По сообщению MIT, по мере развития эмбриона из небольшого скопления стволовых клеток, эти ранее "чистые" клетки начинают принимать на себя более специализированные роли, такие как клетки мозга, печени или мышц, и организовываться в трехмерные структуры, такие как ткани и органы. Судьба каждой клетки — какой тип специализированной клетки она станет — зависит от того, какие гены включены или выключены в клетке. Эти шаблоны активности генов формируют структуру и функцию клетки, позволяя ей занять конкретную роль в организме. Однако это решение не зависит от индивидуальных клеток. Они постоянно отправляют и получают химические сигналы от соседних клеток, что помогает 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 в клетке. Для исследователей возможность восстановить последовательность инструкций, которые клетка получила, предложила бы мощный способ понять, как развиваются ткани и как эти процессы нарушаются при болезнях. Однако это было сложно осуществить, так как ученые долгое время считали, что эффекты сигнальных путей сильно варьируются между типами клеток, что означает, что им нужно было бы картографировать каждый путь отдельно для каждого типа клеток — трудоемкий и кропотливый процесс. Теперь, в новом исследовании, возглавляемом помощником профессора биологии MIT и членом Института биомедицинских исследований Уайтхеда Пулином Ли и аспирантом Николасом Хатчинсом, исследователи обнаружили, что каждый сигнальный путь оставляет уникальный "отпечаток пальца" — отличительный шаблон активности генов, который отражает конкретные сигналы, которые клетка встретила. Важно, что эти отпечатки пальцев последовательны для разных типов клеток для одного и того же сигнального пути, что означает, что вместо картирования каждого типа клеток отдельно ученые могут восстановить истории сигналов через множество типов клеток, используя эти специфические отпечатки путей. Это открытие стало возможным благодаря модели машинного обучения под названием IRIS. Эта модель может обнаруживать отпечатки пальцев различных сигнальных путей и определять, какие сигналы клетка получила на разных стадиях развития внутри эмбриона, даже для типов клеток, с которыми она не сталкивалась ранее. Этот подход на основе искусственного интеллекта представляет собой значительный прогресс по сравнению с традиционными методами, которые требуют от исследователей экспериментально тестировать каждый путь в каждом возможном типе клеток, и открывает возможность комплексно картировать истории сигналов каждой клетки внутри мышиного или человеческого эмбриона в беспрецедентном масштабе. "Представьте себе системы распознавания голоса, такие как Siri, которые обучены в основном на английском языке, но затем используют это обучение, чтобы помочь им распознавать другие языки", — говорит Ли. "Это называется трансферным обучением, и именно поэтому IRIS может работать с многими различными типами клеток." Подробные результаты исследования, опубликованные в журнале Nature Methods 8 сентября, могут ускорить инженерное проектирование стволовых клеток для регенеративной медицины и улучшить создание органоидов — миниатюрных 3D моделей, которые имитируют реальные органы — для изучения механизмов заболеваний и тестирования новых лекарств. Это связано с тем, что как только исследователи узнают шаблон сигналов, который заставляет стволовую клетку становиться конкретным типом клетки, они могут воспроизвести эти сигналы, чтобы контролировать судьбу стволовых клеток в лабораторных или медицинских условиях. IRIS — это модель на основе нейронной сети, которая, по сути, является системой, управляемой ИИ, предназначенной для распознавания шаблонов в сложных данных, аналогично тому, как наши мозги распознают шаблоны. Она анализирует общую активность генов клетки и оценивает, какие сигнальные пути, вероятно, были "включены" в определенные моменты времени в процессе развития. Ли и Хатчинс обучили IRIS на большом экспериментальном наборе данных, который измерял, как тысячи человеческих эмбриональных стволовых клеток реагировали на десятки комбинаций шести основных сигнальных путей на нескольких стадиях развития. Это создало комплексную карту, или атлас, того, как комбинации сигналов влияют на поведение клеток. Команда затем протестировала IRIS, используя отдельные клетки из мышиных эмбрионов во время гаструляции, стадии, когда клетки быстро разветвляются в разные судьбы. IRIS смогла точно предсказать, когда и где конкретные сигнальные пути активировались в клетках, предназначенных для становления частью сердца, кишечника, мышц и спинного мозга. Это разнообразие сигнальных молекул и направляет клетки к формированию правильных структур в правильных местах. С этим подходом ученые могут не только начать понимать основы клеточной коммуникации, но и получить практическую дорожную карту для направления стволовых клеток в конкретные функциональные типы клеток в лаборатории. Когда исследователи использовали IRIS для определения сигналов, необходимых для создания клеточного типа, критически важного для развития легких, модель предсказала, что активация конкретного сигнального пути будет способствовать развитию легких. Эксперименты на мышиных эмбрионах подтвердили предсказание модели. Определив точные комбинации сигналов, которые стимулируют развитие клеток легких, они могут более надежно создавать точные лабораторные модели легочной ткани. "Таким образом, IRIS помогает нам расшифровать язык, который клетки используют для общения друг с другом, гораздо быстрее, чем мы могли бы достичь этого экспериментально", — говорит Хатчинс. Эти улучшенные модели позволят исследователям изучать такие болезни, как астма, рак легких и легочная фиброз, при которых легочная ткань рубцуется, часто без известной причины. Затем они могут использовать эти модели для тестирования потенциальных терапий и, в конечном итоге, разрабатывать регенеративные методы лечения, которые могут восстановить поврежденную ткань. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником.