Новый метод может отслеживать изменения в экспрессии генов живых клеток в течение длительных периодов времени. Метод, основанный на рамановской спектроскопии, не причиняет вреда клеткам и может проводиться повторно. Фото: Новости Массачусетского технологического института; iStock
новый Массачусетский технологический институт-разработанный метод сочетает в себе рамановскую спектроскопию с машинное обучение для неинвазивного отслеживания экспрессии генов в клетках с течением времени. Этот метод позволяет детально изучить клеточную дифференцировку и имеет потенциальное применение в исследованиях рака, биологии развития и диагностике.
Секвенирование всех РНК в клетке может раскрыть много информации о функции этой клетки и о том, что она делает в данный момент времени. Однако процесс секвенирования разрушает клетку, что затрудняет изучение текущих изменений в экспрессии генов.
Альтернативный подход, разработанный в Массачусетском технологическом институте, может позволить исследователям отслеживать такие изменения в течение длительных периодов времени. Новый метод, основанный на неинвазивном методе визуализации, известном как рамановская спектроскопия, не повреждает клетки и может применяться повторно.
Используя этот метод, исследователи показали, что они могут отслеживать эмбриональные стволовые клетки, когда они дифференцируются в несколько других типов клеток в течение нескольких дней. Этот метод может позволить изучать долгосрочные клеточные процессы, такие как прогрессирование рака или эмбриональное развитие, и однажды может быть использован для диагностики рака и других заболеваний.
«С помощью рамановской визуализации вы можете измерить гораздо больше моментов времени, что может быть важно для изучения биологии рака, биологии развития и ряда дегенеративных заболеваний», — говорит Питер Со, профессор биологической и механической инженерии Массачусетского технологического института, директор исследовательского центра Массачусетского технологического института. Центр лазерных биомедицинских исследований и один из авторов статьи.
Косеки Кобаяши-Киршвинк, постдок Массачусетского технологического института и Института Броуда Гарварда и Массачусетского технологического института, является ведущим автором исследования, которое было недавно опубликовано в журнале. Природная биотехнология. Ведущими авторами статьи являются Томмазо Бьянкалани, бывший учёный Института Броуда; Цзянь Шу, доцент Гарвардской медицинской школы и ассоциированный член Института Броуда; и Авив Регев, исполнительный вице-президент Genentech Research and Early Development, который находится в отпуске с преподавательских должностей в Институте Броуда и на факультете биологии Массачусетского технологического института.
Визуализация экспрессии генов
Рамановская спектроскопия — это неинвазивный метод, который выявляет химический состав тканей или клеток путем освещения их ближним инфракрасным или видимым светом. Центр лазерных биомедицинских исследований Массачусетского технологического института занимается биомедицинской рамановской спектроскопией с 1985 года, а недавно Со и другие сотрудники центра разработали методы на основе рамановской спектроскопии, которые можно использовать для диагностировать рак молочной железы или измерить уровень глюкозы в крови.
Однако рамановская спектроскопия сама по себе недостаточно чувствительна, чтобы обнаружить такие небольшие сигналы, как изменения уровней отдельных молекул РНК. Для измерения уровней РНК ученые обычно используют метод, называемый секвенированием одноклеточной РНК, который может выявить гены, активные в различных типах клеток в образце ткани.
В этом проекте команда Массачусетского технологического института стремилась объединить преимущества секвенирования одноклеточной РНК и рамановской спектроскопии, обучая вычислительную модель переводу рамановских сигналов в состояния экспрессии РНК.
«Секвенирование РНК дает чрезвычайно подробную информацию, но оно разрушительно. Рамановский метод неинвазивный, но он ничего не говорит о РНК. Итак, идея этого проекта заключалась в том, чтобы использовать машинное обучение, чтобы объединить преимущества обоих методов, что позволит вам понять динамику профилей экспрессии генов на уровне отдельных клеток с течением времени», — говорит Кобаяши-Киршвинк.
Чтобы получить данные для обучения своей модели, исследователи обработали клетки фибробластов мыши (тип клеток кожи) факторами, которые перепрограммируют клетки, чтобы они стали плюрипотентными стволовыми клетками. Во время этого процесса клетки также могут переходить в несколько других типов клеток, включая нервные и эпителиальные клетки.
