Абдул Латиф Джамиль Лаборатория действий по борьбе с бедностью (J-PAL)
Институт Пикора по обучению и памяти
Школа гуманитарных, художественных и социальных наук
MIT Шварцман колледж вычислений

ИИ-модель расшифровывает язык, которым клетки общаются друг с другом

По мере того как эмбрион развивается из небольшой группы стволовых клеток, эти когда-то «чистые листы» клетки начинают приобретать более специализированные роли — например, становиться нервными, печёночными или мышечными клетками — и организовываться в трёхмерные структуры, такие как ткани и органы.

Судьба каждой клетки — какой тип специализированной клетки она станет — зависит от того, какие гены в ней включены или выключены. Эти шаблоны активности генов формируют структуру и функции клетки, позволяя ей выполнять определённую роль в организме.

Но это решение не принимается отдельной клеткой в одиночку. Клетки постоянно посылают и получают химические сигналы от соседей, которые помогают им понять, где они находятся, на какой стадии развития и кем им следует стать. Эти сообщения распространяются через многоступенчатые последовательности, называемые сигнальными путями, которые переводят внешние сигналы в конкретные изменения активности генов внутри клетки.

Для исследователей возможность восстановить последовательность инструкций, которые получила клетка, дала бы мощный инструмент для понимания того, как развиваются ткани и как эти процессы нарушаются при заболеваниях.

Однако это было трудно осуществить, потому что учёные долгое время считали, что эффекты сигнальных путей сильно различаются в разных типах клеток, а значит, каждое направление нужно было бы картировать отдельно для каждого типа клеток — трудоёмкий и длительный процесс.

Теперь, в новом исследовании под руководством ассистента профессора биологии MIT и члена Института Уайтхед по биомедицинским исследованиям Пулина Ли и аспиранта Николаса Хатчинса, исследователи обнаружили, что каждый сигнальный путь оставляет за собой уникальный «отпечаток» — характерный рисунок активности генов, который отражает конкретные сигналы, с которыми столкнулась клетка.

Что важно, эти отпечатки согласованы между разными типами клеток для одного и того же сигнального пути, что означает: вместо того чтобы картировать каждый тип клеток отдельно, учёные могут реконструировать сигнальную историю многих типов клеток, используя эти специфичные для путей отпечатки.

Это открытие стало возможным благодаря модели машинного обучения под названием IRIS. Эта модель может обнаруживать отпечатки разных сигнальных путей и указывать, какие сигналы получила клетка на разных стадиях развития внутри эмбриона, даже для типов клеток, с которыми она ранее не сталкивалась.

Подход, управляемый искусственным интеллектом, представляет собой важный шаг вперёд по сравнению с традиционными методами, которые требуют от исследователей экспериментально проверять каждый путь в каждом возможном типе клеток, и открывает возможность всесторонне картировать сигнальные истории каждой клетки внутри эмбриона мыши или человека в беспрецедентном масштабе.

«Подумайте о системах распознавания голоса, таких как Siri, которые в основном обучены на английском, но затем используют это обучение, чтобы распознавать и другие языки, — говорит Ли. — Это называется переносом обучения, и именно поэтому IRIS может работать во многих разных типах клеток».

Подробные результаты исследователей, доступные в открытом доступе и опубликованные в журнале Nature Methods 8 сентября, могут ускорить инженерную работу со стволовыми клетками для регенеративной медицины и улучшить создание органоидов — миниатюрных трёхмерных моделей, имитирующих настоящие органы — для изучения механизмов заболеваний и тестирования новых лекарств. Это связано с тем, что как только исследователи узнают шаблон сигналов, который направляет стволовую клетку к превращению в конкретный тип клетки, они смогут воссоздать эти сигналы, чтобы контролировать судьбу стволовых клеток в лаборатории или медицинских условиях.

IRIS — модель на основе нейронных сетей, по сути это система ИИ, предназначенная для распознавания шаблонов в сложных данных, подобно тому, как наш мозг замечает закономерности. Она изучает общую активность генов в клетке и оценивает, какие сигнальные пути, вероятно, были «включены» на определённых этапах развития.

Ли и Хатчинс обучали IRIS на крупной экспериментальной выборке, в которой измеряли, как тысячи человеческих эмбриональных стволовых клеток реагировали на десятки комбинаций шести основных сигнальных путей на разных стадиях развития. Это создало подробную карту, или атлас, того, как комбинации сигналов влияют на поведение клеток.

Затем команда протестировала IRIS на отдельных клетках из эмбрионов мышей во время гаструляции, стадии, когда клетки быстро дифференцируются в разные судьбы. IRIS смогла точно предсказывать, когда и где активировались конкретные сигнальные пути в клетках, предназначенных стать частью сердца, кишечника, мышц и спинного мозга. Именно это различие в сигнальных молекулах направляет клетки на формирование правильных структур в нужных местах.

С помощью этого подхода учёные могут не только начинать понимать основы межклеточной коммуникации, но и получить практическую дорожную карту для направленного превращения стволовых клеток в специфические функциональные типы клеток в лабораторных условиях.

Когда исследователи использовали IRIS, чтобы выявить сигналы, необходимые для создания типа клетки, критичного для развития лёгких, модель предсказала, что активация определённого сигнального пути будет способствовать развитию, специфичному для лёгких. Эксперименты в эмбрионах мышей подтвердили предсказание модели. Определяя точные комбинации сигналов, которые направляют развитие клеток лёгких, они могут более надёжно выращивать точные модели лёгочной ткани в лаборатории.

«Таким образом IRIS помогает нам расшифровывать язык, которым клетки общаются друг с другом, намного быстрее, чем мы могли бы реально сделать это только с помощью экспериментов», — говорит Хатчинс.

Эти улучшенные модели позволят исследователям изучать болезни, такие как астма, рак лёгких и легочный фиброз, при котором лёгочная ткань становится рубцовой зачастую без известной причины. Затем эти модели можно будет использовать для тестирования потенциальных терапий и, в конечном счёте, разработки регенеративных методов лечения, которые смогут восстанавливать повреждённую ткань.