Stellen Sie sich vor, Sie würden die genaue Endreihenfolge des Kentucky Derby anhand eines Fotos vorhersagen, das 10 Sekunden nach Beginn des Rennens aufgenommen wurde.

Diese Herausforderung verblasst im Vergleich zu dem, vor dem Forscher stehen, wenn sie mithilfe der Einzelzell-RNA-Sequenzierung (scRNA-seq) untersuchen, wie sich Embryonen entwickeln, Zellen differenzieren, Krebs entsteht und das Immunsystem reagiert.

In einem heute veröffentlichten Artikel in Verfahren der Nationalen Akademie der WissenschaftenForscher der UChicago Pritzker School of Molecular Engineering und des Department of Chemistry haben TopicVelo entwickelt, eine leistungsstarke neue Methode zur Verwendung statischer Snapshots von scRNA-seq, um zu untersuchen, wie sich Zellen und Gene im Laufe der Zeit verändern.

Das Team verfolgte einen interdisziplinären und kollaborativen Ansatz und integrierte Konzepte aus dem klassischen maschinellen Lernen, der Computerbiologie und der Chemie.

„In Bezug auf unbeaufsichtigtes maschinelles Lernen verwenden wir eine sehr einfache, gut etablierte Idee. Und in Bezug auf das Transkriptionsmodell, das wir verwenden, ist es auch eine sehr einfache, alte Idee. Aber wenn man sie zusammenfügt, sind sie Tun Sie etwas Stärkeres, als Sie vielleicht erwarten“, sagte Samantha Riesenfeld, PME-Assistenzprofessorin für Molekulartechnik und Medizin, die die Arbeit zusammen mit Professor Suriyanarayanan Vaikuntanathan von der Fakultät für Chemie und ihrem Co-Studenten, dem Doktoranden der UChicago Chemistry, verfasst hat Cheng Frank Gao.

Das Problem der Pseudozeit

Forscher verwenden scRNA-seq, um leistungsstarke und detaillierte, aber inhärent statische Messungen zu erhalten.

„Wir haben TopicVelo entwickelt, um zelluläre Zustandsübergänge aus scRNA-seq-Daten abzuleiten“, sagte Riesenfeld. „Das ist mit dieser Art von Daten schwierig zu erreichen, weil scRNA-seq destruktiv ist. Wenn man die Zelle auf diese Weise misst, zerstört man sie.“

Dies hinterlässt den Forschern eine Momentaufnahme davon, wann die Zelle gemessen/zerstört wurde. Obwohl scRNA-seq den besten verfügbaren transkriptomweiten Schnappschuss liefert, benötigen viele Forscher Informationen darüber, wie Zellen den Übergang vollziehen. im Laufe der Zeit. Sie müssen wissen, wie eine Zelle krebsartig wird oder wie sich ein bestimmtes genetisches Programm bei einer Immunantwort verhält.

Um dynamische Prozesse anhand einer statischen Momentaufnahme zu verstehen, verwenden Forscher traditionell die sogenannte „Pseudozeit“. Es ist unmöglich, den Ausdruck einer einzelnen Zelle oder eines einzelnen Gens, das sich verändert und wächst, in einem Standbild zu sehen, aber dieses Bild erfasst auch andere Zellen und Gene desselben Typs, die im selben Prozess möglicherweise etwas weiter fortgeschritten sind. Wenn Wissenschaftler die Punkte richtig verbinden, können sie wertvolle Informationen darüber gewinnen, wie sich der Prozess im Laufe der Zeit verändert.

Die Verbindung dieser Punkte ist eine schwierige Vermutung, die auf der Annahme basiert, dass ähnlich aussehende Zellen einfach an verschiedenen Punkten auf demselben Weg vorkommen. Die Biologie ist viel komplizierter, mit Fehlstarts, Stopps, Ausbrüchen und mehreren chemischen Kräften, die auf jedes Gen einwirken.

Anstelle herkömmlicher pseudozeitlicher Ansätze, die die Expressionsähnlichkeit zwischen den Transkriptionsprofilen von Zellen untersuchen, untersuchen RNA-Geschwindigkeitsansätze die Dynamik der Transkription, des Spleißens und des mRNA-Abbaus innerhalb dieser Zellen.

