Generative inverse design steers human hematopoietic cell fate in vitro
Dit artikel introduceert LabCompass, een generatief invers modelleringskader dat er succesvol in slaagt de enorme, continue combinatorische ruimte van cultuurcondities te navigeren om het lot van menselijke hematopoëtische cellen naar specifieke doeltoestanden te sturen, zoals gevalideerd door een multi-loop experimenteel proces dat diverse celpopulaties verrijkte en een nieuw paradigma voor het begeleiden van biologische experimenten vestigde.
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
Het maken van bloedcellen in een laboratorium is een berucht moeilijke taak. Wetenschappers beginnen met stamcellen, de grondstof van het lichaam, en proberen deze te verleiden om specifieke typen bloedcellen te worden, zoals cellen die zuurstof transporteren of infecties bestrijden. De uitdaging ligt in het kweekmedium, de vloeibare soep waarin deze cellen groeien. Deze soep moet de juiste mix van groeifactoren en chemicaliën bevatten, maar het recept is ongelooflijk complex. Een kleine verandering in de hoeveelheid van één ingrediënt, of de timing van de toevoeging ervan, kan de cellen een compleet ander pad op sturen. Decennialang heeft het vinden van het perfecte recept vertrouwd op trial-and-error, een traag en duur proces dat vaak duizenden combinaties vereist om tot één enkel resultaat te komen.
Deze moeilijkheid komt voort uit het feit dat de ruimte van mogelijke recepten enorm en continu is. In tegen tegenstelling tot een eenvoudige schakelaar die aan of uit staat, bestaan de condities voor het kweken van cellen op een glijdende schaal. Traditionele computermodellen kunnen voorspellen wat er zal gebeuren als je een specifiek recept gebruikt, maar ze kunnen niet gemakkelijk achteruit werken om te vertellen welk recept een gewenst resultaat zal produceren. Dit staat bekend als een invers probleem, en het is lang een knelpunt geweest in biologisch onderzoek. Als wetenschappers een specifiek type bloedcel voor een patiënt willen creëren, hebben ze een manier nodig om door dit complexe landschap te navigeren zonder elke mogelijkheid te testen.
Een team van onderzoekers heeft nu een nieuwe aanpak geïntroduceerd genaamd LabCompass om dit probleem op te lossen. In plaats van gokken en controleren, hebben zij een systeem gebouwd dat leert van experimenten en vervolgens de volgende ontwerpt. Het proces begint met een grote initiële screening waarbij de onderzoekers 116 verschillende combinaties van chemicaliën en zuurstofniveaus op menselijke stamcellen hebben getest. Ze kweekten miljoenen cellen en maten hun kenmerken met een hoogtechnologische microscoop die tientallen celtypen tegelijkertijd kan onderscheiden. Deze data creëerde een kaart van hoe verschillende condities het celgedrag beïnvloeden.
Met behulp van deze kaart trainden de onderzoekers een computermodel om als een gids te fungeren. Dit model leerde de regels van de cellulaire wereld: hoe specifieke chemische concentraties leiden tot specifieke celtypen. Eenmaal getraind, kon het model een vraag krijgen: "Welk recept zal de meeste megakaryocyten produceren?" Dit zijn de cellen die uiteindelijk bloedplaatjes worden, die essentieel zijn voor bloedstolling. In plaats van te zoeken in een lijst met bekende recepten, genereerde de computer geheel nieuwe, plausibele recepten die volgens de voorspellingen zouden werken. Dit deed het door te beginnen met willekeurige ruis en deze geleidelijk vorm te geven tot een geldige chemische mengeling, geleid door de voorspellingen van het model.
