منوعات

احصل على معلومات ديناميكية من اللقطات الثابتة

تخيل توقع الترتيب الدقيق لسباق كنتاكي ديربي من صورة تم التقاطها بعد 10 ثوانٍ من السباق.

يتضاءل هذا التحدي مقارنة بما يواجهه الباحثون عند استخدام تسلسل الحمض النووي الريبي (RNA) أحادي الخلية (scRNA-seq) لدراسة كيفية تطور الأجنة، وتمايز الخلايا، وتشكل السرطان، وتفاعل الجهاز المناعي.

في مقال نشر اليوم في وقائع الأكاديمية الوطنية للعلومابتكر الباحثون في كلية UChicago Pritzker للهندسة الجزيئية وقسم الكيمياء TopicVelo، وهي طريقة جديدة قوية لاستخدام لقطات ثابتة من scRNA-seq لدراسة كيفية تغير الخلايا والجينات بمرور الوقت.

اتخذ الفريق نهجًا متعدد التخصصات وتعاونيًا، حيث قام بدمج مفاهيم من التعلم الآلي الكلاسيكي والبيولوجيا الحاسوبية والكيمياء.

“فيما يتعلق بالتعلم الآلي غير الخاضع للرقابة، فإننا نستخدم فكرة بسيطة جدًا وراسخة. وفيما يتعلق بالنموذج النسخي الذي نستخدمه، فهي أيضًا فكرة قديمة بسيطة جدًا. ولكن عندما تجمعهم معًا، فإنهم قالت سامانثا ريسنفيلد، الأستاذة المساعدة في الهندسة الجزيئية والطب في PME، والتي كتبت الورقة مع البروفيسور سوريانارايانان فايكونتاناثان من قسم الكيمياء والمؤلف المشارك لهما، تشنغ فرانك جاو، طالب الدكتوراه: “افعل شيئًا أقوى مما يتوقعه المرء”. مرشح في الكيمياء في جامعة شيكاغو.

مشكلة الزمن الزائف

يستخدم الباحثون scRNA-seq للحصول على قياسات قوية ومفصلة، ​​ولكنها ثابتة بطبيعتها.

وقال ريسنفيلد: “لقد قمنا بتطوير TopicVelo لاستنتاج تحولات الحالة الخلوية من بيانات scRNA-seq”. “من الصعب القيام بذلك باستخدام هذا النوع من البيانات لأن scRNA-seq مدمر. عندما تقيس الخلية بهذه الطريقة، فإنك تدمرها.”

وهذا يترك للباحثين لمحة سريعة عن الوقت الذي تم فيه قياس/تدمير الخلية. على الرغم من أن scRNA-seq يعطي أفضل لقطة متاحة على مستوى النسخ، إلا أن المعلومات التي يحتاجها العديد من الباحثين تتعلق بكيفية قيام الخلايا بالانتقال. متأخر , بعد فوات الوقت. إنهم بحاجة إلى معرفة كيف تصبح الخلية سرطانية أو كيف يتصرف برنامج وراثي معين أثناء الاستجابة المناعية.

للمساعدة في فهم العمليات الديناميكية من لقطة ثابتة، يستخدم الباحثون تقليديًا ما يسمى “الزمن الزائف”. من المستحيل رؤية تعبير خلية فردية أو جين يتغير وينمو في صورة ثابتة، لكن هذه الصورة التقطت أيضًا خلايا وجينات أخرى من نفس النوع والتي قد تكون أبعد قليلاً في نفس العملية. إذا قام العلماء بربط النقاط بشكل صحيح، فيمكنهم الحصول على معلومات قيمة حول كيفية تغير العملية بمرور الوقت.

إن ربط هذه النقاط هو تخمين صعب، يعتمد على افتراض أن الخلايا المتشابهة تظهر ببساطة في نقاط مختلفة على نفس المسار. علم الأحياء أكثر تعقيدًا بكثير، حيث توجد بدايات خاطئة، وتوقفات، وانفجارات، وقوى كيميائية متعددة تؤثر على كل جين.

بدلاً من الأساليب التقليدية الزائفة، التي تدرس تشابه التعبير بين الملامح النسخية للخلايا، تقوم أساليب سرعة الحمض النووي الريبي (RNA) بفحص ديناميكيات النسخ، والربط، وتدهور الرنا المرسال داخل هذه الخلايا.

هذه تقنية واعدة ولكنها مبكرة.

“الفجوة المستمرة بين الوعد والواقع فيما يتعلق بسرعة الحمض النووي الريبي (RNA) قد حدت إلى حد كبير من تطبيقه” ، كما كتب المؤلفون في الورقة البحثية.