Используя рамановскую спектроскопию, исследователи визуализировали клетки в 36 временных точках в течение 18 дней по мере их дифференцировки. После того, как каждое изображение было получено, исследователи анализировали каждую клетку с помощью флуоресцентной гибридизации отдельных молекул (smFISH), которую можно использовать для визуализации конкретных молекул РНК внутри клетки. В этом случае они искали молекулы РНК, кодирующие девять различных генов, характер экспрессии которых варьируется в зависимости от типа клеток.
Эти данные smFISH затем могут служить связующим звеном между данными рамановской визуализации и данными секвенирования одноклеточной РНК. Чтобы установить эту связь, исследователи сначала обучили модель глубокого обучения прогнозировать экспрессию этих девяти генов на основе рамановских изображений, полученных из этих клеток.
Затем они использовали вычислительную программу под названием Tangram, ранее разработанную в Институте Броуда, чтобы связать образцы экспрессии генов smFISH с профилями всего генома, которые они получили, выполняя секвенирование одноклеточной РНК на образцах клеток.
Затем исследователи объединили эти две вычислительные модели в одну, которую они назвали Raman2RNA, которая может предсказывать полные геномные профили отдельных клеток на основе рамановских изображений клеток.
Отслеживание дифференцировки клеток
Исследователи протестировали свой алгоритм Raman2RNA, отслеживая эмбриональные стволовые клетки мыши, когда они дифференцируются в разные типы клеток. Они делали рамановские изображения клеток четыре раза в день в течение трех дней и использовали свою вычислительную модель для прогнозирования соответствующих профилей экспрессии РНК в каждой клетке, что они подтвердили, сравнив их с измерениями секвенирования РНК.
Используя этот подход, исследователи смогли наблюдать переходы, которые происходили в отдельных клетках, когда они дифференцировались из эмбриональных стволовых клеток в более зрелые типы клеток. Они также показали, что могут отслеживать геномные изменения, которые происходят, когда фибробласты мыши перепрограммируются в индуцированные плюрипотентные стволовые клетки, в течение двухнедельного периода.
«Это демонстрация того, что оптическая визуализация дает дополнительную информацию, которая позволяет напрямую отслеживать происхождение клеток и эволюцию их транскрипции», — говорит Со.
Теперь исследователи планируют использовать эту технику для изучения других типов клеточных популяций, которые изменяются со временем, таких как стареющие клетки и раковые клетки. Сейчас они работают с клетками, выращенными в лабораторной чашке, но в будущем они надеются, что этот подход можно будет использовать в качестве потенциального диагностического средства для пациентов.
«Одним из самых больших преимуществ рамановского рассеяния является то, что это метод без меток. До этого еще далеко, но существует потенциал для человеческого перевода, который невозможно осуществить с помощью существующих инвазивных методов измерения геномных профилей», — говорит Чон Вун Кан, научный сотрудник Массачусетского технологического института, который также является автором исследования.
Ссылка: «Прогнозирование профилей экспрессии одноклеточной РНК в живых клетках с помощью рамановской микроскопии с Raman2RNA», Косеки Дж. Кобаяши-Киршвинк, Чарльз С. Комитер, Шрея Гаддам, Тейлор Джорен, Эмануэль И. Гроди, Йохайн Р. Унаджела, Ке Чжан, Баолян Ге, Чон Вун Кан, Рамник Дж. Ксавьер, Питер Т.С. Со, Томмасо Бьянкалани, Цзян Шу и Авив Регев, 10 января 2024 г., Природная биотехнология.
DOI: 10.1038/s41587-023-02082-2
Исследование финансировалось Японским обществом содействия науке, стипендией для зарубежных исследователей, зарубежной стипендией для постдокторантов Фонда Найто, стипендией MathWorks, Фондом Хелен Хей Уитни, США. Национальные институты здоровьяНациональный институт биомедицинской визуализации и биоинженерии США, HubMap, Медицинский институт Говарда Хьюза и Клеточная обсерватория Клармана.