CHACAM: a cell-cell interaction-guided hierarchical attention model for high-precision cell identity annotation of scRNA-seq data in early C. elegans embryogenesis

Het leven begint als een enkele cel, een kleine bol die de blauwdruk bevat voor een heel organisme. In de vroegste momenten van de ontwikkeling deelt deze cel zich herhaaldelijk, waardoor een snel groeiende cluster van cellen ontstaat. Al decennia weten wetenschappers dat dit proces bij de kleine rondworm Caenorhabditis elegans opmerkelijk voorspelbaar is. Elke individuele worm volgt exact hetzelfde pad: de eerste cel splitst zich, de dochtercellen splitsen zich, en ze splitsen zich opnieuw, altijd in dezelfde volgorde en altijd op dezelfde plek. Vanwege deze perfecte consistentie gebruiken biologen deze worm al lang als een kaart om te begrijpen hoe een enkele cel een complex dier wordt. Echter, een nieuwe uitdaging is ontstaan naarmate de technologie geavanceerd is. Wetenschappers kunnen nu de genetische instructies, of het "transcriptoom", van individuele cellen binnen deze embryo's lezen. Hoewel dit klinkt als een doorbraak, heeft het een verwarrend probleem aan het licht gebracht: terwijl de cellen zich delen, worden de genetische instructies in nauw verwante zustercellen bijna identiek. Wanneer wetenschappers proberen deze cellen enkel op basis van hun genetische code te sorteren, kunnen ze ze vaak niet van elkaar onderscheiden, waardoor ze gedwongen worden om verschillende cellen in vage, ambigue categorieën te groeperen.

Om dit puzzelstuk op te lossen, heeft een team van onderzoekers een nieuwe benadering ontwikkeld die verder kijkt dan de genetische code binnen de cel. Ze realiseerden zich dat een cel niet in een vacuüm bestaat; het staat constant in contact met en communiceert met zijn buren. In het vroege embryo wordt het lot van een cel sterk beïnvloed door de signalen die het ontvangt van de specifieke cellen waarmee het fysiek in contact staat. De onderzoekers bouwden een computermodel genaamd CHACAM dat de genetische gegevens van een cel combineert met een gedetailleerde kaart van wie met wie in contact staat. Door deze fysieke context te integreren, kan het model cellen onderscheiden die genetisch identiek lijken maar in een andere omgeving verblijven. Deze methode heeft hen in staat gesteld een perfect heldere kaart van het vroege wormembryo te maken, waarbij identiteiten werden opgehelderd die jarenlang ambigu waren gebleven en nieuwe genetische markers werden onthuld die elke unieke cel definiëren.

De kern van het probleem ligt in hoe nauw verwante cellen op elkaar lijken. In de vroege stadia van de ontwikkeling van de worm delen de cellen zich zo snel dat zustercellen, die uit dezelfde ouder zijn voortgekomen, bijna exact hetzelfde genetische profiel hebben. Traditionele methoden voor het identificeren van deze cellen vertrouwen op het vinden van specifieke genen die fungeren als markers, zoals een naamkaartje. Echter, wanneer de genetische verschillen zo klein zijn, zijn de naamkaartjes niet duidelijk genoeg om de zustercellen van elkaar te onderscheiden. In eerdere studies leidde dit tot een situatie waarin wetenschappers een groep cellen alleen met een generieke naam konden labelen, zoals "ABalx", waarbij ze erkenden dat ze wisten dat de groep bestond, maar niet konden zeggen welke specifieke cel welke was. Dit gebrek aan precisie maakte het moeilijk om het exacte verloop van gebeurtenissen die de ontwikkeling aansturen te begrijpen, aangezien de onderzoekers in feilen essentieel werkten met een wazige kaart.

De onderzoekers hypotheseerden dat het ontbrekende stukje informatie de fysieke omgeving was. Ze wisten uit decennia van observatie dat specifieke cellen in het wormembryo altijd specifieke buren raken. Bijvoorbeeld, één cel kan een buur raken die een signaal stuurt om een spiercel te worden, terwijl zijn zus, die er genetisch identiek uitziet, een andere buur raakt die een signaal stuurt om een zenuwcel te worden. Het nieuwe model, CHACAM, werd ontworpen om deze kennis te gebruiken. Het begint met een gecureerde database van bekende communicatiekanalen tussen cellen, specifiek de paren moleculen die een cel in staat stellen een signaal naar een andere cel te sturen. Het legt dit vervolgens over een hoogwaardige, vierdimensionale kaart van het embryo die laat zien welke cellen op elk minuut van de ontwikkeling met elkaar in contact staan.

Het model werkt door naar een cel te kijken en twee vragen te stellen: welke genen drukt het uit, en met wie staat het in contact? Het vergelijkt het genetische profiel van de cel met een referentielibrie van bekende celtypen. Als het genetische profiel ambigu is, kijkt het model naar de buren van de cel. Het berekent een score op basis van de waarschijnlijkheid van specifieke interacties tussen de cel en zijn buren. Als een cel bijvoorbeeld in contact staat met een buur die bekend staat om de interactie met een specifiek celtype, concludeert het model dat de cel waarschijnlijk dat type is. De onderzoekers gebruikten een strategie die ze "triangulatie" noemen om deze vermoedens te bevestigen. Ze kozen een referentiecel met een bekende identiteit en controleerden de interacties met de ambigue cel. Als de referentiecel bekend staat om contact te maken met de ene zus maar niet met de andere, en de interactiescores dat patroon bevestigen, kan de identiteit van de ambigue cel met een hoge mate van vertrouwen worden bepaald.