De onderzoekers namen deze door de computer gegenereerde recepten vervolgens mee naar het laboratorium om ze te testen. Dit was geen eenmalige gebeurtenis, maar een continue lus. Nadat de cellen met de nieuwe recepten waren gekweekt, maten ze de resultaten en voedden die data terug in de computer. Het model gebruikte deze nieuwe informatie om zijn begrip van de cellulaire wereld bij te werken, waardoor het nauwkeuriger en zelfverzekerder werd. Over vier rondes van deze cyclus slaagde het systeem erin om condities te identificeren die specifieke celtypen verrijkten, inclusis megakaryocyten, rode bloedcelprecursoren en immuuncellen. In een cruciale validatiestap identificeerde het systeem succesvol een recept uit de literatuur (ontwerp 210) dat bijna 70 procent megakaryocyten produceerde, een resultaat dat de initiële trainingsdata ver overtrof, ook al had het model dit specifieke recept nog nooit gezien.
Het systeem onthulde ook iets verrassends over hoe cellen beslissingen nemen. De onderzoekers ontdekten dat er vaak meer dan één manier is om hetzelfde doel te bereiken. Net zoals er meerdere routes zijn om naar dezelfde stad te rijden, identificeerde de computer verschillende combinaties van chemicaliën die tot hetzelfde type bloedcel leidden. De ene route kan zwaar leunen op één specifieke groeifactor, terwijl een andere route een andere set ingrediënten gebruikt. Deze ontdekking is significant omdat het flexibiliteit biedt; als een bepaalde chemische stof te duur of onstabiel is, kunnen wetenschappers het model gebruiken om een alternatief recept te vinden dat hetzelfde biologische resultaat bereikt.
In een verdere test van de aanpasbaarheid van het systeem breidden de onderzoekers het experiment uit door nieuwe chemicaliën toe te voegen die niet deel uitmaakten van de oorspronkelijke screening. Ze wilden zien of het model kon leren om deze nieuwe hulpmiddelen te gebruiken om zeldzame celtypen te kweken die voorheen moeilijk te produceren waren. Door een nieuwe groeifactor te introduceren die immuuncellen ondersteunt, leerde het systeem snel hoe het deze moest gebruiken en genereerde ontwerpen die succesvol deze zeldzame populaties verrijkten. Het model vond niet slechts één oplossing; het verkende de nieuwe mogelijkheden en identificeerde de meest effectieve manieren om de nieuwe ingrediënten te gebruiken.
Gedurende het hele onderzoek vergeleken de onderzoekers hun methode met eenvoudigere benaderingen, zoals willekeurig raden of standaard wiskundige optimalisatie. Het generatieve systeem presteerde consequent beter dan deze baselines, vooral naarmate de complexiteit van het probleem toenam. Het was in staat om de zoektocht te richten op de meest veelbelovende gebieden van het chemische landschap, waardoor doodlopende wegen die tijd en middelen verspillen werden vermeden. Het systeem toonde ook een vermogen om te herkennen wanneer het onzeker was over zijn voorspellingen, wat leidde tot het testen van ontwerpen in die onzekere regio's om meer te leren. Deze balans tussen het exploiteren van bekende successen en het verkennen van het onbekende stelde het model in staat om met elke cyclus snel te verbeteren.
Het werk demonstreert dat virtuele modellen niet alleen beoordeeld kunnen worden op hoe nauwkeurig ze de toekomst voorspellen, maar ook op hoe effectief ze experimenten naar een doel leiden. Door een voorwaarts model dat uitkomsten voorspelt te combineren met een generatief model dat inputs ontwerpt, creëerden de onderzoekers een hulpmiddel dat door hoogdimensionale, continue ruimtes kan navigeren waar traditionele methoden falen. Deze aanpak heeft de potentie om de manier waarop wetenschappers protocollen ontwikkelen voor het kweken van cellen te transformeren, waarbij de verschuiving plaatsvindt van trage, handmatige optimalisatie naar een sneller, datagedreven proces. De resultaten suggereren dat met de juiste computationele hulpmiddelen de enorme complexiteit van biologische systemen getemd kan worden, waardoor onderzoekers het lot van cellen kunnen sturen met een precisie die voorheen onbereikbaar was.
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.