Dies ist eine vielversprechende, aber frühe Technologie.

„Die anhaltende Kluft zwischen dem Versprechen und der Realität der RNA-Geschwindigkeit hat ihre Anwendung weitgehend eingeschränkt“, schreiben die Autoren in dem Artikel.

Um diese Lücke zu schließen, legt TopicVelo deterministische Modelle beiseite und übernimmt ein viel schwierigeres stochastisches Modell, das die unausweichliche Zufälligkeit der Biologie widerspiegelt, und lernt daraus.

„Zellen sind, wenn man darüber nachdenkt, von Natur aus zufällig“, sagte Gao, der Erstautor der Arbeit. „Man kann Zwillinge oder genetisch identische Zellen haben, die sich stark unterscheiden. TopicVelo führt die Verwendung eines stochastischen Modells ein. Wir sind in der Lage, die zugrunde liegende Biophysik in Transkriptionsprozessen, die für die Transkription von mRNA wichtig sind, besser zu erfassen.“

Maschinelles Lernen weist den Weg

Das Team erkannte auch, dass eine andere Hypothese die Standardgeschwindigkeit von RNA begrenzt. „Die meisten Methoden gehen davon aus, dass alle Zellen grundsätzlich das gleiche große genetische Programm exprimieren, aber man kann sich vorstellen, dass Zellen verschiedene Arten von Prozessen gleichzeitig und in unterschiedlichem Ausmaß ausführen müssen“, sagte Riesenfeld. Diese Prozesse zu entwirren ist eine Herausforderung.

Die probabilistische Themenmodellierung, ein maschinelles Lerntool, das traditionell zur Identifizierung von Themen aus schriftlichen Materialien verwendet wird, lieferte eine Strategie für das UChicago-Team. TopicVelo gruppiert scRNA-seq-Daten nicht nach Zelltypen oder Genen, sondern nach den Prozessen, an denen diese Zellen und Gene beteiligt sind. Prozesse werden aus Daten abgeleitet und nicht durch externes Wissen vorgegeben.

„Wenn man sich ein Wissenschaftsmagazin anschaut, ist es nach Themen wie ‚Physik‘, ‚Chemie‘ und ‚Astrophysik‘ und dergleichen organisiert“, erklärte Gao. „Wir haben dieses Organisationsprinzip auf Einzelzell-RNA-Sequenzierungsdaten angewendet. Wir können unsere Daten jetzt nach Themen wie „ribosomale Synthese“, „Differenzierung“, „Immunantwort“ und „Zellzyklus“ organisieren. Und wir können uns anpassen.“ stochastische Transkriptionsmodelle, die für jeden Prozess spezifisch sind.

Sobald TopicVelo diese Reihe von Prozessen entwirrt und nach Themen organisiert hat, wendet es Themengewichte auf Zellen an, um zu berücksichtigen, welcher Prozentsatz des Transkriptionsprofils jeder Zelle an welcher Aktivität beteiligt ist.

Laut Riesenfeld „hilft uns dieser Ansatz, die Dynamik verschiedener Prozesse zu untersuchen und ihre Bedeutung in verschiedenen Zellen zu verstehen. Und das ist besonders nützlich, wenn es Verzweigungspunkte gibt oder wenn eine Zelle in verschiedene Richtungen gezogen wird.“

Die Ergebnisse der Kombination des stochastischen Modells mit dem thematischen Modell sind bemerkenswert. TopicVelo war beispielsweise in der Lage, Flugbahnen zu rekonstruieren, deren Wiederherstellung zuvor spezielle experimentelle Techniken erforderte. Diese Verbesserungen erweitern die Einsatzmöglichkeiten erheblich.

Gao verglich die Ergebnisse des Papiers mit dem Papier selbst, einem Produkt vieler Studien- und Fachgebiete.

„Wenn Sie an der PME ein Chemieprojekt haben, besteht eine gute Chance, dass ein Physik- oder Ingenieurstudent daran arbeitet“, sagt er. „Es geht nie nur um Chemie.“