Computergestütztes Tool kann kausale Zusammenhänge aus komplexen biologischen Daten aufdecken

Forscher haben ein Tool entwickelt, das neue Einblicke in Ursache-Wirkungs-Beziehungen zwischen Zellen und deren Veränderung im Laufe der Zeit bietet.

Die Forschung, veröffentlicht heute als Reviewed Preprint in eLebenwird von den Herausgebern als grundlegende Studie beschrieben, die eine neue Datenverarbeitungs-Pipeline vorstellt, die zum besseren Verständnis von Zell-Zell-Interaktionen verwendet werden könnte. Der Nutzen dieser Pipeline wird anhand von Tumor-on-Chip-Ökosystemdaten überzeugend veranschaulicht, sie könnte jedoch auch zur kausalen Entdeckung in anderen Bereichen der Wissenschaft eingesetzt werden, was bedeutet, dass diese Arbeit potenziell ein breites Anwendungsspektrum haben könnte.

Die Möglichkeit, Bilder von lebenden Zellen unter verschiedenen experimentellen Bedingungen zu erhalten, hat es ermöglicht, wertvolle Informationen über die Form und den Zustand von Zellen und ihre Wechselwirkungen mit anderen Zellen zu gewinnen. Doch dieser Informationsreichtum wird noch nicht ausreichend genutzt, da es bisher an Methoden und Werkzeugen mangelt, mit denen sich die Ursache-Wirkungs-Beziehungen zwischen den beobachteten Merkmalen genau bestimmen lassen. Diese Fähigkeit, Ursache und Wirkung genau zu bestimmen, wird als kausale Entdeckung bezeichnet.

Das neue Tool mit dem Namen CausalXtract wurde aus einer früheren Entdeckungsmethode adaptiert, die kausale Netzwerke aus biologischen Systemen lernen kann, jedoch ohne Informationen über den Zeitpunkt von Ereignissen.

„Unser bisheriges Tool zur kausalen Entdeckung kann zeitgenössische kausale Netzwerke für ein breites Spektrum biologischer oder biomedizinischer Daten erlernen, von Genexpressionsdaten einzelner Zellen bis hin zu Krankenakten von Patienten“, erklärt Co-Leitautor Franck Simon, ein Forschungsingenieur am Institut Curie, Université PSL, Sorbonne Université, Frankreich.

„Daten aus Zeitrafferaufnahmen lebender Zellen enthalten jedoch Informationen über die Zelldynamik, die die Entdeckung neuer Ursache-Wirkungs-Prozesse erleichtern können, basierend auf der Annahme, dass zukünftige Ereignisse keine vergangenen verursachen können.“

Simon war Co-Leitautor des Papiers zusammen mit Maria Colomba Comes – damals Doktorandin an der Fakultät für Elektrotechnik der Universität Tor Vergata in Rom, Italien, heute Forscherin am Tumorinstitut in Bari, Italien – und Tiziana Tocci – Doktorandin am Institut Curie, Université PSL, Sorbonne Université.

Um dies zu untersuchen, rekonstruiert CausalXtract zeitlich entfaltete kausale Netzwerke, in denen jede Variable durch mehrere Knoten zu unterschiedlichen Zeitpunkten dargestellt wird. Dabei werden die Verbindungen zwischen aufeinanderfolgenden Zeitschritten in den Daten berücksichtigt. Diese graphenbasierte Kausalität geht über die frühen Modelle der zeitlichen Kausalität („Granger-Kausalität“) hinaus, die tatsächliche kausale Effekte übersehen können, wie die Studie zeigt.

„Wir haben das Tool anhand künstlicher Datensätze getestet, die hinsichtlich der Anzahl der Zeitschritte und der Netzwerkgröße realen Daten ähneln, und haben festgestellt, dass es den bestehenden Methoden ebenbürtig oder sogar überlegen ist und dabei um Größenordnungen schneller läuft“, fügt Simon hinzu.

Um die Leistung des Tools mit echten biologischen Daten zu testen, verwendete das Team Zeitrafferbilddaten von einem Tumor-on-a-Chip-Modell, das die Wirkung des Krebsmedikaments Trastuzumab demonstriert. Ein Tumor-on-a-Chip-Modell repliziert die 3D-Struktur und Mikroumgebung eines Tumors, bestehend aus Tumorzellen, Immunzellen, tumorassoziierten Fibroblasten und Endothelzellen.

Aus diesem Modell „extrahierten wir aus den Rohbildern Zellmerkmale wie Geometrie, Geschwindigkeit, Zellteilung, Zelltod sowie vorübergehende und dauerhafte Zell-Zell-Interaktionen“, sagt Tocci. Anschließend rekonstruierte das Team aus Informationen über die Zellmerkmale, Interaktionen und therapeutischen Bedingungen zu verschiedenen Zeitpunkten ein zeitlich entfaltetes kausales Netzwerk.

„Diese Rekonstruktion brachte neue biologisch relevante Erkenntnisse zutage und bestätigte bestehende bekannte Beziehungen zwischen Zellen“, sagt Maria Carla Parrini, Co-Autorin der Studie, die die Tumor-on-Chip-Experimente am Institut Curie beaufsichtigte.

So bestätigte das Modell beispielsweise, dass die Behandlung mit Trastuzumab den Zelltod und die Anzahl der Interaktionen zwischen Krebs- und Immunzellen erhöht, zeigte aber auch erstmals, dass krebsassoziierte Fibroblasten (CAFs) den Krebszelltod unabhängig blockieren. Während bereits berichtet wurde, dass CAFs die Wirksamkeit der Behandlung verringern, liefern diese Erkenntnisse neue Einblicke in die Art und Weise, wie dies geschieht.

Das Team stellte außerdem mit Interesse fest, dass CausalXtract zu verschiedenen Zeitpunkten gegensätzliche Effekte erkennt. So konnte beispielsweise festgestellt werden, dass sich die Exzentrizität einer Zelle – also wie stark die Zelle von ihrer normalen Kreisform abweicht – in verschiedenen Phasen der Zellteilung ändert.

Späte Phasen der Zellteilung sind mit einer Zunahme der Exzentrizität der Zelle verbunden, der jedoch 2–4 Stunden vor der Zellteilung eine Abnahme der Exzentrizität vorausgeht, sobald die Entscheidung zur Teilung getroffen wurde. Dies zeigt das Potenzial des Tools, neue und möglicherweise zeitverzögerte kausale Zusammenhänge zwischen zellulären Merkmalen aufzudecken.

„CausalXtract eröffnet neue Möglichkeiten zur Analyse von Live-Cell-Bildgebungsdaten für eine Reihe von Anwendungen in der Grundlagen- und translationalen Forschung, wie etwa die Verwendung von Tumor-on-Chips zum Screening von Immuntherapiereaktionen an von Patienten stammenden Tumorproben“, sagt Co-Seniorautor Eugenio Martinelli, ordentlicher Professor an der Fakultät für Elektrotechnik der Universität Tor Vergata in Rom.

„Angesichts der Verfügbarkeit praktisch unbegrenzter Datenmengen an Lebendzellbildnissen werden flexible Interpretationsmethoden dringend benötigt und wir glauben, dass CausalXtract auf der Grundlage kausaler Entdeckungen einzigartige Erkenntnisse zur Interpretation solch informationsreicher Daten liefern kann“, fügt Co-Seniorautor Hervé Isambert, Gruppenleiter DR CNRS, Institut Curie, Université PSL, Sorbonne Université, hinzu.