CloneVI: A deep generative model for deciphering the relationships between cell state and mitochondrial genotype
CloneVI is een diep generatief model dat klonale structuren afleidt uit single-cell genexpressie- of chromatine-toegankelijkheidsgegevens om de relaties tussen mitochondriale DNA-mutaties en specifieke celtoestanden in diverse ziektecontexten te ontcijferen.
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
Binnen elke levende cel wordt een complexe geschiedenis geschreven in twee verschillende talen. De ene taal is de genetische code, het DNA dat fungeert als een stamboom en traceert welke cellen aan elkaar verwant zijn door gedeelde mutaties. De andere taal is de huidige staat van de cel, een momentopname van wat de cel op dit moment doet, zoals of hij een infectie bestrijdt of zich deelt om meer weefsel te creëren. Lange tijd konden wetenschappers deze twee talen afzonderlijk lezen. Ze konden de stambomen van kankercellen in kaart brengen door naar hun DNA te kijken, of ze konden observeren wat een cel aan het doen was door de activiteit te meten. Maar het begrijpen van hoe de familiegeschiedenis van een cel zijn huidige gedrag vormt, was moeilijk omdat de instrumenten om beide talen tegelijkertijd te lezen vaak te grof waren. Ze konden de stamboom zien, maar ze hadden moeite om te zien hoe die boom het dagelijks leven van de cel beïnvloedde, of andersom.
Een nieuwe tool genaamd CloneVI, ontwikkeld door onderzoekers van Nagoya University en andere instellingen, verandert dit door te leren beide talen tegelijkertijd te lezen. De onderzoekers concentreerden zich op een specifiek type genetische marker dat te vinden is in mitochondriën, de kleine energiecentrales in cellen. Deze markers, die kleine veranderingen in mitochondriaal DNA zijn, fungeren als natuurlijke labels die kunnen identificeren welke cellen tot dezelfde familie behoren. De uitdaging was dat deze labels vaak verspreid en moeilijk te vinden zijn, en de cellen die ze dragen, kunnen heel verschillende dingen doen. Het team bouwde een deep learning-model dat niet alleen naar de labels zoekt om een stamboom op te bouwen. In plaats daarvan leert het eerst de huidige activiteit van de cel te begrijpen en vraagt vervolgens: gegeven deze activiteit, tot welke stamboom behoort deze cel waarschijnlijk? Deze aanpak zet de traditionele methode op zijn kop, waardoor het model kan zien hoe genetische families verdeeld zijn over verschillende soorten celgedrag.
De onderzoekers testten dit idee eerst met computersimulaties, waarbij ze kunstmatige data creëerden waarvan ze de exacte antwoorden kenden. In deze tests slaagde het model erin de verborgen familiestructuren te reconstrueren, zelfs wanneer verschillende families gemengd waren in dezelfde groep cellen. Het kon met een hoge mate van vertrouwen aangeven dat een cel tot één familie behoorde, of dat het in een grijs gebied lag waar twee families overlapten, waarbij het een waarschijnlijkheid aan elke mogelijkheid toekende in plaats van een enkele, rigide keuze af te dwingen. Dit vermogen om met onzekerheid om te gaan is cruciaal, omdat echte biologische systemen zelden zwart-wit zijn.
Toen het team CloneVI toepaste op echte data van patiënten met bloedziekten, waren de resultaten opmerkelijk. In een dataset met cellen van een patiënt met klonale hematopoiese, een aandoening waarbij bloedcellen mutaties ophopen, identificeerde het model specifieke celfamilies die niet alleen werden gedefinieerd door hun mutaties, maar ook door wat ze deden. Het vond dat bepaalde gemuteerde families sterk geconcentreerd waren in specifieke typen immuuncellen, met name T-cellen die actief aan het vechten waren. Het model kon de aanwezigheid van deze mutaties in nieuwe cellen voorspellen door enkel naar hun activiteitspatronen te kijken, waarmee het oudere methoden die vertrouwden op eenvoudige gemiddelden overtrof. Het toonde aan dat de familiegeschiedenis van een cel diep verbonden is met de huidige functie, waarbij sommige gemuteerde families alleen floreren in specifieke cellulaire omgevingen.
De onderzoekers testten de tool ook op data van chronische lymfatische leukemie, een type bloedkanker, met een andere methode om celactiviteit te meten die kijkt naar hoe compact het DNA is verpakt. Hier onderscheidde het model twee groepen cellen die exact dezelfde mutatie droegen, maar een verschillende hoeveelheid van die mutatie in zich hadden. Dit is vergelijkbaar met het hebben van twee takken van een familie die dezelfde achternaam delen, maar verschillende hoeveelheden van een specifiek erfstuk bezitten; het model kon hen van elkaar onderscheiden op basis van hun activiteit. Het koppelde een van deze groepen aan een verhoogde toegang tot een gen genaamd PAX9, dat geassocieerd is met de progressie van de ziekte. Dit bevinding suggereert dat het model een specifieke genetische lijn kan verbinden met een specifiek biologisch mechanisme dat de ziekte aandrijft.
In een grote studie met ovariumtumoren van vijf verschillende donoren, die meer dan 100.000 cellen bevatten, werd de kracht van de aanpak nog duidelijker. Het model identificeerde gemuteerde celpopulaties die geclusterd waren in specifieke toestanden, zoals immuuncellen in een staat van uitputting, een conditie waarbij ze uitgeput zijn door het bevechten van kanker. Door de analyse te wegen op basis van de waarschijnlijkheid dat een cel tot een gemuteerde familie behoort, konden de onderzoekers precies aanwijzen welke biologische programma's actief waren in die gemuteerde cellen. Ze ontdekten dat deze uitgeputte gemuteerde cellen een duidelijk ander activiteitspatroon vertoonden dan niet-gemuteerde cellen, wat de specifieke moleculaire signatuur van de progressie van de ziekte onthulde.
De studie toont aan dat door te beginnen bij wat een cel doet en terug te werken naar de familiegeschiedenis, wetenschappers relaties kunnen ontdekken die voorheen verborgen bleven. Het model dwingt cellen niet in rigide hokjes; in plaats daarvan brengt het een landschap in kaart waar familiebanden en celtoestanden overlappen en interageren. Dit biedt een nieuwe manier om te begrijpen hoe genetische veranderingen de diversiteit van gedrag drijven in ziekten zoals kanker. De onderzoekers hebben de software beschikbaar gesteld aan anderen, als een nieuwe lens om naar de complexe wisselwerking tussen het verleden en het heden van een cel te kijken.
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.