ولسد هذه الفجوة، تضع TopicVelo النماذج الحتمية جانبًا، وتتبنى ــ وتتعلم من ــ نموذجًا عشوائيًا أكثر صعوبة يعكس العشوائية التي لا مفر منها في علم الأحياء.

قال جاو، المؤلف الأول للدراسة: “عندما تفكر في الأمر، فإن الخلايا عشوائية بطبيعتها”. “يمكن أن يكون لديك توائم أو خلايا متطابقة وراثيًا والتي ستصبح مختلفة تمامًا. يقدم TopicVelo استخدام النموذج العشوائي. نحن قادرون على التقاط الفيزياء الحيوية الأساسية بشكل أفضل في عمليات النسخ التي تعتبر مهمة لنسخ mRNA.”

التعلم الآلي يقود الطريق

وأدرك الفريق أيضًا أن فرضية أخرى تحد من السرعة القياسية للحمض النووي الريبوزي (RNA). وقال ريسنفيلد: “تفترض معظم الأساليب أن جميع الخلايا تعبر بشكل أساسي عن نفس البرنامج الجيني الكبير، ولكن يمكنك أن تتخيل أن الخلايا يجب أن تنفذ أنواعًا مختلفة من العمليات في وقت واحد، بدرجات متفاوتة”. ويشكل فك تشابك هذه العمليات تحديًا.

قدمت نمذجة الموضوع الاحتمالي – وهي أداة للتعلم الآلي تُستخدم تقليديًا لتحديد الموضوعات من المواد المكتوبة – استراتيجية لفريق UChicago. يقوم TopicVelo بتجميع بيانات scRNA-seq ليس حسب أنواع الخلايا أو الجينات، ولكن حسب العمليات التي تشارك فيها تلك الخلايا والجينات. يتم استنتاج العمليات من البيانات، بدلاً من فرضها بواسطة المعرفة الخارجية.

وأوضح جاو: “إذا نظرت إلى مجلة علمية، فسوف يتم تنظيمها حول موضوعات مثل “الفيزياء”، و”الكيمياء”، و”الفيزياء الفلكية”، وهذا النوع من الأشياء”. “لقد طبقنا هذا المبدأ التنظيمي على بيانات تسلسل الحمض النووي الريبي (RNA) للخلية الواحدة. يمكننا الآن تنظيم بياناتنا حسب المواضيع، مثل “تخليق الريبوسوم”، و”التمايز”، و”الاستجابة المناعية”، و”دورة الخلية”. ويمكننا التكيف نماذج النسخ العشوائية الخاصة بكل عملية.

بمجرد قيام TopicVelo بفك تشابك هذه المجموعة من العمليات وتنظيمها حسب الموضوع، فإنه يطبق أوزان الموضوع على الخلايا، لحساب النسبة المئوية لملف التعريف النسخي لكل خلية المتضمن في أي نشاط.

وفقًا لريسينفيلد، “يساعدنا هذا النهج على فحص ديناميكيات العمليات المختلفة وفهم أهميتها في الخلايا المختلفة. وهذا مفيد بشكل خاص عندما تكون هناك نقاط فرعية أو عندما يتم سحب الخلية في اتجاهات مختلفة.”

نتائج الجمع بين النموذج العشوائي والنموذج الموضوعي مذهلة. على سبيل المثال، كان TopicVelo قادرًا على إعادة بناء المسارات التي كان تعافيها يتطلب في السابق تقنيات تجريبية خاصة. تعمل هذه التحسينات على توسيع التطبيقات المحتملة بشكل كبير.

قارن جاو نتائج البحث بالبحث نفسه، وهو نتاج العديد من مجالات الدراسة والخبرة.

يقول: “في PME، إذا كان لديك مشروع كيميائي، فهناك فرصة جيدة لأن يكون هناك طالب فيزياء أو هندسة يعمل عليه”. “لا يتعلق الأمر أبدًا بالكيمياء فقط.”

..

Source link

orcalimaa

المصدر الرئيسي للأخبار والمعلومات الصحية والطبية الموثوقة وفي الوقت المناسب . توفير معلومات صحية ذات مصداقية ومجتمع داعم وخدمات تعليمية من خلال مزج الخبرة الحائزة على جوائز في المحتوى والخدمات المجتمعية وتعليقات الخبراء والمراجعة الطبية .

مقالات ذات صلة

اترك تعليقاً

زر الذهاب إلى الأعلى