MuSpec: an unsupervised multi-scale spatial-niche encoder recovers conserved granuloma niches and nominates host-directed repurposing candidates in human pulmonary tuberculosis

In de strijd tegen tuberculose bestrijdt het lichaam de bacteriën niet met een verspreid leger. In plaats daarvan bouwt het een fort. Wanneer het immuunsysteem de tuberkelbacterie tegenkomt, verzamelt het immuuncellen, structurele cellen en signaalmoleculen in een compacte, georganiseerde cluster die een granuloom wordt genoemd. Deze structuur is de plek waar de infectie ofwel wordt ingeperkt ofwel wordt toegelaten om zich te verspreiden. Decennialang wisten wetenschappers dat de rangschikking van cellen binnen dit fort ertoe deed, maar zij konden alleen de individuele soldaten zien, niet de lay-out van het kamp. Ze konden de aanwezige celtypen opsommen, maar konden niet gemakkelijk in kaart brengen hoe die cellen ten opzichte van elkaar gepositioneerd waren of hoe hun specifieke buurten de ziekte beïnvloedden. Recente vooruitgang in een technologie genaamd ruimtelijke transcriptomica heeft dit veranderd, waardoor onderzoekers de genetische instructies van cellen kunnen lezen terwijl ze hun exacte locatie in het weefsel behouden. Dit heeft een nieuwe deur geopend: het begrijpen van niet alleen wie er in het granuloom aanwezig is, maar precies waar ze staan en hoe hun directe omgeving eruitziet.

Een team van onderzoekers heeft nu een nieuwe tool gebouwd om zin te geven aan deze complexe kaarten, specifiek voor de uitdagende omgeving van tuberculose. Ze ontwikkelden een computerprogramma dat ontworpen is om de verborgen buurten, of "niches", binnen het longweefsel van mensen met de ziekte te vinden. In tegen tegenstelling tot eerdere tools, die vaak op kankercellen werden getest of waarbij wetenschappers de antwoorden vooraf moesten raden, werkt deze nieuwe methode zonder voorafgaande instructies. Het kijkt naar de ruwe gegevens van twee plakjes menselijk longweefsel — één met een tuberculosegranuloom en een ander uit het gezonde ogende weefsel direct ernaast — en ontdekt de patronen op eigen houtje. De onderzoekers ontdekten dat deze aanpak in staat was om negen verschillende soorten micro-omgevingen te identificeren die consistent waren in beide weefselmonsters. Deze omvatten gebieden die gedomineerd worden door immuuncellen die de infectie bestrijden, zones waar littekenweefsel wordt gevormd, en regio's waar luchtwegcellen nog steeds functioneren. De tool bleek opmerkelijk stabiel, zelfs wanneer de gegevens ruisachtig of incompleet waren, wat suggereert dat het een betrouwbare manier kan zijn om infectieziekten in de toekomst te bestuderen.

De kracht van deze ontdekking ligt in de manier waarop het computerprogramma is gebouwd. In plaats van naar een cel in isolatie te kijken, onderzoekt het programma elke cel samen met zijn buren op drie verschillende afstanden, waardoor het effectief de directe omgeving van de cel, het lokale blok en de bredere buurt tegelijkertijd ziet. Het combineert deze ruimtelijke informatie vervolgens met twee andere soorten gegevens: een lijst van de genen die de cel actief gebruikt en een schatting van de typen cellen die op die specifieke plek aanwezig zijn. Door deze gecombineerde informatie door een reeks wiskundige stappen te verwerken, vertaalt het programma de complexe biologische gegevens naar een eenvoudige, compacte code voor elke cel. Deze code legt de essentie van de omgeving van de cel vast. Wanneer de onderzoekers deze codes bij elkaar groepeerden, vormden ze van nature negen verschillende clusters. Deze clusters waren niet willekeurig; ze vertegenwoordigden echt, biologisch betekenisvolle zones. Zo was één cluster rijk aan markers voor immuuncellen die bacteriën bestrijden, een andere vertoonde tekenen van zware littekenvorming, en een derde was duidelijk een luchtwegzone.

