Unsupervised machine-learning identifies latent pyrenoid states linked to mitotic remodeling defects and CO2-dependent growth

In de microscopische wereld van eencellige algen hangt het leven af van een delicate, onzichtbare machinerie die kooldioxide uit de lucht opvangt en omzet in voedsel. Dit proces, bekend als fotosynthese, vertrouwt op een specifiek enzym dat fungeert als een moleculaire fabrieksarbeider die koolstofatomen grijpt om suikers te bouwen. Deze arbeider is echter vaak inefficiënt, en om beter te kunnen functioneren, hebben sommige algen een speciaal compartiment ontwikkeld: een dichte cluster van eiwitten die kooldioxide concentreert precies waar het nodig is. Deze structuur, de pyrenoïde genoemd, gedraagt zich als een vloeibare druppel die in de cel zweeft en voortdurend verschuift en van vorm verandert. De uitdaging voor deze minuscule organismen is dat deze vloeibare structuur de gewelddadige gebeurtenis van celdeling moet overleven. Wanneer de cel in tweeën splitst om nakomelingen te creëren, moet de pyrenoïde worden afgebroken, gesorteerd en opnieuw worden opgebouwd in elke nieuwe dochtercel. Als deze reorganisatie niet goed verloopt, zelfs op subtiele manieren die moeilijk te zien zijn, kunnen de nieuwe cellen moeite hebben met groeien of overleven, vooral wanneer kooldioxide schaars is.

Wetenschappers vroegen zich al lang af of kleine, verborgen gebreken in de manier waarop deze structuren tijdens de celdeling worden herbouwd, later tot grotere problemen zouden kunnen leiden. Om dit te onderzoeken, wendden onderzoekers zich tot een veelvoorkomende groene alg, Chlamydomonas reinhardtii, en ontwikkelden ze een nieuwe manier om naar de interne structuren ervan te kijken. In plaats van te vertrouwen op menselijke ogen om verschillen op te merken, wat de meest zwakke onregelmatigheden kan missen, leerden ze een computer te herkennen hoe een gezonde pyrenoïde eruitziet. Ze begonnen door duizenden afbeeldingen van normale, gezonde cellen te nemen en gebruik te maken van een type kunstmatige intelligentie om te leren wat het volledige spectrum van "normaal" is. Dit computersysteem, getraind op bijna vijf duizend afbeeldingen van wildtype-cellen, leerde de standaard vorm en textuur van de pyrenoïde te identificeren. Om deze training nog robuuster te maken, breidden de onderzoekers hun dataset uit door meer dan honderdduizend variaties op de afbeeldingen te creëren, om ervoor te zorgen dat de computer elke mogelijke normale staat begreep.

Met deze digitale standaard in het achterhoofd, begon het team aan een massale zoektocht door een bibliotheek van eenentwintig duizend mutante algstammen, die elk een willekeurige genetische verandering bevatten. Ze voerden afbeeldingen van deze mutanten in het computersysteem in, dat deze vergeleken met de geleerde standaard van normaliteit. De computer markeerde zeventien specifieke stammen die ongewone patronen vertoonden, waarmee ze werden geïdentificeerd als zijnde defect in hun pyrenoïde-structuur. Wat deze aanpak krachtig maakte, was het vermogen om subtiele afwijkingen te detecteren die een menselijke waarnemer waarschijnlijk over het hoofd zou zien. Door te analyseren waar precies de computer een verschil zag, konden de onderzoekers de specifieke lokale gebreken in de pyrenoïde in kaart brengen, waardoor onregelmatigheden aan het licht kwamen die te complex waren om met het blote oog te classificeren.

Wanneer de onderzoekers deze mutante cellen in realtime observeerden, zagen ze de gevolgen van deze verborgen defecten. In verschillende van de geïdentificeerde stammen slaagde de pyrenoïde er niet in om correct uiteen te vallen tijdens de celdeling, of de delen die de essentiële enzymen bevatten, werden niet gelijkmatig verdeeld naar de nieuwe cellen. In andere gevallen slaagde de structuur er niet in om correct weer samen te komen na de celsplitsing. Deze mechanische fouten in het celdelingsproces vertaalden zich direct naar groeiproblemen. De mutante algen groeiden normaal wanneer kooldioxide overvloedig aanwezig was, maar zodra de aanvoer van kooldioxide afnam, vertraagde hun groei aanzienlijk. Dit bevestigde dat de subtiele structurele gebreken in de pyrenoïde de cellen veel kwetsbaarder maakten wanneer de middelen schaars waren.

De studie wees ook op specifieke genen die verantwoordelijk zijn voor deze problemen. Door in kaart te brengen waar de willekeurige genetische veranderingen plaatsvonden, identificeerden de onderzoekers een gen genaamd STT7, dat een eiwit produceert dat bekend staat om het reguleren van de manier waarop de alg licht opvangt. Om deze link te bevestigen, creëerden ze nieuwe lijnen van algen waarbij dit gen doelbewust werd uitgeschakeld. Deze gemodificeerde algen vertoonden dezelfde vreemde patronen in hun pyrenoïde-structuur als de oorspronkelijke mutanten, en ze misten het STT7-eiwit volledig. Dit bewijs suggereert dat het STT7-eiwit een directe rol speelt bij het behoud van de vorm en functie van de pyrenoïde, waardoor de regulatie van lichtopvang wordt verbonden met de fysieke integriteit van de koolstofconcentrerende structuur.

Dit werk demonstreert dat ongesuperviseerd machine learning biologische defecten kan blootleggen die te subtiel zijn voor traditionele observatie. Door de computer te laten definiëren wat de grenzen van normaliteit zijn en vervolgens te zoeken naar alles wat daarbuiten valt, kunnen wetenschappers nieuwe genetische spelers vinden die betrokken zijn bij complexe cellulaire processen. De bevindingen laten zien dat de gezondheid van de celgroei en het vermogen om te gedijen in omgevingen met weinig koolstof diep verbonden zijn met de preciele, vaak onzichtbare mechanica van hoe de cel haar interne structuren tijdens de deling herbouwt. Het vermogen om deze latente toestanden te detecteren, opent een nieuw venster naar het begrijpen van hoe het leven zijn essentiële machinerie in stand houdt door de chaos van reproductie.