme wandeling' door een netwerk van kennis) om de meest waarschijnlijke verbindingen te vinden tussen de inhoud van de postbus en de reactie van de ontvanger.

Twee voorbeelden uit de praktijk

De onderzoekers hebben hun tool getest met twee echte verhalen:

• Verhaal 1: De darm en de lever
  Ze keken naar een muis met een voorstadium van diabetes. De darmen stuurden postbussen (EV's) naar de lever. Met EV-Net ontdekten ze dat er een specifiek eiwit (SCLY) in die postbussen zat dat de levercellen (Kupffer-cellen) beïnvloedde. Dit eiwit helpt bij het regelen van stress in de cel. Dit suggereert dat de darmen via deze postbussen proberen de lever te beschermen tegen ontstekingen.

• Verhaal 2: De hersenen en ontsteking
  Ze keken naar hersencellen (microglia) die ontstoken waren. Deze cellen stuurden postbussen naar gezonde buren. EV-Net vond een eiwit genaamd MTDH in die postbussen. Dit eiwit bleek de gezonde buren ook 'ontstoken' te maken. Dit is een nieuw inzicht: misschien is dit eiwit de sleutel tot het begrijpen van neurologische ziektes.

Waarom is dit belangrijk?
Vroeger moesten onderzoekers gissen welke stofjes in die postbussen belangrijk waren. Nu kunnen ze met EV-Net direct de top-kandidaten vinden. Het is alsof je van een berg rommel een lijst krijgt met de 5 belangrijkste items die je moet onderzoeken.

Dit bespaart tijd en geld in het laboratorium. Wetenschappers hoeven niet meer blindelings te zoeken, maar kunnen gericht experimenteren met de specifieke eiwitten die EV-Net heeft gevonden. Het helpt ons beter te begrijpen hoe ziektes ontstaan en hoe we ze misschien kunnen genezen door in te grijpen op deze 'postbezorging' tussen onze cellen.

Kortom:
EV-Net is de nieuwe tolk die ons vertelt wat de kleine postbussen in ons lichaam eigenlijk zeggen, zodat we de communicatie tussen onze cellen beter kunnen begrijpen en genezen.

Technische samenvatting

Probleemstelling

Extracellulaire vesikels (EV's) zijn bilayer-structuren die diverse moleculen (nucleïnezuren, eiwitten, metabolieten) vervoeren en een cruciale rol spelen in de communicatie tussen cellen (CCC). Veranderingen in deze EV-gemedieerde communicatie zijn gekoppeld aan pathologische processen. Ondanks de groeiende beschikbaarheid van 'omics'-data over EV-inhoud, ontbreekt het aan gespecialiseerde in silico-tools om de functionele impact van deze inhoud op ontvangende weefsels te modelleren.
Bestaande bioinformatica-tools voor CCC (zoals CellChat, CellPhoneDB en NicheNet) zijn grotendeels gebaseerd op klassieke ligand-receptor-interacties aan het celoppervlak. Deze benadering is ontoereikend voor EV's, omdat EV's ook via andere mechanismen (zoals membraanfusie en endocytose) moleculen afleveren die intracellulair signaaltransductie beïnvloeden. Momenteel is er slechts één tool (miRTalk) beschikbaar die zich specifiek richt op EV-miRNA's, maar er ontbreekt een framework voor proteomics en RNA-seq data van EV's.

Methodologie

De auteurs hebben EV-Net ontwikkeld door het bestaande NicheNet-framework aan te passen om EV-gemedieerde communicatie te modelleren.

1. Adaptatie van NicheNet:

   • NicheNet gebruikt een Personalized PageRank-algoritme (random walk with restart) om de regulatorische potentie van liganden op doelen (genen) te voorspellen, gebaseerd op een vooraf kennisnetwerk van signaaltransductie en genregulatie.
   • In EV-Net wordt dit algoritme uitgebreid. In plaats van alleen klassieke liganden als "seed nodes" (startknooppunten) te gebruiken, worden ook EV-cargo-eiwitten (uit proteomics-data) en transcripten (als proxy voor eiwitten) als startpunten gebruikt.
   • Dit stelt het model in staat om EV-cargo te koppelen aan zowel receptoren als intracellulaire signaaleiwitten binnen het ontvangende weefsel.

