توالی یابی تمام RNA موجود در یک سلول می تواند اطلاعات زیادی را در مورد عملکرد آن سلول و آنچه که در یک زمان معین انجام می دهد را نشان دهد. با این حال، فرآیند توالی یابی سلول را از بین می برد و مطالعه تغییرات مداوم در بیان ژن را دشوار می کند.
یک رویکرد جایگزین توسعه یافته در MIT ممکن است به محققان این امکان را بدهد که چنین تغییراتی را در مدت زمان طولانی دنبال کنند. روش جدید که مبتنی بر یک تکنیک تصویربرداری غیرتهاجمی است که به نام طیف‌سنجی رامان شناخته می‌شود، به سلول‌ها آسیبی نمی‌رساند و می‌توان آن را به طور مکرر انجام داد.
با استفاده از این تکنیک، محققان نشان دادند که می‌توانند سلول‌های بنیادی جنینی را که طی چند روز به چندین نوع سلول دیگر تمایز می‌یابند، تماشا کنند. این تکنیک می تواند مطالعات درازمدت فرآیندهای سلولی مانند پیشرفت سرطان یا رشد جنینی را امکان پذیر کند و روزی می تواند برای تشخیص سرطان و سایر بیماری ها مورد استفاده قرار گیرد.
پیتر سو، استاد مهندسی بیولوژیکی و مکانیک در MIT، مدیر لیزر گفت: با تصویربرداری رامان، می‌توانید زمان‌های بسیار بیشتری را اندازه‌گیری کنید، که ممکن است برای مطالعه بیولوژی سرطان، زیست‌شناسی رشد و تعدادی از بیماری‌های دژنراتیو مهم باشد. در مرکز تحقیقات بیومدیکال MIT و یکی از نویسندگان مقاله.
Koseki Kobayashi-Kirschwink، محقق فوق دکتری در MIT و موسسه Broad از هاروارد و MIT، نویسنده اصلی این مطالعه است که امروز در بیوتکنولوژی های طبیعی نویسندگان اصلی مقاله توماسو بیانکلانی، سابقاً از مؤسسه براد هستند. ژیان شو، استادیار دانشکده پزشکی هاروارد و عضو وابسته موسسه براد؛ و Aviv Regev، معاون اجرایی در Genentech Research and Early Development، که از سمت تدریس در مؤسسه Broad و گروه زیست شناسی MIT کنار گذاشته شده است.
تصویربرداری بیان ژن
طیف‌سنجی رامان یک تکنیک غیرتهاجمی است که ترکیب شیمیایی بافت‌ها یا سلول‌ها را با تابش نور مادون قرمز نزدیک یا مرئی به آنها نشان می‌دهد. مرکز تحقیقات بیومدیکال لیزری MIT از سال 1985 روی طیف‌سنجی رامان زیست‌پزشکی کار کرده است و اخیراً So و سایرین در این مرکز تکنیک‌هایی را بر اساس طیف‌سنجی رامان توسعه داده‌اند که می‌توان از آنها استفاده کرد. مبتلا به سرطان سینه تشخیص داده شده است یا اندازه گیری قند خون.
با این حال، طیف‌سنجی رامان به تنهایی برای تشخیص سیگنال‌هایی به کوچکی تغییرات در سطوح تک تک مولکول‌های RNA حساس نیست. برای اندازه‌گیری سطوح RNA، دانشمندان معمولاً از تکنیکی به نام توالی‌یابی RNA تک سلولی استفاده می‌کنند که می‌تواند ژن‌هایی را که در انواع مختلف سلول‌های یک نمونه بافتی فعال هستند، آشکار کند.
در این پروژه، تیم MIT با آموزش یک مدل محاسباتی برای ترجمه سیگنال‌های رامان به حالت‌های بیان RNA، به دنبال ترکیب مزایای توالی‌یابی RNA تک سلولی و طیف‌سنجی رامان بود.
توالی یابی RNA اطلاعات بسیار دقیقی را به شما می دهد، اما مخرب است. رامان غیر تهاجمی است، اما چیزی در مورد RNA به شما نمی گوید. بنابراین ایده این پروژه استفاده از یادگیری ماشینی برای ترکیب قدرت این دو روش بود، در نتیجه به شما این امکان را می‌دهد که پویایی پروفایل‌های بیان ژن در سطح سلول فردی را در طول زمان درک کنید.»
محققان برای تولید داده‌هایی برای آموزش مدل خود، سلول‌های فیبروبلاست موش، نوعی سلول پوست، را با عواملی که سلول‌ها را برای تبدیل شدن به سلول‌های بنیادی پرتوان برنامه‌ریزی مجدد می‌کنند، درمان کردند. در طی این فرآیند، سلول‌ها می‌توانند به چندین نوع سلول دیگر از جمله سلول‌های عصبی و اپیتلیال تبدیل شوند.
