×

Трёхмерная визуализация внутренности живой клетки, полученная с помощью светящихся белков и лазерного микроскопа.

Кадр из видео gizmodo.com от 2017 г.

Биология как наука и медицина как одно из главных богатств цивилизации спят и видят, как бы, наконец, понять, чего же хочет живая клетка. Что она намерена делать? Как взаимодействует с другими; по какому принципу они объединяются; насколько верны наши прогнозы об их поведении и реакции, и в чём мы ошибаемся? Ах, как славно было бы с ними поговорить!..

Исследователям из Калифорнийского института идея показалась интересной, и было решено вплотную подойти к решению этого вопроса. Вначале были выделены два фактора, которые обещали шансы на успех. Дело в том, что понимание глобальной связи между клетками требует от нас – с одной стороны – точного представления о сигнальных каналах между ними, а с другой – эффективного анализа этих каналов и сигналов на системном уровне. 

То есть: нам нужно создать базу данных о взаимодействиях между участками клетки, которые бы точно позволили нам представить всю картину. На эту ответственную роль выбраны лиганды (химические соединения, вступающие во взаимодействие с теми или иными биомолекулами), рецепторы и их кофакторы (ещё один вид соединений – они небелкового происхождения, но участвуют именно в белковой деятельности). Кстати, недавно было разработано несколько методов, проливающих свет на межклеточные коммуникации, однако в подобных методах обычно используется только пара генов один лиганд/один рецептор, часто игнорируя то, что многие рецепторы функционируют как многосубъединичные комплексы. Кроме этого, у них есть ещё уйма не учитываемых показателей. Например – те же кофакторы.

Но мы отвлеклись. После создания как можно более обширной базы данных нам понадобятся количественные выводы и анализ сети межклеточной коммуникации на основе данных плюс удобоваримая визуализация.

И у междисциплинарной команды биологов и математиков всё получилось. И новый инструмент, помогающий расшифровать язык, на котором клетки общаются друг с другом, работает весьма недурно. Устройство, названное CellChat, представляет собой вычислительную платформу. С её с помощью стало возможно распознать значение сигнальных молекул, передающих информацию и команды между клетками в процессе объединения для формирования биологических тканей и даже целых органов.

«Чтобы правильно понимать, почему клетки делают определенные вещи, и предсказывать их будущие действия, мы должны уметь слушать, что они говорят друг другу; математические инструменты и инструменты машинного обучения позволяют переводить такие сообщения, – раскрывает суть работы старший автор статьи, опубликованной в Nature Communications, профессор математики и клеточной биологии при ректорате Калифорнийского университета Куин Не.

«Как и в нашем мире, где мы постоянно засыпаны информацией, все клетки воспринимают одновременно множество обращённых к ним молекулярных слов, – поясняет соавтор исследования Максим Пликус, профессор биологии развития и клеточной биологии Калифорнийского университета. – Что они выбирают делать зависит от этого постоянного потока молекулярной информации и от того, какие слова и предложения являются наиболее громкими».

Исходя из этого, исследователи решили вводить отдельной клетке экспрессивный ген, благодаря чему, по идее, на выходе должен был бы получиться подробный отчёт об особенностях передачи сигналов ткани или органа, содержащего эту клетку. Это положило бы начало если и не переводу молекулярных сообщений между клетками на понятный нам язык, то хотя бы уяснению их закономерностей. В принципе, так и случилось. Опираясь на опыт сетевого анализа и распознавания образов, разработка предсказывает основные входные и выходные сигналы для клеток и то, как всё это координируется при исполнении определённых задач.

«Для каждой отдельной группы клеток CellChat показывает, какие важные сигналы отправляются их соседям и какие сигналы они могут принимать», – говорит Пликус. – Как интерпретатор клеточного языка, CellChat даёт учёным ценную информацию о паттернах сигналов, которые определяют функции всего органа».

При разработке CellChat исследователи в значительной степени позаимствовали решения у инструментов машинного обучения и теории социальных сетей. Это позволяет платформе предсказывать более высокие уровни содержания тех или иных фигурантов клеточного языка и определять контекстные сходства, которые в противном случае не очевидны. Таким образом устройство взламывает неподъёмную сложность моделей клеточных коммуникаций. Это достигается посредством множественного обучения и количественных контрастов, в результате чего устройство классифицирует сигнальные пути в разных наборах данных, выявляя как консервативные, так и контекстно-зависимые вариации траекторий.

Кроме всего прочего, клетки производят молекулы-модификаторы, которыми несколько изменяют определенные команды, из «сделать это» получая «сделать это сейчас». CellChat учитывает все присутствующие в сигнале модификаторы и автоматически калибрует силу сигнальной связи между клетками. В результате его «перевод» помогает минимизировать возможные неточности, становясь более тонким и точным, чем ранее используемые технологии.

Кстати, о предшественниках. Одноклеточное секвенирование РНК, когда-то приведшее к открытию клеточной гетерогенности и траекторий дифференцировки с беспрецедентным на тот момент уровнем разрешения, не позволяет большинству современных подходов к анализу его (секвенирования) данных выйти за пределы систематизации типов клеток и прогнозам направлений клеточных видоизменений. Это, конечно, важные параметры, но сами методы бессильны в отношении некоторого вида причин возникновения тех факторов, которые они отслеживают и на которые делаются основные ставки.

Одно из их ограничений связано с изучением межклеточных коммуникаций, лежащих в основе многих процессов и явлений, среди которых и гетерогенность, и переходы между состояниями клеток. Тем не менее, данные самого одноклеточного секвенирования РНК неотъемлемо содержат информацию экспрессии генов, чем и воспользовались разработчики, чтобы вывести и лучше понять такие межклеточные связи.

Почему эти связи так важны? Да просто перекрёстная передача сигналов через растворимые и связанные с мембраной факторы оказывается весьма и весьма критичной для формирования различных клеточных решений. Другими словами, очень многие явления и процессы – будь то активация клеточного цикла или гибели клеток (которая, как мы знаем, запрограммирована генетически), миграции или дифференцировки по клонам (иначе говоря – профориентации по родственным связям, словно бы новая клетка, ещё не знающая кем ей быть, делала выбор, слушая родичей и соседей-сверстников) – зависят от совместного межклеточного «обсуждения» положения дел в их сообществе (в ткани или органе).

По словам Не, помимо чисто фундаментальных исследований по интерпретации этих биологических сообщений, устройство можно использовать для распознавания недугов путём сравнения данных из сигнального потока сетей межклеточных связей в различных состояниях органа – как говорится, «в болезни и в здравии». Так, например, применённое к наборам данных о коже мыши и человека, оно показывает способность извлекать сложные паттерны сигналов. Разработчики уверяют, что набор инструментов CellChat универсален и прост в использовании настолько, что поможет открыть новые межклеточные коммуникации и даже построить атласы межклеточных коммуникаций в различных тканях. Кстати, команда создала своего рода веб-обозреватель их детища. Назвав его «переводчиком Google для словаря клеток», профессор Не поясняет одну из наиболее значительных возможностей инструмента. Она заключается в том, что его можно использовать для выявления молекулярных движущих сил широкого спектра заболеваний, включая рак и аутоиммунные расстройства.

«В нашей статье мы демонстрируем возможности CellChat с использованием атопического дерматита, состояния кожи человека, но этот инструмент с тем же успехом можно использовать на любых тканях», – резюмирует Пликус.


 

АРМК, по материаламNature Communications.