Generative Neuromorphic Programming of Mammalian Cells
Dit artikel introduceert een generatief neuromorf programmeerframework dat RNA-doelgerichte endoribonucleasen combineert voor analoge circuitconstructie met biomorfe neurale netwerken voor nauwkeurige voorspelling en een "biocompiler" voor geautomatiseerd ontwerp, wat het succesvolle engineering in één stap van complexe, voorheen ongeziene analoge gedragingen in zoogdiercellen mogelijk maakt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Cellen zijn geen eenvoudige aan/uit-schakelaars; het zijn geavanceerde verwerkers die voortdurend meerdere signalen afwegen om beslissingen te nemen. In de natuurlijke wereld kan een cel de niveaus van verschillende nabij drijvende eiwitten waarnemen en, op basis van de precieze combinatie en sterkte van die signalen, besluiten of ze moet delen, schade moet herstellen of moet sterven. Deze besluitvorming vindt plaats via een dicht web van interne verbindingen dat vloeiende, gegradeerde reacties produceert in plaats van binaire ja-of-nee antwoorden. Decennialang hebben wetenschappers die probeerden cellen te programmeren voor nieuwe taken gestreden omdat hun instrumenten gebouwd waren voor digitale logica, waarbij biologische onderdelen werden behandeld als computerbits die ofwel volledig aan of volledig uit staan. Deze mismatch maakte het uiterst moeilijk om circuits te ontwerpen die de subtiele, analoge aard van levende systemen konden hanteren, wat vaak jaren van trial-and-error vereiste om zelfs eenvoudige gedragingen te bereiken.
Een team onderzoekers van het Massachusetts Institute of Technology en andere instellingen heeft deze kloof nu overbrugd door cellen te leren rekenen op de manier waarop ze dat van nature doen. Ze ontwikkelden een systeem dat de interne machinerie van de cel behandelt als een flexibele, analoge computer, in staat om complexe berekeningen uit te voeren op meerdere inputs tegelijkertijd. In plaats van cellen te dwingen strikte digitale regels te volgen, bouwden de onderzoekers een softwarematige motor die genetische circuits ontwerpt om specifieke, vloeiende patronen van gedrag te produceren. Ze demonstreerden dit door drie volledig nieuwe genetische circuits vanaf nul te creëren, elk ontworpen om een unieke combinatie van twee inputsignalen te herkennen en te reageren met een precieze output. Opmerkelijk genoeg werkten alle circuits exact zoals de software voorspelde bij de allereerste poging, zonder enige noodzaak voor handmatige fijnafstemming of aanpassing.
De kern van deze prestatie ligt in een nieuwe manier van denken over hoe genen met elkaar interageren. De onderzoekers identificeerden vijf basisbouwstenen die de operaties van een kunstmatig neuraal netwerk nabootsen, maar deze blokken zijn gemaakt van echte biologische moleculen. Ze gebruiken specifieke enzymen die RNA kunnen knippen om als negatieve inputs te fungeren, waardoor signalen effectief worden afgetrokken, terwijl andere mechanismen signalen bij elkaar optellen. Ze vonden ook manieren om de sterkte van deze verbindingen aan te passen, vergelijkbaar met het draaien aan een volumeknop, door de genetische sequenties te veranderen die bepalen hoeveel eiwit er wordt aangemaakt. Door deze blokken aan elkaar te koppelen, creëerden ze een systeem waarbij één deel van het circuit zijn output naar het volgende deel kan voeden, wat meerlaagse verwerking mogelijk maakt. Deze aanpak stelt de cel in staat om complexe functies te berekenen, zoals het detecteren van een specifiek bereik van signaalniveaus en alles daarbuiten negeren, een gedrag dat bekend staat als een banddoorlaatfilter (band-pass filter).