محققان با استفاده از طیف‌سنجی رامان، سلول‌ها را در 36 نقطه زمانی در مدت 18 روز در حین تمایز تصویربرداری کردند. پس از گرفتن هر تصویر، محققان هر سلول را با استفاده از هیبریداسیون درجا فلورسانس تک مولکولی (smFISH) تجزیه و تحلیل کردند که می‌تواند برای تجسم مولکول‌های RNA خاص در داخل سلول استفاده شود. در این مورد، آنها به دنبال مولکول‌های RNA بودند که نه ژن مختلف را رمزگذاری می‌کردند که الگوهای بیان آنها بین انواع سلول‌ها متفاوت است.
سپس این داده های smFISH می توانند به عنوان پیوندی بین داده های تصویربرداری رامان و داده های توالی یابی RNA تک سلولی عمل کنند. برای ایجاد این ارتباط، محققان ابتدا یک مدل یادگیری عمیق را آموزش دادند تا بیان این 9 ژن را بر اساس تصاویر رامان به دست آمده از این سلول ها پیش بینی کند.
آنها سپس از یک برنامه محاسباتی به نام Tangram که قبلاً در مؤسسه Broad توسعه یافته بود، استفاده کردند تا الگوهای بیان ژن smFISH را با پروفایل های گسترده ژنومی که با انجام توالی یابی RNA تک سلولی روی سلول های نمونه به دست آورده بودند، مرتبط کند.
سپس محققان این دو مدل محاسباتی را در مدلی به نام Raman2RNA ترکیب کردند که می‌تواند پروفایل ژنومی کامل سلول‌های منفرد را بر اساس تصویربرداری رامان از سلول‌ها پیش‌بینی کند.
ردیابی تمایز سلولی
محققان الگوریتم Raman2RNA خود را با ردیابی سلول‌های بنیادی جنینی موش در حین تمایز به انواع سلول‌های مختلف آزمایش کردند. آنها چهار بار در روز به مدت سه روز از سلول ها تصاویر رامان گرفتند و از مدل محاسباتی خود برای پیش بینی نمایه های بیان RNA مربوطه هر سلول استفاده کردند که با مقایسه آن با اندازه گیری های توالی RNA تأیید شد.
با استفاده از این رویکرد، محققان توانستند انتقال‌هایی را که در سلول‌های منفرد رخ می‌دهد، هنگام تمایز سلول‌های بنیادی جنینی به انواع سلول‌های بالغ‌تر مشاهده کنند. آنها همچنین نشان دادند که می‌توانند تغییرات ژنومی را که هنگام برنامه‌ریزی مجدد فیبروبلاست‌های موش به سلول‌های بنیادی پرتوان القایی در یک دوره دو هفته‌ای رخ می‌دهد، ردیابی کنند.
So می‌گوید: «این نشان می‌دهد که تصویربرداری نوری اطلاعات بیشتری به شما می‌دهد که به شما امکان می‌دهد مستقیماً اصل و نسب سلول‌ها و تکامل رونویسی آنها را ردیابی کنید.
اکنون محققان قصد دارند از این تکنیک برای مطالعه سایر انواع جمعیت سلولی که در طول زمان تغییر می کنند، مانند سلول های پیر و سلول های سرطانی استفاده کنند. آنها در حال حاضر با سلول های رشد یافته در یک ظرف آزمایشگاهی کار می کنند، اما در آینده امیدوارند این رویکرد را به عنوان یک تشخیص بالقوه برای استفاده در بیماران توسعه دهند.
یکی از بزرگترین مزایای رامان این است که روشی بدون برچسب است. جئون ونگ کانگ، محقق MIT که یکی از نویسندگان این مطالعه است، می گوید: این بسیار دور است، اما این پتانسیل برای ترجمه انسانی دارد که نمی توان با استفاده از تکنیک های تهاجمی پروفایل ژنومی موجود انجام داد.
این تحقیق توسط انجمن ژاپن برای ترویج علم کمک هزینه تحصیلی پسا دکتری برای محققان خارج از کشور، بنیاد نایتو در خارج از کشور، بورسیه MathWorks، بنیاد هلن هی ویتنی، مؤسسه ملی بهداشت ایالات متحده، مؤسسه ملی تصویربرداری زیست پزشکی ایالات متحده تأمین شده است. و مهندسی زیستی، HubMap، موسسه پزشکی هاوارد هیوز، و رصدخانه سلولی کلارمن.
