Neue Methode zur Zellcharakterisierung gibt Hinweise auf Gründe für Resistenzen gegen Krebstherapien

Jüngste Fortschritte bei der Analyse von Daten auf Einzelzellebene haben Biologen dabei geholfen, große Fortschritte bei der Aufdeckung neuer Informationen über Zellen und ihr Verhalten zu machen. Ein häufig verwendeter Ansatz, der als Clustering bekannt ist, ermöglicht es Wissenschaftlern, Zellen auf der Grundlage von Merkmalen wie den einzigartigen Mustern aktiver oder inaktiver Gene oder der Nachkommenschaft sich duplizierender Zellen, die als Klone bezeichnet werden, über mehrere Generationen hinweg zu gruppieren.

Obwohl Einzelzell-Cluster zu vielen bedeutenden Erkenntnissen geführt haben, zum Beispiel zu neuen Untergruppen von Krebszellen oder der Art und Weise, wie unreife Stammzellen zu „spezialisierten“ Zellen reifen, war es den Forschern bis zu diesem Punkt nicht möglich, ihr Wissen über Genaktivierungsmuster zu vereinen mit dem, was sie über Klonlinien wussten.

Jetzt veröffentlichte Forschung in Zellgenomik unter der Leitung von Arjun Raj, Professor für Bioingenieurwesen an der University of Pennsylvania, hat zur Entwicklung von ClonoCluster geführt, einem Open-Source-Tool, das einzigartige Muster der Genaktivierung mit klonalen Informationen kombiniert. Dadurch entstehen Hybrid-Cluster-Daten, die schnell neue Zellmerkmale identifizieren können; die dann verwendet werden können, um die Resistenz gegen einige Krebstherapien besser zu verstehen.

„Früher waren dies unabhängige Modalitäten, bei denen Sie die Zellen, die dieselben Gene exprimieren, in einer Charge gruppieren und die anderen, die einen gemeinsamen Vorfahren haben, in einer anderen Gruppe gruppieren“, sagt Lee Richman, Autor der ersten Veröffentlichung und ehemaliger Postdoc im Raj-Labor der jetzt im Brigham and Women’s Hospital in Boston ist. „Das Spannende ist, dass Sie mit diesem Tool neue Linien um Ihre Cluster ziehen und ihre Eigenschaften untersuchen können, was uns helfen könnte, neue Zelltypen, Funktionen und molekulare Wege zu identifizieren.“

Forscher im Raj Lab verwenden eine als Barcoding bekannte Technik, um Zellen, die sie untersuchen möchten, Etiketten zuzuweisen, was besonders nützlich ist, um Zellen zu verfolgen, Daten basierend auf den Nachkommen von Zellen zu gruppieren und Abstammungslinien im Laufe der Zeit zu verfolgen. In der Überzeugung, dass sie aus diesen Daten wertvollere Informationen herausfiltern könnten, indem sie die einzigartigen Muster der Genaktivierung der Zelle einbeziehen, wendeten die Forscher ClonoCluster auf sechs experimentelle Datensätze an, die Barcodes verwendeten, um die Nachkommen sich teilender Zellen zu verfolgen. Insbesondere untersuchten sie die Entwicklung von Chemotherapieresistenz und von Stammzellen zu spezialisierten Gewebetypen.

Ähnlich wie Stereosysteme es einem Benutzer ermöglichen, die Klangbalance zwischen dem linken und dem rechten Lautsprecher zu steuern, fügten die Forscher ClonoCluster einen abstimmbaren Parameter namens „Alpha“ hinzu. Dadurch konnte das Team feinabstimmen, wie viel Wert es auf die Clusterbildung nach klonalen Barcodes im Verhältnis zu Mustern der Genaktivierung legte – wobei 0 Mustern der Genaktivierung und 1 klonalen Barcodes entsprach. Auf dieser Alpha-Skala von 0 bis 1 stellten sie fest, dass je näher Alpha am klonalen Kanal lag, desto mehr exprimierten ihre Hybridcluster die einzigartigen Genniveaus, die mit Wechselwirkungen mit der extrazellulären Umgebung und der Translation von Proteinen aus Boten-RNA verbunden sind.

„Normalerweise, wenn man bedenkt, wie die Zellfunktion bestimmt und reguliert wird, denkt man, dass es wahrscheinlich intrinsische Mechanismen sind, die entscheiden, welche Gene exprimiert werden, oder das Schicksal der Zelle“, sagt Richman. „Wir glauben also, dass dies auf die Tatsache hindeutet, dass Zellen Merkmale auch auf nicht-genetischem Wege erben können, möglicherweise durch Umwelteinflüsse.“

Die vorherrschende Vorstellung hinter der Genregulation besagt, dass Proteine, die als Transkriptionsfaktoren bekannt sind, an bestimmte Punkte auf DNA-Sequenzen binden und bestimmte Gene aktivieren oder unterdrücken, was erklärt, warum die meisten Zellen in einem Tier die gleiche genetische Information haben, aber unterschiedliche Rollen spielen. Da diese Zellen an verschiedene Stellen binden, signalisieren Transkriptionsfaktoren dem proteinproduzierenden Apparat, welche Proteine ​​die Zelle produzieren sollte, um funktionell relevant zu bleiben. Wissenschaftler können diese Biomarker dann verwenden, um zelluläre Eigenschaften zu überwachen und Vorhersagen darüber zu treffen, was die Zelle als nächstes tun könnte.

Die Verbesserung des wissenschaftlichen Verständnisses, wie sich Zellen verhalten und differenzieren, könnte das Wissen über das Klonen von Zellen verbessern. Es könnte auch einen Einblick geben, was schief geht, wenn die Duplikation weit verbreitet ist, wie im Fall von Krebs und bestimmten Erkrankungen im Zusammenhang mit genetischen Mutationen, die durch eine Überrepräsentation von Klonzellen in einer bestimmten Zellpopulation gekennzeichnet sind.

Um diese Arbeit noch einen Schritt weiter zu bringen, entwickelten die Forscher ein ergänzendes Tool zu ClonoCluster, das sie Warp Factor nannten. Dies beinhaltet ein vorhandenes Tool für maschinelles Lernen, das die Visualisierung von Datensätzen vereinfacht, um die Beziehung zwischen klonalen Daten und ihren hybriden Clustern besser zu erklären. Mit beiden Tools identifizierte das Team unterschiedliche Expressionsmuster, die zuvor zu verstreut schienen, um Rückschlüsse auf die Zellidentität zu ziehen, Informationen, die den Forschern helfen könnten, mehr darüber zu verstehen, wie Zellen sich differenzieren und funktionieren.

„Wir glauben, dass diese Arbeit zeigt, dass die Verfolgung der zellulären Identität im Laufe der Zeit eine neue Informationsschicht liefern kann, die Forscher bisher nicht kannten und die hoffentlich genutzt werden kann, um unser Verständnis von Krebs und anderen Krankheiten zu vertiefen“, sagt Raj.

Er und seine Kollegen werden ClonoCluster weiter aktualisieren und verfeinern. Sie glauben, dass dies ein bedeutender Fortschritt auf dem Gebiet der computergestützten Zellbiologie ist, mit dem Potenzial, in Zukunft ein vollständigeres Bild der zellulären Eigenschaften und Funktionen zu liefern.