Om dit systeem praktisch te maken, creëerde het team een softwarepakket dat ze de biocompiler noemen. Dit programma fungeert als een vertaler tussen een gewenst gedrag en de DNA-instructies die nodig zijn om het te bouwen. De software vertrouwt op een model genaamd een biomorf neuraal netwerk, dat leert hoe biologische processen werken door een grote collectie bestaande experimenten te bestuderen. In plaats van de wiskundige formules te raden die bepalen hoe genen interageren, leert de software het werkelijke gedrag van deze processen uit echte data. Het behandelt elk genetisch onderdeel, zoals een promotor of een specifiek enzym, als een flexibel component met een unieke "vingerafdruk" die het systeem kan aanpassen. Wanneer een wetenschapper wil dat een cel een nieuwe taak uitvoert, beschrijft hij simpelweg de gewenste outputpatroon, en de software zoekt door miljoenen mogelijke combinaties van onderdelen en verbindingen om degene te vinden die dat resultaat zal produceren.
De onderzoekers testten dit systeem door het de opdracht te geven om drie verschillende gedragspatronen te ontwerpen die nog nooit eerder in hun trainingsdata waren voorgekomen. De software stelde drie volledig nieuwe circuitarchitecturen voor, waarvan er geen in de bibliotheek van onderdelen bestonden die het systeem had bestudeerd. Het team bouwde deze circuits vervolgens in het laboratorium door de DNA-instructies in menselijke cellen in te brengen. In elk geval produceerden de cellen exact het patroon dat de software had voorspeld. De overeenkomst tussen het ontwerp en de realiteit was zo nauw dat het verschil niet groter was dan de natuurlijke variatie die optreedt bij het herhalen van hetzelfde experiment. Dit succes bewijst dat de software niet alleen kan voorspellen hoe een circuit zal reageren, maar ook nieuwe circuits kan uitvinden die direct werken, waardoor de lange cycli van trial-and-error die de synthetische biologie traditioneel vertraagden, worden omzeild.
Dit werk vertegenwoordigt een significante verschuiving in hoe wetenschappers de engineering van het leven benaderen. Voorheen was het ontwerpen van een cel voor een complexe taak vergelijkbaar met het proberen te bouwen van een klok door te gokken welke tandwielen zouden passen, waarbij vaak veel mislukte pogingen nodig waren om de timing goed te krijgen. De nieuwe methode is meer als het gebruiken van een blauwdruk die wordt gegenereerd door een systeem dat de fysica van tandwielen al begrijpt. Door te leren van een enorme hoeveelheid eerdere experimenten, heeft de software een diep begrip opgebouwd van hoe genetische onderdelen interageren, waardoor het kan generaliseren naar nieuwe situaties die het nog nooit heeft gezien. Het systeem is robuust genoeg om te werken in verschillende typen cellen, wat suggereert dat de geleerde regels fundamenteel zijn voor hoe deze cellen functioneren, in plaats van specifiek te zijn voor slechts één type.
De implicaties van dit werk strekken zich uit tot voorbij het maken van betere circuits. Het vestigt een kader waarin biologische engineering een cumulatieve wetenschap kan worden, waarbij elk nieuw experiment wordt toegevoegd aan een gedeelde bibliotheek van kennis die toekomstige ontwerpen nauwkeuriger maakt. Naarmate het systeem leert van meer data, wordt het beter in het voorspellen van het gedrag van steeds complexere netwerken. De onderzoekers hebben aangetoond dat het mogelijk is om cellen te programmeren met dezelfde precisie en betrouwbaarheid waarmee ingenieurs elektronische apparaten ontwerpen, maar dan met de natuurlijke analoge taal van de biologie. Dit opent de deur naar het creëren van cellen die complexe taken kunnen uitvoeren, zoals het identificeren en vernietigen van kankercellen op basis van een complexe signatuur van markers, of het sturen van de groei van weefsels met precieze ruimtelijke patronen, allemaal zonder de noodzaak van constante menselijke interventie om te corrigeren wat er misgaat.
Het succes van de biocompiler berust op een specifiek type leren dat verschilt van traditionele machine learning. In plaats van één enkel massaal model te trainen om patronen in afbeeldingen of tekst te herkennen, leert dit systeem het gedrag van individuele biologische processen, zoals hoe een specifiek enzym RNA knipt of hoe een promotor genexpressie aanstuurt. Deze geleerde gedragingen worden vervolgens gecombineerd om nieuwe circuits te vormen. Dit betekent dat het systeem niet alleen de circuits die het heeft gezien memoriseert; het begrijpt de onderliggende regels die hen beheersen. Wanneer het wordt geconfronteerd met een nieuwe ontwerpuitdaging, kan het deze bekende regels op een nieuwe manier samenstellen om het probleem op te lossen. Deze compositionele aanpak stelt het systeem in staat om een enorme ontwerpplek te hanteren die onmogelijk door middel van experimenten alleen te verkennen zou zijn, aangezien het aantal mogelijke combinaties van genetische onderdelen veel te snel groeit voor enig laboratorium om ze allemaal te testen.