Toen het team deze methode toepaste op bestaande gegevens van het C. elegans-embryo, waren de resultaten opmerkelijk. In de dataset die het embryo dekt van één tot zestien cellen, slaagde het model erin elke celidentiteit te resolveren. Voorheen werden bij het zestien-cellenstadium acht van de cellen gegroepeerd in vier paren ononderscheidbare tweelingen. De nieuwe methode scheidde ze allemaal, met een resolutiepercentage van honderd procent. Dit betekent dat wetenschappers voor het eerst een volledige, ondubbelzinnige kaart hebben van de genetische identiteit van elke cel in het zestien-cellenembryo. Het model presteerde even goed op een grotere dataset die tot de honderd twee-cellen-fase reikte, waarbij het de overgrote meerderheid van de cellen correct identificeerde, zelfs wanneer sommige gegevens ontbraken.

Naast het louter sorteren van de cellen, bood het model een dieper begrip van wat elke cel uniek maakt. Zodra de cellen correct waren geïdentificeerd, konden de onderzoekers zoeken naar de specifieke genen die de ene cel van zijn tweeling onderscheiden. Ze ontdekten een nieuwe set markergenen die alleen actief waren in één van de zustercellen, terwijl eerdere studies alleen markers hadden gevonden die werkten voor groepen cellen. Zo vonden ze genen die twee specifieke cellen uit elkaar konden houden die voorheen als één groep waren behandeld. Deze nieuwe markers bieden een veel fijner niveau van detail, waardoor wetenschappers het exacte genetische programma kunnen zien dat in elke individuele cel wordt uitgevoerd. Deze hoog-resolutie kaart dient als een nieuwe bron voor het begrijpen van hoe cellen beslissingen nemen, en biedt een duidelijke lijst van de genen die betrokken zijn bij elke stap van het proces.

Het succes van deze aanpak benadrukt een fundamentele verschuiving in hoe wetenschappers naar celidentiteit kijken. Het demonstreert dat de identiteit van een cel niet alleen wordt bepaald door de genen die het draagt, maar ook door de fysieke en chemische context van zijn omgeving. Door de interne genetische gegevens te combineren met de externe realiteit van met wie in contact staat, konden de onderzoekers door de ruis heen kijken die eerdere analyses in verwarring had gebracht. Het model vertrouwt niet op gissen of complexe simulaties; het gebruikt de bekende, invariante regels van de ontwikkeling van de worm om de interpretatie van de genetische gegevens te sturen. Deze methode bewees dat wanneer cellen te vergelijkbaar zijn om enkel op basis van hun genen te onderscheiden, de fysieke kaart van het embryo de sleutel bevat tot het ontsluiten van hun ware identiteiten.

De implicaties van dit werk reiken verder dan de worm. Hoewel de studie zich richtte op C. elegans vanwege de perfect in kaart gebrachte afstamming, is de logica toepasbaar op elk systeem waar cellen moeilijk te onderscheiden zijn. In complexere organismen, zoals mensen, bestaan cellen vaak in drukke omgevingen waar hun buren hun gedrag beïnvloeden. Als wetenschappers de fysieke contacten tussen cellen in weefsels of tumoren kunnen in kaart brengen, zouden ze een soortgelijke aanpak kunnen gebruiken om celtypen te sorteren die er onder een microscoop identiek uitzien. De onderzoekers merkten op dat naarmate de technologieën voor het in kaart brengen van celposities verbeteren, dit soort context-bewuste analyse steeds belangrijker zal worden. De studie dient als een bewijs van concept dat het integreren van fysieke interactiegegevens met genetische gegevens verborgen biologische waarheden kan onthullen.

De onderzoekers erkenden ook de beperkingen van hun methode. Het model is sterk afhankelijk van de nauwkeurigheid van de contactkaart en de volledigheid van de database van cel-naar-cel signalen. Als de kaart van wie met wie in contact staat onjuist is, of als een kritieke signaalroute ontbreekt in de database, werkt het model mogelijk minder goed. Bij de worm is de contactkaart met extreme precisie bekend dankzij decennia aan beeldvorming, maar bij andere organismen kan deze informatie moeilijker te verkrijgen zijn. Daarnaast behandelt het huidige model de interacties als een statische momentopname in de tijd, in plaats van te volgen hoe ze veranderen terwijl het embryo groeit. Ondanks deze beperkingen heeft de methode al een volledig opgeloste atlas van het vroege wormembryo opgeleverd, een hulpbron die voorheen onbereikbaar was. Deze prestatie vormt een solide fundament voor toekomstige studies, waardoor wetenschappers preciezere vragen kunnen stellen over hoe cellen communiceren en hoe ze beslissen wat ze worden.