In elke cel van het menselijk lichaam bevindt zich een constellatie van eiwitten. Miljoenen van hen. Ze worstelen allemaal, terwijl ze worden geassembleerd, gevouwen, verpakt, verzonden, gesneden en snel gerecycled tot een bijenkorf van activiteit die in een razend tempo werkt om ons in leven en energie te houden.
Maar zonder een volledige inventaris van het eiwituniversum in onze cellen, staan wetenschappers onder grote druk om in te schatten wat er op moleculair niveau misgaat in ons lichaam dat tot ziekte leidt.
Nu hebben onderzoekers een nieuwe techniek ontwikkeld die gebruik maakt van Kunstmatige intelligentie Om gegevens van microscopische afbeeldingen van afzonderlijke cellen en biochemische analyses te assimileren, om een ”uniforme kaart” van cellulaire componenten te maken – waarvan de helft, zo blijkt, we nog nooit eerder hebben gezien.
“Wetenschappers erkennen al lang dat er meer is dat we niet weten dan we weten, maar we hebben nu een manier om dieper te kijken,” Hij zegt Computerwetenschapper en netwerkbioloog Trey Edecker van de University of California (UC) San Diego.
Microscopen, hoewel krachtig, stellen wetenschappers in staat om in afzonderlijke cellen te kijken, tot op het niveau van organellen zoals mitochondriën, de energiepakketten van cellen, en ribosomen, de eiwitfabrieken. We kunnen zelfs fluorescerende kleurstoffen toevoegen om eiwitten gemakkelijk te markeren en te volgen.
Biochemische technieken kunnen nog dieper gaan, enkelvoudige eiwitten aanscherpen met bijvoorbeeld gerichte Antilichamen Dat bindt het eiwit, haalt het uit de cel en ziet waar het nog meer aan hecht.
Het integreren van deze twee benaderingen is een uitdaging voor celbiologen.
“Hoe overbrug je deze kloof van de nanometerschaal naar de micronschaal? Het is altijd een enorme hindernis geweest in de biologische wetenschappen,” leg uit Edeker.
“Het blijkt dat je dit kunt doen met AI – naar gegevens uit meerdere bronnen kijken en het systeem vragen om het samen te voegen tot een celmodel.”
Het resultaat: Edeker en collega’s bladerden tekstboekkaarten van bolvormige cellen die ons een panoramisch beeld geven van snoepkleurige organellen in een complex netwerk van eiwit-eiwit-interacties, gereguleerd door de kleine ruimtes ertussen.
Klassieke dwarsdoorsnede van eukaryoten. (Mariana Ruiz / LadyOfficials / Wikimedia)
Integratie van beeldgegevens uit een bibliotheek genaamd de Human Protein Atlas en bestaande kaarten van eiwitinteracties, machine learning Het algoritme was belast met het berekenen van de afstanden tussen eiwitparen.
Het doel was om de gemeenschappen van eiwitten, aggregaten genaamd, te identificeren die naast elkaar bestaan in cellen op verschillende schalen, van zeer klein (<50 nm) tot zeer 'groot' (meer dan 1 m).
Een verlegen populatie van 70 eiwitgemeenschappen werd geclassificeerd door het algoritme, dat werd getraind met behulp van een referentiebibliotheek van eiwitten met bekende of geschatte diameters, en gevalideerd door verdere experimenten.
De helft van de geïdentificeerde eiwitcomponenten lijkt de wetenschap onbekend en is volgens de onderzoekers nooit gedocumenteerd in de gepubliceerde literatuur. Voorstellen.
In de mix vormde een groep eiwitten een onbekende structuur, waarvan de onderzoekers concludeerden dat dit hoogstwaarschijnlijk verantwoordelijk is Connectiviteit en het hakken van nieuwe kopieën van de genetische code die wordt gebruikt om eiwitten te maken.
Andere eiwitten die in kaart werden gebracht, waren onder meer transmembraantransportsystemen die voorraden in en uit cellen pompen, families van eiwitten die helpen bij het organiseren van megaloblasten en eiwitcomplexen waarvan het de taak is om meer eiwitten te maken.
Het is niet de eerste keer dat wetenschappers met zoveel moeite proberen de innerlijke werking van menselijke cellen in kaart te brengen.
Andere inspanningen resulteerden in het maken van referentiekaarten van eiwitinteracties Eveneens verbijsterende cijfers en probeer Eiwitgehalte meten door de weefsels van het menselijk lichaam.
Onderzoekers hebben ook technieken ontwikkeld om de interactie en beweging van eiwitten in cellen te visualiseren en te volgen.
Deze pilotstudie gaat verder door machine learning toe te passen op celmicroscopiebeelden die eiwitten identificeren in relatie tot grote cellulaire oriëntatiepunten zoals de kern, en gegevens van eiwitinteractiestudies die de dichtstbijzijnde nanoburen van eiwitten identificeren.
“De combinatie van deze technieken is uniek en krachtig omdat het de eerste keer is dat metingen van enorm verschillende schalen zijn gecombineerd,” Hij zegt Bio-informaticawetenschapper Yu Chen, ook van de Universiteit van Californië, San Diego.
Door dit te doen, verhoogt de Multi-Scale Integrated Cell Technology, of MuSIC, “de beeldresolutie terwijl het eiwitinteracties een ruimtelijke dimensie geeft, wat de weg vrijmaakt voor het opnemen van verschillende soorten gegevens in celkaarten op eiwitniveau”, Chen, Edker en collega’s schrijven.
Voor alle duidelijkheid: dit onderzoek is zeer voorlopig: het team concentreerde zich op het valideren van hun methode en onderzocht alleen beschikbare gegevens van 661 eiwitten in een enkel celtype, de niercellijn die wetenschappers al vijf decennia in het laboratorium kweken.
De onderzoekers zijn van plan hun nieuwe methode toe te passen op andere celtypen, Hij zegt Edeker.
Maar in de tussentijd moeten we nederig accepteren dat we slechts indringers zijn in onze cellen, in staat om een klein deel van het geheel te begrijpen. eiwit.
“Uiteindelijk kunnen we de moleculaire basis van veel ziekten beter begrijpen door te vergelijken wat er anders is tussen gezonde en zieke cellen,” Hij zegt Edeker.
De studie is gepubliceerd in de natuur temperen.
“Reisliefhebber. Onruststoker. Popcultuurfanaat. Kan niet typen met bokshandschoenen aan.”