Det går att skapa mikroskopibilder av genaktivitet direkt i vävnaden, med hjälp av så kallad in situ-sekvensering. För att lättare kunna tolka den stora mängden data har forskare vid Uppsala universitet utvecklat en helt ny bildanalysmetod, baserad sig på AI-algoritmer för nätverksanalys – en metod som ursprungligen togs fram för att förstå sociala nätverk.
Vävnaden som bygger upp våra organ består av miljontals celler med olika funktion. Alla celler hos en individ har samma gener (DNA) som finns i cellkärnan. Generna uttrycks genom att molekyler kallade mRNA, eller budbärar-RNA skickas ut från cellkärnan till övriga cellen med information om vad som ska göras. Kombinationen av mRNA definierar på så sätt cellens funktion och identitet.
Svårt se alla detaljer
RNA kan avläsas med hjälp av in situ-sekvensering, en metod som forskare bakom den nya studien tidigare varit med och utvecklat och där miljontals avlästa mRNA syns som prickar i en mikroskopibild av vävnaden. Problemet är att de kan vara svårt att urskilja alla viktiga detaljer. Det är där den nya AI-baserade metoden kan vara till nytta. Med den är det nämligen möjligt att läsa av både funktioner inom en enskild cell och interaktioner mellan celler.
In situ-sekvensering
In situ är latin och betyder ”på plats”. In situ-sekvensering är en metod som kan användas för att lokalisera aktivt budbärar-RNA (mRNA) direkt i vävnadsprover. Budbärar-RNA överför information från generna (dna) i cellkärnan till proteinfabrikerna i cellen. Om man vet vilka gener som är aktiva, det vill säga uttrycks som proteiner, kan man få viktiga ledtrådar om olika sjukdomstillstånd.
– Vi utnyttjar de senaste metoderna inom artificiell intelligens, AI, eller mer specifikt grafbaserade neurala nätverk som utvecklats för att analysera sociala nätverk. Vi anpassar metoden för att förstå biologiska mönster och gradvisa variationer i vävnadsprover. Man kan likna cellerna vid sociala enheter som, liksom grupper av individer, kan definieras utifrån de aktiviteter de delar inom sina sociala nätverk som till exempel twitter, sökningar på google eller val av tv-serier, säger Carolina Wählby, professor vid institutionen för informationsteknologi vid Uppsala universitet.
Tidigare analysmetoder av den här typen av data är beroende av att det redan är känt vilka celltyper som finns i vävnaden och att cellkärnorna i den är identifierade. Metoden som brukar användas kallas singel-cell-analys, men den kan tappa bort en del mRNA och missa vissa celltyper. Trots avancerad automatiserad bildanalys är det ofta svårt att hitta de olika cellkärnorna om till exempel cellerna ligger tätt.
Kan hitta nya celltyper
– Med vår analys, som vi kallar spage2vec, kan vi nu få fram motsvarande resultat utan någon förkunskap om förväntade celltyper och kan dessutom hitta nya celltyper och funktioner inom eller mellan celler i vävnaden, säger Carolina Wählby.
Forskargruppen arbetar nu vidare med sin analysmetod genom att undersöka hur olika celltyper uppstår och organiserar sig under hjärtats tidiga utveckling. Det är ren grundforskning för att öka kunskapen om de mekanismer som styr utvecklingen, både när allt fungerar som det ska och vid sjukdom.
I ett annat projekt som görs tillsammans med cancerforskare hoppas de kunna använda metoderna för att bättre förstå hur tumörvävnad på molekylärnivå interagerar med intilliggande frisk vävnad. Målet är att det på sikt ska kunna leda till bättre behandlingar som anpassas efter varje patient.
Vetenskapliga artikel:
Spage2vec: Unsupervised representation of localized spatial gene expression signatures, (G. Partel, C. Wählby (2020)), The FEBS Journal
Kontakt:
Carolina Wählby, professor vid institutionen för informationsteknologi vid Uppsala universitet, carolina.wahlby@it.uu.se
