LUMC-onderzoekers werken aan een atlas van onze cellen
De Computational and Functional Genomics Group van het Leids Universitair Medisch Centrum (LUMC) heeft een machine learning methode ontwikkeld om cellulaire kaarten te genereren. Hun onderzoek is gepubliceerd in Nature Communications.
In het verleden werd de cellen waaruit een weefsel bestond in kaart gebracht met microscopie en celsorteertechnieken. Hiervoor gebruikten onderzoekers een beperkt aantal markers die binnenin of op het celoppervlak zaten. Dit maakte het mogelijk om cellulaire kaarten van meerdere weefsels vast te stellen. Deze aanpak is helaas niet geschikt om de cellen van zeer complexe weefsels en organismen, zoals de menselijke hersenen, in kaart te brengen.
Weefsels in kaart brengen met single-cell-technologie
Ontwikkelingen in de single-cell-technologie bieden nieuwe mogelijkheden om de activiteit van alle genen in miljoenen cellen te meten. Met deze metingen kan de identiteit van een cel worden vastgesteld op een datagestuurde manier die niet wordt beperkt door markers. Onderzoekers maken momenteel optimaal gebruik van deze ontwikkeling. In meer dan 170 studies zijn tot nu toe meer dan 44 miljoen cellen in verschillende hersengebieden van verschillende leeftijden en soorten geïdentificeerd. Deze enorme hoeveelheid data is cruciaal om meer inzicht te krijgen in hoe onze hersenen werken en hoe cellen verschillen tijdens ziekte.
Complexe vragen
Deze ontwikkelingen leiden ook tot vragen. Hoe moet namelijk de informatie uit meerdere studies worden gecombineerd? En hoe komen de hersencellen uit studie A en B overeen? Moeten zij als hetzelfde celtype worden beschouwd en dezelfde identiteit krijgen? Deze vragen zijn moeilijk te beantwoorden omdat de identiteit van de cel door verschillende onderzoekers subjectief wordt bepaald. Een nog groter probleem is dat onderzoekers hun gegevens op verschillende manieren categoriseren bij gebrek aan een universeel classificatiesysteem. Terwijl de ene studie bepaalde cellen gewoon als ‘neuronen’ classificeert, maakt een andere studie bijvoorbeeld een onderscheid tussen ‘stimulerende en remmende neuronen’. Deze beperkingen vormen een grote uitdaging bij het samenstellen van celatlassen.
Celrelaties in kaart brengen met machine learning
PhD-student bij de afdeling Humane Genetica, Lieke Michielsen, heeft een machine learning methode ontwikkeld genaamd single-cell Hierarchical Progressive Learning (scHPL). Deze methode maakt het mogelijk om celplattegronden samen te stellen uit verschillende datasets door automatisch relaties tussen cellen te identificeren. Wanneer nieuwe databases beschikbaar komen, kan de plattegrond eenvoudig worden bijgewerkt. Michielsen en collega’s hebben scHPL al toegepast om de kaart van immuuncellen in het bloed op te stellen - een systeem dat in het verleden uitgebreid is bestudeerd met behulp van vooraf gedefinieerde markers. Daarnaast hebben de onderzoekers een kaart samengesteld van verschillende soorten hersencellen, waarvan vele nog geen gangbare naam hebben.
Vergelijking van cellen in gezondheid en ziekte
Zodra de plattegronden voor bepaalde weefsels in kaart zijn gebracht, zal scHPL ze up-to-date houden door automatisch elke cel te identificeren in nieuwe en ongelabelde datasets. Bij hun inspanningen om een uitgebreide atlas van cellen te maken, waarvoor voortdurend nieuwe gegevens worden gegenereerd, zal scHPL dienen als een waardevol hulpmiddel voor onderzoekers om te zorgen voor uniforme celclassificatie. Zodra deze kaarten zijn verfijnd, zal scHPL cellen kunnen vergelijken tussen de gezonde en zieke toestand.
Dit onderzoek is ondersteund door het NWO Gravitatieproject "BRAINSCAPES: A Roadmap from Neurogenetics to Neurobiology" (NWO: 024.004.012) en het Horizon 2020 onderzoeks- en innovatieprogramma van de Europese Unie onder de Marie Skłodowska-Curie subsidieovereenkomst nr. 861190 (PAVE).
Lees de originele artikel.