Wat dit werk bijzonder belangrijk maakt, is dat de onderzoekers de tool niet alleen hebben gebouwd; ze hebben het ook rigoureus getest om te zien waar het zou kunnen falen. Ze vergeleken hun nieuwe methode met een bestaande, gerenommeerde tool en ontdekten dat hun aanpak veel duidelijkere en meer onderscheidende grenzen tussen de verschillende buurten creëerde. Ze testten ook hoe de tool zich gedroeg wanneer ze delen van het ontwerp verwijderden of wanneer ze het met imperfecte gegevens voerden. Ze ontdekten een afweging: de instellingen die de buurten het scherpst en meest onderscheidend maakten, waren soms minder stabiel wanneer de gegevens rommelig waren, terwijl instellingen die robuuster waren tegen fouten, iets vage grenzen produceerden. Door honderden variaties uit te voeren, identificeerden ze een "sweet spot" waar de tool zowel accuraat als betrouwbaar was. Deze eerlijke beoordeling van de sterktes en zwaktes van de tool is een cruciaal onderdeel van de studie, omdat het ervoor zorgt dat andere wetenschappers precies weten hoe ze de tool moeten gebruiken en wat ze kunnen verwachten.

Het uiteindelijke doel van het in kaart brengen van deze buurten is om nieuwe manieren te vinden om de ziekte te behandelen. Nadat de onderzoekers de specifieke genetische signatuur van de granuloom-buurten hadden geïdentificeerd — de genen die in die gebieden aan of uit staan — gebruikten ze deze informatie om te zoeken naar bestaande medicijnen die die veranderingen mogelijk kunnen omkeren. Ze doorzochten een enorme bibliotheek van duizenden chemische verbindingen om te zien welke de weefsels die door tuberculose zijn aangetast, weer naar een gezonde staat zouden kunnen brengen. De zoektocht wees sterk in de richting van een klasse medicijnen die bekend staan als PPARγ-agonisten, waaronder medicijnen zoals pioglitazon. Deze medicijnen worden al gebruikt voor andere aandoeningen, maar de studie suggereert dat ze kunnen helpen het lichaam te beheersen in het beheer van de ontsteking en littekenvorming veroorzaakt door tuberculose. Om een extra laag bewijs toe te voegen, simuleerden de onderzoekers hoe deze medicijnen en enkele anderen fysiek zouden binden aan een specifiek eiwit in het menselijk lichaam dat bekend staat als betrokken bij de vatbaarheid voor tuberculose. De simulaties toonden aan dat bepaalde verbindingen, waaronder het anti-fibrotische medicijn nintedanib, goed passen bij dit doelwit, wat de suggestie ondersteunt dat ze het ziekteproces kunnen beïnvloeden.

De studie concludeert dat deze nieuwe, ongesuperviseerde methode een duidelijke en efficiënte weg biedt naar het begrijpen van de complexe architectuur van infectieziekten. Door het succesvol toepassen ervan op menselijk longweefsel, hebben de onderzoekers een gedetailleerde kaart van het tuberculosegranuloom geleverd die voorheen onbeschikbaar was. Ze hebben aangetoond dat het mogelijk is om consistente, biologisch relevante patronen te achterhalen uit moeilijke gegevens zonder dat er vooraf gelabelde resultaten nodig zijn. De bevindingen nomineren specifieke, bestaande medicijnen voor verdere tests als potentiële behandelingen die werken door het eigen immuunsysteem van de gastheer te helpen de infectie te beheersen, in plaats van alleen de bacteriën te doden. Hoewel deze resultaten computationeel zijn en experimentele validatie vereisen, bieden ze een concreet startpunt voor een nieuwe benadering van de behandeling van tuberculose, waarbij de focus ligt op de ruimtelijke organisatie van de ziekte zelf.