Pycea: a scverse toolkit for single-cell lineage tracing analysis
Pycea is een open-source Python-toolkit die het TreeData-formaat introduceert om lineage-boomgegevens naadloos te integreren met single-cell metingen binnen het scverse-ecosysteem, wat schaalbare analyse, visualisatie en statistische inferentie voor cellulaire lineage tracing 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
In de levende wereld draagt elke cel een geschiedenis met zich mee. Net zoals een stamboom vastlegt wie met wie verwant is, herinnert elke cel in een ontwikkelend organisme of een groeiende tumor zich haar voorouders en haar zusters. Decennialang hebben wetenschappers geprobeerd deze familiegeschiedenis te verbinden met het huidige gedrag van de cel. Ze konden de afstamming van cellen in kaart brengen, waarbij ze volgden hoe één deling twee werd, en twee vier werden, maar ze konden die kaart niet gemakkelijk combineren met de interne instructies van de cel, zoals welke genen op dat moment actief waren. Deze scheiding maakte het moeilijk om te begrijpen hoe het verleden van een cel haar heden vormgaf, of dat nu was in het worden van een specifiek type weefsel of in het veranderen in een ziekte. De uitdaging lag niet alleen in het verzamlen van de gegevens, die inmiddels overvloedig en gedetailleerd zijn geworden, maar in het organiseren ervan op een manier die onderzoekers in staat stelde om in één oogopslag het hele plaatje te zien.
Een team van onderzoekers heeft nu een nieuwe digitale tool gebouwd om dit probleem op te lossen, door een systeem te creëren dat de stamboom van een cel als een standaard onderdeel van haar biologische dossier behandelt. Ze introduceerden een softwarepakket genaamd Pycea, dat werkt naast een veelgebruikt framework voor het analyseren van enkelvoudige cellen. In het hart van dit systeem ligt een nieuwe manier van gegevensopslag genaamd TreeData. Stel je een standaard digitaal bestand voor dat informatie bevat over een cel, zoals de genactiviteit en de locatie. Stel je nu voor dat datzelfde bestand een speciale ruimte heeft om de volledige stamboom van die cel te bevatten, perfect uitgelijnd zodat elke tak en elk blad overeenkomt met een specifieke meting. Deze nieuwe structuur stelt wetenschappers in staat om de tools die ze al kennen te gebruiken om lineage, genexpressie en fysieke locatie allemaal tegelijkertijd te analyseren, zonder dat ze voortdurend gegevens tussen verschillende formaten hoeven te vertalen.
De onderzoekers toonden de kracht van deze aanpak aan door het toe te passen op twee zeer verschillende biologische verhalen. Eerst bekeken ze een embryo van een muis in een specifieke ontwikkelingsfase, dat meer dan 260.000 cellen bevatte. Met behulp van hun nieuwe tools waren ze in staat om te traceren hoe verschillende groepen cellen aan elkaar verwant waren en hoe nauw hun familiegeschiedenissen overeenkwamen met hun huidige identiteiten. Ze ontdekten dat cellen die tot dezelfde belangrijke lichaamslaag behoren, zoals de huid of de darm, recente voorouders deelden, wat bevestigde dat de stamboom de toekomstige rol van de cel kon voorspellen. Ze identificeerden ook specifieke genen die via de familielijn werden doorgegeven, wat betekende dat als een oudercel een hoge activiteit van een bepaف gen vertoonde, de kinderen die waarschijnlijk ook zouden hebben. Dit stelde hen in staat om de exacte genetische instructies aan te wijzen die verschillende delen van het ontwikkelende embryo definieerden.
Vervolgens paste het team het systeem toe op een model van kanker, waarbij ze een tumor met bijna 146.000 cellen bestudeerden. Hier was het doel om te begrijpen hoe verschillende groepen kankercellen groeiden en zich verspreidden. Door de stamboom van de tumorcellen in kaart te brengen, konden ze zien welke groepen snel groeiden en welke klein bleven. Ze ontdekten dat de meest succesvolle, of "fitte", groepen cellen zich meestal aan de buitenranden van de tumor bevonden, nabij het gezonde longweefsel. Bovendien ontdekten ze dat de activiteit van een specifiek gen, Cldn4, sterk verbonden was met dit succes. Cellen met hoge niveaus van dit gen waren eerder te vinden in deze bloeiende, buitenste regio's. Deze verbinding tussen de familiegeschiedenis van een cel, haar locatie en haar genetische activiteit bood een helder beeld van hoe de tumor in realtime evolueerde.
De betekenis van dit werk ligt in het vermogen om gescheiden onderzoeksgebieden te verenigen. Vóór deze tool moesten onderzoekers vaak kiezen tussen het bestuderen van de stamboom van een cel of de genactiviteit van een cel, omdat de gegevensformaten elkaars taal niet spraken. Door een systeem te creëren waarin de boom een inheems onderdeel is van het gegevensbestand van de cel, hebben de onderzoekers de barrières weggenomen die wetenschappers voorheen dwongen om met meerdere softwareprogramma's en datastructuren te jongleren. Dit betekent dat de complexe geschiedenis van een cel nu met dezelfde gemak kan worden geanalyseerd als haar huidige staat. De software staat open voor iedereen om te gebruiken, en de onderzoekers zijn van plan deze verder uit te breiden, in de hoop dat deze nieuwe standaard de basis zal vormen voor een groeiende gemeenschap van tools die gewijd zijn aan het begrijpen van de diepe geschiedenis van het leven binnen een enkele cel.
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.