Obtendo informações dinâmicas de snapshots estáticos
Parte de uma equipe interdisciplinar da Universidade de Chicago por trás de um novo método de uso de dados estáticos de sequenciamento de RNA unicelular para estudar como as células e os genes mudam ao longo do tempo. A partir da esquerda, a estudante de graduação em Biofísica Hanna Hieromnimon, o estudante de graduação da Pritzker School of Molecular Engineering Joey Federico, o estudante de graduação em Ciência da Computação Ryan Robinett, PME Asst. Samantha Riesenfeld, estudante de graduação em Química e primeiro autor do artigo, Cheng Frank Gao, estudante de graduação em Química Joseph Sifakis e estudante de graduação em Biofísica Hope Anderson. Crédito:Lorenzo Orecchia Imagine prever a ordem exata de chegada do Kentucky Derby a partir de uma fotografia tirada 10 segundos após o início da corrida.
Esse desafio é insignificante em comparação com o que os investigadores enfrentam quando utilizam a sequenciação de ARN unicelular (scRNA-seq) para estudar como os embriões se desenvolvem, as células se diferenciam, os cancros se formam e o sistema imunitário reage.
Em um artigo publicado hoje no Proceedings of the National Academy of Sciences , pesquisadores da Escola de Engenharia Molecular Pritzker da UChicago e do Departamento de Química criaram o TopicVelo, um novo método poderoso de usar instantâneos estáticos do scRNA-seq para estudar como as células e os genes mudam ao longo do tempo.
A equipe adotou uma abordagem interdisciplinar e colaborativa, incorporando conceitos de aprendizado de máquina clássico, biologia computacional e química.
"Em termos de aprendizado de máquina não supervisionado, usamos uma ideia muito simples e bem estabelecida. E em termos do modelo de transcrição que usamos, também é uma ideia antiga e muito simples. Mas quando você os junta, eles fazem algo mais poderoso do que você poderia esperar", disse a professora assistente de Engenharia Molecular e Medicina da PME, Samantha Riesenfeld, que escreveu o artigo com o Prof. Suriyanarayanan Vaikuntanathan do Departamento de Química e seu aluno conjunto, UChicago Chemistry Ph.D. candidato Cheng Frank Gao.
O problema do pseudotempo
Os pesquisadores usam o scRNA-seq para obter medições poderosas e detalhadas, mas que por natureza são estáticas.
"Desenvolvemos o TopicVelo para inferir transições de estado celular a partir de dados scRNA-seq", disse Riesenfeld. "É difícil fazer isso a partir deste tipo de dados porque o scRNA-seq é destrutivo. Quando você mede a célula dessa forma, você a destrói."
Isso deixa aos pesquisadores um instantâneo do momento em que a célula foi medida/destruída. Embora o scRNA-seq forneça o melhor instantâneo disponível de todo o transcriptoma, a informação que muitos pesquisadores precisam, no entanto, é como a transição das células ao longo do tempo . Eles precisam saber como uma célula se torna cancerosa ou como um programa genético específico se comporta durante uma resposta imunológica.
Para ajudar a descobrir processos dinâmicos a partir de um instantâneo estático, os pesquisadores tradicionalmente usam o que é chamado de “pseudotempo”. É impossível observar a mudança e o crescimento da expressão de uma célula individual ou de um gene em uma imagem estática, mas essa imagem também capturou outras células e genes do mesmo tipo que podem estar um pouco mais adiante no mesmo processo. Se os cientistas ligarem os pontos corretamente, eles poderão obter insights poderosos sobre a aparência do processo ao longo do tempo.
Conectar esses pontos é uma tarefa difícil, com base na suposição de que células de aparência semelhante estão apenas em pontos diferentes ao longo do mesmo caminho. A biologia é muito mais complicada, com falsos inícios, paradas, explosões e múltiplas forças químicas puxando cada gene.
Em vez das abordagens tradicionais de pseudotempo, que analisam a similaridade de expressão entre os perfis transcricionais das células, as abordagens de velocidade do RNA analisam a dinâmica da transcrição, splicing e degradação do mRNA dentro dessas células.
É uma tecnologia promissora, mas inicial.
“A lacuna persistente entre a promessa e a realidade da velocidade do RNA restringiu amplamente a sua aplicação”, escreveram os autores no artigo.
Para preencher essa lacuna, o TopicVelo deixa de lado os modelos determinísticos, abraçando – e coletando insights de – um modelo estocástico muito mais difícil que reflete a aleatoriedade inescapável da biologia.
“As células, quando pensamos nelas, são intrinsecamente aleatórias”, disse Gao, o primeiro autor do artigo. "Você pode ter gêmeos ou células geneticamente idênticas que crescerão e serão muito diferentes. TopicVelo introduz o uso de um modelo estocástico. Somos capazes de capturar melhor a biofísica subjacente nos processos de transcrição que são importantes para a transcrição do mRNA."
O aprendizado de máquina mostra o caminho
A equipe também percebeu que outra suposição limita a velocidade padrão do RNA. "A maioria dos métodos assume que todas as células expressam basicamente o mesmo grande programa genético, mas você pode imaginar que as células têm que realizar diferentes tipos de processos simultaneamente, em graus variados", disse Riesenfeld. Desvendar esses processos é um desafio.
A modelagem probabilística de tópicos – uma ferramenta de aprendizado de máquina tradicionalmente usada para identificar temas em documentos escritos – forneceu uma estratégia à equipe da UChicago. TopicVelo agrupa dados de scRNA-seq não pelos tipos de células ou genes, mas pelos processos nos quais essas células e genes estão envolvidos. Os processos são inferidos a partir dos dados, em vez de impostos pelo conhecimento externo.
"Se você olhar uma revista científica, ela estará organizada em tópicos como 'física', 'química' e 'astrofísica', esse tipo de coisa", disse Gao. "Aplicamos esse princípio de organização aos dados de sequenciamento de RNA unicelular. Portanto, agora podemos organizar nossos dados por tópicos, como 'síntese ribossômica', 'diferenciação', 'resposta imunológica' e 'ciclo celular'. E podemos ajustar modelos transcricionais estocásticos específicos para cada processo."
Depois que o TopicVelo desembaraça essa confusão de processos e os organiza por tópico, ele aplica pesos de tópico de volta às células, para contabilizar qual porcentagem do perfil transcricional de cada célula está envolvida em qual atividade.
De acordo com Riesenfeld, “Essa abordagem nos ajuda a observar a dinâmica de diferentes processos e a compreender sua importância em diferentes células. E isso é especialmente útil quando há pontos de ramificação ou quando uma célula é puxada em direções diferentes”.
Os resultados da combinação do modelo estocástico com o modelo tópico são impressionantes. Por exemplo, o TopicVelo foi capaz de reconstruir trajetórias que anteriormente exigiam técnicas experimentais especiais para serem recuperadas. Essas melhorias ampliam muito as aplicações potenciais.
Gao comparou as descobertas do artigo com o próprio artigo – o produto de muitas áreas de estudo e especialização.
“Na PME, se você tem um projeto de química, é provável que tenha algum estudante de física ou engenharia trabalhando nele”, disse. "Nunca é apenas química."
