Un model AI inovator decodează semnalele chimice în dezvoltarea celulară embrionară
Pe măsură ce un embrion se dezvoltă dintr-un mic grup de celule stem, aceste celule, care la început sunt „neutre”, încep să își asume roluri specializate, precum celule nervoase, hepatice sau musculare, și se organizează în structuri tridimensionale, precum țesuturi și organe.
Destinul fiecărei celule – tipul de celulă specializată care va deveni – depinde de genele care sunt activate sau dezactivate în celulă. Aceste modele de activitate genică conturează structura și funcția celulei, permițându-i să îndeplinească un rol specific în organism.
Însă această decizie nu este unilaterală. Celulele comunică constant între ele prin semnale chimice, ajutându-se reciproc să înțeleagă poziția lor, etapa dezvoltării și ceea ce ar trebui să devină. Aceste mesaje se transmit prin secvențe complexe denumite căi de semnalizare, care transformă semnalele exterioare în modificări specifice ale activității genice în celulă.
Pentru cercetători, retracingul secvenței de instrucțiuni primite de o celulă ar oferi o modalitate eficientă de a înțelege cum se dezvoltă țesuturile și cum aceste procese pot fi perturbate în boli. Totuși, acest lucru a fost dificil de realizat deoarece oamenii de știință au presupus mult timp că efectele căilor de semnalizare variază semnificativ între tipurile de celule, ceea ce ar implica maparea fiecărei căi în parte pentru fiecare tip de celulă – un proces laborios și anevoios.
Recent, un studiu condus de Pulin Li și studentul absolvent Nicholas Hutchins a relevat că fiecare cale de semnalizare lasă în urma sa o „amprentă” unică – un model distinct de activitate genică care reflectă semnalele particulare întâmpinate de celulă.
Un aspect important este că aceste amprente rămân consistente între diferitele tipuri de celule pentru aceeași cale de semnalizare, ceea ce le permite cercetătorilor să reconstruiască istoricul semnalizării între multiple tipuri de celule utilizând aceste amprente specifice căii.
Această descoperire a fost posibilă datorită unui model de învățare automată denumit IRIS. Acest model poate detecta amprentele diferitelor căi de semnalizare și poate identifica semnalele primite de o celulă în diferite etape ale dezvoltării în interiorul unui embrion, chiar și pentru tipuri de celule cu care nu a avut interacțiune anterior.
Abordarea bazată pe AI reprezintă un avans semnificativ față de metodele tradiționale, care necesită testarea experimentală a fiecărei căi în fiecare tip de celulă. Aceasta deschide posibilitatea de a cartografia exhaustiv istoricul semnalizării pentru fiecare celulă dintr-un embrion de șoarece sau uman la o scară fără precedent.
Gândiți-vă la sistemele de recunoaștere vocală, precum Siri, care sunt instruite în principal în limba engleză, dar își folosesc acest antrenament pentru a ajuta la recunoașterea altor limbi. Aceasta se numește învățare prin transfer, iar de aceea IRIS poate funcționa între diferite tipuri de celule.
Descoperirile detaliate ale cercetătorilor, publicate în revista Nature Methods pe 8 septembrie, ar putea accelera ingineria celulelor stem pentru medicina regenerativă și îmbunătăți crearea organoidelor – modele miniaturale, 3D care imită organele reale – pentru studierea mecanismelor bolilor și testarea de medicamente noi. Odată ce cercetătorii învață modelul de semnale care determină o celulă stem să devină un tip specific de celulă, pot recrea acele semnale pentru a controla soarta celulelor stem într-un mediu de laborator sau medical.
IRIS este un model bazat pe rețele neuronale, care, în esență, este un sistem condus de AI destinat recunoașterii modelelor în date complexe, similar modului în care creierele noastre identifică tipare. Acesta examinează activitatea genică globală a unei celule și estimează care căi de semnalizare au fost probabil „activate” în momente specifice din timpul dezvoltării.
Li și Hutchins au antrenat IRIS folosind un set de date experimental mare, care a măsurat modul în care mii de celule stem embrionare umane au răspuns la zeci de combinații ale a șase căi de semnalizare majore în multiple etape ale dezvoltării. Aceasta a creat o hartă cuprinzătoare, sau un atlas, al modului în care combinațiile de semnalizare influențează comportamentul celular.
Echipa a testat IRIS folosind celule individuale din embrionii de șoarece în timpul gastrulației, o etapă în care celulele se ramifică rapid în diferite destine. IRIS a putut prezice cu acuratețe când și unde căile de semnalizare specifice se vor activa în celulele destinate să devină parte din țesutul cardiac, intestinal, muscular și al măduvei spinării. Această variație în moleculele de semnalizare este ceea ce ghidează celulele să formeze structurile corecte în locurile corecte.
Folosind această abordare, oamenii de știință nu numai că pot începe să înțeleagă fundamentele comunicării între celule, dar și să obțină o hartă practică pentru a ghida celulele stem în tipuri specifice și funcționale în laborator.
Când cercetătorii au utilizat IRIS pentru a identifica semnalele necesare pentru a crea un tip de celulă esențial pentru dezvoltarea pulmonară, modelul a prezis că activarea unei căi de semnalizare specifice ar încuraja dezvoltarea specifică a țesutului pulmonar. Experimentele realizate pe embrioni de șoarece au confirmat predicția modelului. Prin identificarea combinațiilor precise de semnale care determină dezvoltarea celulelor pulmonare, pot genera mai fiabil modele de țesut pulmonar create în laborator.
„În aceste moduri, IRIS ne ajută să decodificăm limbajul prin care celulele comunică între ele, într-un ritm mult mai rapid decât am putea realiza prin experimente,” afirmă Hutchins.
Aceaste modele îmbunătățite ar permite cercetătorilor să studieze boli precum astmul, cancerul pulmonar și fibroza pulmonară, în care țesutul pulmonar devine cicatricial, adesea fără o cauză bine definită. Apoi, pot folosi aceste modele pentru a testa terapii potențiale și, în cele din urmă, pentru a concepe tratamente regenerative care pot repara țesutul afectat.
