TxCyto: A machine learning framework for estimating cytokine activity from whole transcriptome
'n Deep learning-framework dat de activiteit van 645 cytokinen en het tumorsecretoom direct uit volledige transcriptoomprofielen afleidt, waardoor de identificatie van cytokine-gestuurde mechanismen geassocieerd met immuuntherapie-respons in diverse kankercontexten mogelijk wordt.
Oorspronkelijk artikel vrijgegeven aan het publieke domein onder CC0 1.0 (https://creativecommons.org/publicdomain/zero/1.0/). 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
In het menselijk lichaam bestaan cellen niet in isolatie; ze maken deel uit van een enorme, bruisende gemeenschap waar constante communicatie vereist is om de gezondheid te behouden of ziekte te bestrijden. Deze communicatie steunt zwaar op een familie van signaalproteïnen genaamd cytokinen. Beschouw cytokinen als de tekstberichten of radio-uitzendingen van het lichaam: ze worden door één cel uitgescheiden om anderen te vertellen wat ze moeten doen, of dat nu is om een indringer aan te vallen, een wond te genezen of hun gedrag te veranderen. Deze signalen zijn cruciaal bij aandoeningen variërend van infecties en auto-immuunziekten tot kanker. Het traceren van deze berichten is echter berucht moeilijk. Cytokines worden in minuscule hoeveelheden geproduceerd, verdwijnen snel en hun effecten hangen volledig af van de specifieke context van het weefsel waarin ze zich bevinden. Daarom hebben wetenschappers historisch gezien moeite gehad om een compleet beeld te krijgen van hoe deze signalen werken binnen een patiënt, omdat ze vaak vertrouwen op directe metingen die traag, duur en beperkt zijn tot slechts enkele tientallen soorten cytokinen.
Een nieuwe studie introduceert een hulpmiddel genaamd TxCyto dat de manier waarop wetenschappers deze onzichtbare conversatie kunnen observeren, verandert. In plaats van te proberen de cytokinen direct te meten, wat lijkt op het proberen te horen van een fluistering in een storm, hebben de onderzoekers een machine learning-systeem ontwikkeld dat luistert naar de reactie van de cellen zelf. De kern van het idee is dat wanneer een cel een cytokine-signaal ontvangt, haar interne genetische instructies op een voorspelbare manier veranderen. Door het volledige genetische profiel van een weefselmonster te lezen, kan het hulpmiddel achteruit werken om te schatten welke cytokine-signalen aanwezig zijn en hoe actief ze zijn. Deze aanpak stelt onderzoekers in staat om de activiteit van 645 verschillende cytokinen en gesecreteerde eiwitten af te leiden uit een enkele snapshot van genetische data, een aantal dat het aantal van enkele tientallen dat voorheen haalbaar was, ruim overstijgt.
De onderzoekers bouwden dit hulpmiddel door een deep learning-model te trainen op een enorme collectie genetische data van bijna 9.500 tumor monsters uit 33 verschillende soorten kanker. Ze leerden het systeem de complexe patronen in de genetische code te herkennen die overeenkomen met de activiteit van specifieke cytokinen. Om te garanderen dat het hulpmiddel betrouwbaar was, testten ze het tegen diverse onafhankelijke datasets, waaronder experimenten waarbij cytokinen doelbewust werden toegevoegd aan of geblokkeerd van cellen. In deze tests voorspelde het model correct dat de cytokine-activiteit zou dalen wanneer remmers werden gebruikt en zou stijgen wanneer cytokinen werden geïntroduceerd. Opmerkelijk genoeg bleek het model dat getraind was op bulkweefseldata — waarbij het genetische materiaal van alle cellen in een monster gemengd is — nauwkeuriger te zijn dan modellen die getraind zijn op single-cell data. Dit suggereert dat de collectieve respons van de gehele weefselgemeenschap een duidelijker signaal van cytokine-activiteit geeft dan het kijken naar individuele cellen in isolatie, waarschijnlijk omdat cytokinen meerdere celtypen tegelijkertijd beïnvloeden en het gecombineerde effect ervan het belangrijkst is.
De kracht van TxCyto wordt nog duidelijker bij de toepassing op klinische vragen uit de echte wereld, zoals waarom sommige kankerpatiënten wel en anderen niet reageren op immunotherapie. Immunotherapie werkt door het immuunsysteem wakker te schudden om kanker te bestrijden, maar het werkt niet voor iedereen. Door TxCyto toe te passen op genetische data van patiënten voordat zij met de behandeling begonnen, identificeerden de onderzoekers specifieke cytokinepatronen die succes voorspelden. Ze vonden dat een consistente set signalen, met name die gerelateerd aan interferon-gamma en de rekrutering van immuuncellen, geassocieerd was met een positieve respons bij borst-, melanoom- en longkanker. Omgekeerd ontdekten ze dat resistentie tegen de behandeling vaak gekoppeld was aan andere, weefselspecifieke signalen. Zo was bij nierkanker resistentie verbonden aan signalen betreffende de vorming van bloedvaten, terwijl bij longkanker de resistentie verbonden was aan signalen gerelateerd aan celflexibiliteit en ontwikkeling. Deze bevinding suggereert dat de redenen voor het falen van de behandeling niet universeel zijn, maar sterk afhangen van de specifieke biologie van de locatie van de tumor.
Naast het voorspellen van uitkomsten voor individuele patiënten, onthulde het hulpmiddel ook de verborgen geografie van tumoren. Met behulp van ruimtelijke data, die in kaart brengen waar cellen zich binnen een tumor bevinden, konden de onderzoekers zien dat de cytokine-activiteit niet uniform was. Ze identificeerden specifieke buurten binnen een tumor waar de cytokine-signalen wijzen op een hoge waarschijnlijkheid van een respons op therapie, en andere gebieden waar signalen wijzen op resistentie. Bij leverkankerpatiënten maakte deze ruimtelijke analyse het hulpmiddel mogelijk om tussen responderende en niet-responderende gebieden met hoge nauwkeurigheid te onderscheiden, en zelfs kleine zones binnen een enkele tumor aan te wijzen die mogelijk behandelingen weerstaan. Dit vermogen om het functionele landschap van een tumor in kaart te brengen, biedt een nieuwe manier om de complexiteit van kanker te begrijpen en kan artsen helpen om behandelingen nauwkeuriger af te stemmen.
Uiteindelijk vertegenwoordigt TxCyto een belangrijke stap voorwaarts in het begrijpen van de taal van cellen. Door de genetische ruis van een weefselmonster te veranderen in een heldere kaart van cytokine-activiteit, biedt het een venster naar de staat van het immuunsysteem zonder de noodzaak van invasieve of beperkte directe metingen. De onderzoekers hebben het hulpmiddel en de onderliggende code beschikbaar gesteld aan de wetenschappelijke gemeenschap, wat de deur opent voor anderen om te onderzoeken hoe deze signalerende eiwitten niet alleen kanker, maar ook veroudering, auto-immuunziekten en ontwikkeling beïnvloeden. Hoewel het model een schatting is gebaseerd op genetische patronen in plaats van een directe eiwitmeting, suggereert het vermogen om de biologische realiteit over diverse experimenten heen te volgen dat het de ware essentie van cytokine-activiteit vangt, wat een krachtige nieuwe lens biedt voor het bekijken van de ingewikkelde communicatie die het leven in stand houdt en ziekte aanjaagt.
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.