Ein von Forschern des UT Southwestern Medical Center entwickeltes Computermodell verbessert die Fähigkeit der Wissenschaftler, die Kommunikation zwischen Zellen zu erkennen, deutlich, so eine neue Studie veröffentlicht in Naturmethoden.
Das Spacia genannte Modell könnte dazu beitragen, ein breites Spektrum von Erkrankungen besser zu verstehen, darunter Krebs, Autoimmunerkrankungen, Infektionskrankheiten und Entwicklungsstörungen.
„Die Zell-zu-Zell-Kommunikation (CCC) ist für alle Lebensformen unglaublich wichtig. Mit Spacia können wir sie besser entschlüsseln als je zuvor“, sagte Tao Wang, Ph.D., Associate Professor an der Peter O’Donnell Jr. School of Public Health und am Center for the Genetics of Host Defense der UT Southwestern. Er ist Mitglied des Population Science & Cancer Control Research Program am Simmons Cancer Center.
Dr. Wang leitete die Studie gemeinsam mit Yang Xie, Ph.D., Professor an der O’Donnell School of Public Health und der Lyda Hill-Abteilung für Bioinformatik sowie stellvertretender Dekan für Datenwissenschaften an der UT Southwestern Medical School. Dr. Wang und Dr. Xie sind Forscher am Quantitative Biomedical Research Center der O’Donnell School of Public Health.
CCC ist für eine Vielzahl biologischer Prozesse erforderlich, darunter Entwicklung, Erhaltung der Gesundheit und Krankheitsverlauf. In den letzten Jahren haben Forscher experimentelle Techniken entwickelt, die Informationen über die Aktivität von Genen in einzelnen Zellen (Einzelzellsequenzierung) und sogar über den Standort von Zellen (räumlich aufgelöste Transkriptomik, SRTs) liefern, die wichtige Informationen für die Ableitung von CCCs liefern.
Programme, die die Fülle der mit diesen Techniken generierten Daten analysieren, um genaue CCC-Beziehungen zu ermitteln, haben jedoch mehrere Nachteile. Einige Programme ermitteln beispielsweise einen Durchschnittswert der Genaktivität in Gruppen räumlich benachbarter Zellen, wodurch die Auflösung einzelner Zellen verloren geht, und andere können nur die Kommunikation zwischen Zellen in bekannten regulatorischen Pfaden erkennen.
Um diese Probleme zu überwinden, verwendeten Dr. Wang und Dr. Xie und ihre Kollegen eine mathematische Technik namens Multi-Instance-Learning (MIL), um Spacia für die Ableitung von CCCs aus SRT-Daten zu entwickeln. MIL, eine Teilmenge des maschinellen Lernens, ist in der Informatik wohlbekannt; für den biomedizinischen Einsatz wurde es jedoch kaum erforscht, erklärte Dr. Xie.
Die Forscher testeten Spacia in verschiedenen Kontexten anhand von SRT-Daten und gewannen wichtige Erkenntnisse. So fand Spacia beispielsweise anhand eines SRT-Datensatzes aus Prostatakrebsgewebe heraus, dass mehrere Zelltypen in der Tumormikroumgebung an einem Phänomen namens epithelial-mesenchymaler Übergang beteiligt sind, das einen wichtigen Beitrag zur Metastasierung leistet.
Durch den Einsatz von Spacia auf einem SRT-Datensatz zu allen Krebsarten, der unter anderem Brust-, Dickdarm-, Haut- und Lungenkrebs umfasste, stellten die Forscher fest, dass B-Zellen, eine Art Immunzellen, auf Signale von Tumorzellen reagieren, die von als Checkpoint-Inhibitoren bekannten Immuntherapiemedikamenten angegriffen werden.
Sie entdeckten außerdem eine andere CCC-Signatur, die die Überlebensraten von Krebspatienten und ihre Reaktion auf Checkpoint-Inhibitoren genau vorhersagte.
„Unsere Studie unterstreicht die Bedeutung der Integration räumlicher und transkriptomischer Daten zur Aufdeckung verborgener zellulärer Interaktionen, die den Krankheitsverlauf und die Behandlungsresistenz fördern“, sagte Dr. Xie. „Spacia stellt einen bedeutenden Fortschritt in unserer Fähigkeit dar, molekulare Erkenntnisse in klinische Anwendungen umzusetzen und so letztlich die Patientenversorgung zu verbessern.“
Dr. Xie merkte an, dass Spacia derzeit vor allem für die biologische Forschung nützlich ist. Doch wenn die derzeit hohen Kosten der SRT sinken, könnten Ärzte dieses Tool letztlich nutzen, um spezifische Wirkstofftargets für die Krankheiten einzelner Patienten zu identifizieren und so die personalisierte Medizin dramatisch zu verbessern.
Weitere Informationen:
James Zhu et al, Kartierung zellulärer Interaktionen aus räumlich aufgelösten Transkriptomikdaten, Naturmethoden (2024). DOI: 10.1038/s41592-024-02408-1