2. Hyperparameters en Netwerk:

   • Omdat er beperkte experimentele data beschikbaar is om EV-specifieke hyperparameters te optimaliseren, gebruikt EV-Net de standaard NicheNet-hyperparameters: een dempingsfactor (damping factor) van 0,5 en een cutoff voor de ligand-to-target frequentie (ltf_cutoff) van 0,99.
   • De dempingsfactor beperkt de diffusie van het signaal in het netwerk, terwijl de hoge cutoff zorgt voor een strenge selectie van de sterkste regulatorische koppelingen.
   • Het resultaat is een nieuwe EV-cargo-naar-doel-matrix die 19.790 eiwitten en 22.521 doelgenen omvat (in tegenstelling tot de originele NicheNet-matrix met 1.287 liganden).

3. Input en Output:

   • Input: Een lijst van differentieel abundant eiwitten (proteomics) of differentieel tot expressie gebrachte transcripten (RNA-seq) uit EV's, gecombineerd met differentieel tot expressie gebrachte genen uit het ontvangende weefsel (bulk of single-cell RNA-seq, of een Seurat-object).
   • Output: Een gerangschikte lijst van EV-cargomoleculen met de hoogste regulatorische potentie op de genen van het ontvangende weefsel, visualiseerd in een matrix en ondersteund door voorspelde signaalroutes.

Belangrijkste Resultaten (Use Cases)

De auteurs toonden de bruikbaarheid van EV-Net aan in twee scenario's:

1. Gut-EV's en Kupffer-cellen (Prediabetische muis):

   • Context: Invloed van EV's uit de darm van prediabetische muizen op lever-macrofagen (Kupffer-cellen).
   • Vindst: EV-Net identificeerde Selenocysteine Lyase (SCLY) als een EV-cargoproteïne met hoge regulatorische potentie op genen geassocieerd met Kupffer-cellen.
   • Interpretatie: SCLY is betrokken bij oxidatieve stress en seleniummetabolisme. Dit suggereert dat darm-EV's via SCLY de ontstekingsactiviteit van Kupffer-cellen in een prediabetische context kunnen moduleren.

2. Microglia en Neuro-inflammatie:

   • Context: Effect van EV's afkomstig van LPS-geactiveerde microglia (hersen-immuuncellen) op naïeve microglia.
   • Vindst: Het framework identificeerde Metadherin (MTDH) als een EV-cargoproteïne dat sterk geassocieerd is met ontstekingsgenen in microglia, waaronder Discoidin Domain Receptor 1 (DDR1).
   • Interpretatie: Hoewel MTDH bekend staat als een oncogeen, suggereert deze studie een nieuwe rol in de ontstekingsactivatie van microglia, wat een nieuw mechanisme biedt voor neuro-inflammatoire processen.

Bijdragen en Significatie

• Eerste Framework voor EV-Proteomics: EV-Net is, voor zover bekend, het eerste bioinformatica-framework dat specifiek is ontworpen om zowel proteomics- als RNA-seq-data van EV's te integreren om de communicatie met ontvangende weefsels te modelleren.
• Brug tussen Data en Hypothesen: Het tool helpt de kloof te overbruggen tussen complexe EV-omics-data en biologische interpretatie. Het prioriteert relevante cargomoleculen en genereer testbare biologische hypotheses voor in vitro en in vivo experimenten.
• Open Source en Toegankelijkheid: De broncode is beschikbaar op GitHub en uitgebreide tutorials zijn beschikbaar via een website, wat de adoptie in de gemeenschap faciliteert.

Beperkingen en Toekomstperspectief

• Richting van Signaal: Omdat het onderliggende NicheNet-netwerk geen annotaties bevat voor activerende versus remmende interacties, kan EV-Net voornamelijk activerende signaalroutes voorspellen.
• Stoichiometrie: Het model gaat er momenteel van uit dat alle geïdentificeerde cargomoleculen functioneel zijn bij aankomst in het ontvangende weefsel. De feitelijke fractie van actief cargo (afhankelijk van opname-mechanismen zoals endocytose) wordt nog niet meegenomen, maar is een potentieel punt voor toekomstige verfijning.

Conclusie:
EV-Net biedt een krachtige, computergestuurde aanpak om de complexe rol van extracellulaire vesikels in celcommunicatie te ontrafelen. Door bestaande kennisnetwerken aan te passen voor EV-specifieke mechanismen, stelt het onderzoekers in staat om nieuwe regulatorische routes te ontdekken die relevant zijn voor zowel fysiologische homeostase als ziekteprocessen.