In de beschreven experimenten gebruikten de onderzoekers een techniek genaamd poly-co-transfectie om hun ontwerpen te testen. Deze methode maakt het mogelijk om variërende hoeveelheden verschillende genetische inputs aan een enkele populatie cellen te leveren, waardoor een breed scala aan condities in één enkel experiment wordt gecreëerd. Door de output van elke cel te meten, kunnen ze het volledige respons-oppervlak van een circuit in kaart brengen, en zien hoe het zich gedraagt over alle mogelijke inputcombinaties heen. Dit hoogwaardige beeld van cellulair gedrag leverde de gedetailleerde data die nodig waren om de software te trainen en haar voorspellingen te verifiëren. Het feit dat de software het gedrag van circuits kon voorspellen die het nog nooit had gezien, en dat deze voorspellingen standhielden in het lab, bevestigt dat het model de essentiële logica van het interne netwerk van de cel heeft gevangen.
De onderzoekers testten ook of het systeem zijn kennis kon overdragen van het ene celtype naar het andere. Ze trainden de software met data van menselijke embryonale niercellen en vroegen de software vervolgens om het gedrag van circuits in twee andere celtypen te voorspellen: retinal pigment epitheelcellen en Chinese hamster ovary-cellen. De software presteerde in deze nieuwe celtypen bijna even goed als in de cel waarvoor zij getraind was, wat suggereert dat de fundamentele regels van hoe deze genetische onderdelen interageren consistent zijn over verschillende menselijke cellijnen. Deze draagbaarheid is cruciaal voor praktische toepassingen, aangezien het betekent dat een ontwerp gecreëerd in één celtype waarschijnlijk kan worden aangepast om in een ander celtype te werken zonder vanaf nul te hoeven beginnen.
Hoewel het huidige systeem een grote stap voorwaarts is, erkennen de onderzoekers dat er nog werk te verrichten is. De software opereert momenteel binnen een set vooraf gedefinieerde structurele sjablonen, of scaffolds, en kan nog geen volledig nieuwe soorten verbindingen vanuit het niets uitvinden. Toekomstige versies van het systeem kunnen leren om de structurele regels direct uit data te genereren, wat het bereik van de ontwerpen verder zal vergroten. Daarnaast vatten de huidige modellen het gedrag van individuele processen goed, maar houden ze nog niet expliciet rekening met globale effecten, zoals de competitie om cellulaire hulpbronnen, die soms het circuitgedrag kunnen veranderen. Het framework is echter ontworpen om flexibel te zijn, en deze beperkingen kunnen worden aangepakt naarmate het systeem leert van complexere data.
Het vermogen om cellen met een dergelijke precisie te programmeren transformeert het potentieel van de synthetische biologie. Het verplaatst het vakgebied van een discipline van trial-and-error naar een discipline van rationeel ontwerp, waarbij ingenieurs een functie kunnen specificeren en een werkend genetisch circuit terugkrijgen. Deze capaciteit is essentieel voor de volgende generatie celtherapieën, waarbij cellen geprogrammeerd moeten worden om te detecteren en te reageren op de complexe, veranderende omgeving van het menselijk lichaam. Door de natuurlijke analoge rekenkracht van cellen te benutten, biedt deze aanpak een pad naar het creëren van levende machines die even geavanceerd en aanpasbaar zijn als de biologische systemen waaruit ze zijn opgebouwd. Het werk laat zien dat we, met de juiste instrumenten, eindelijk vloeiend de taal van cellen kunnen spreken, waardoor hun natuurlijke complexiteit een programmeerbare bron wordt voor het oplossen van enkele van de moeilijkste uitdagingen in de geneeskunde en biologie.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.