Die zelluläre Kommunikation entschlüsseln: Wie KI unser Verständnis der Zellentwicklung revolutioniert

Die Entschlüsselung der Embryonalentwicklung: Durchbruch von MIT-Forschern

Embryonale Zellen, die ursprünglich lediglich Stammzellen sind, übernehmen im Laufe ihrer Entwicklung jeweils individuelle Funktionen. Sie beginnen sich zu differenzieren und wandeln sich in verschiedene Zelltypen um, wie beispielsweise Gehirn-, Leber- oder Muskelzellen. Diese Veränderungen führen zum Aufbau dreidimensionaler Strukturen wie Gewebe und Organe. Das Schicksal jeder Zelle, einschließlich ihrer spezifischen Spezialisierung, wird durch die Aktivierung oder Stilllegung bestimmter Gene gesteuert. Diese Muster der Genaktivität prägen dann die Struktur und Funktion der Zelle und ermöglichen es ihr, eine einzigartige Rolle im Körper zu übernehmen.

Dieser Prozess ist jedoch keineswegs ein einsamer Vorgang. Zellen kommunizieren ständig miteinander und tauschen chemische Signale mit ihren Nachbarn aus. Dies hilft ihnen, ihre Umgebung einzuschätzen, ihren Entwicklungsstand zu erkennen und sich auf ihr endgültiges Schicksal vorzubereiten. Dazu werden Botschaften über Signalwege übertragen – eine Abfolge von Schritten, die externe Signale in Veränderungen der Genaktivität innerhalb der Zelle umwandeln.

Ein neuer Ansatz zur Kartierung von Signalwegen

Für Wissenschaftler ist die Entschlüsselung dieser komplexen Sprache der Zellen der Schlüssel zum Verständnis der Entwicklung von Geweben und Krankheiten sowie zur Behebung von Funktionsstörungen. Doch diese Entschlüsselung stellte bislang eine große Herausforderung dar, da allgemein angenommen wurde, dass sich die Auswirkungen von Signalwegen je nach Zelltyp erheblich unterscheiden. Aufgrund dieser vermeintlichen Variabilität hielt man es für notwendig, für jeden Zelltyp separate Karten zu erstellen – eine mühsame und komplexe Aufgabe.

Jüngste Durchbrüche von Forschern des MIT deuten jedoch darauf hin, dass dieser Prozess möglicherweise nicht so mühsam ist, wie wir bisher angenommen haben. Eine von Pulin Li und dem Doktoranden Nicholas Hutchins geleitete Studie ergab, dass jeder Signalweg einen einzigartigen ‘Fingerabdruck’ hinterlässt – ein charakteristisches Muster der Genaktivität, das Hinweise auf die Signale liefert, denen eine Zelle ausgesetzt war. Bemerkenswerterweise sind diese Fingerabdrücke für denselben Signalweg über verschiedene Zelltypen hinweg konsistent. Dank dieser Konsistenz können Wissenschaftler nun diese signalwegspezifischen Fingerabdrücke nutzen, um Signalwege über mehrere Zelltypen hinweg zu rekonstruieren, wodurch einzelne Kartierungen entfallen.

IRIS: Einsatz von KI für zellbiologische Untersuchungen

Diese bahnbrechende Entdeckung wurde durch ein Modell des maschinellen Lernens namens IRIS ermöglicht. IRIS ist so ausgefeilt, dass es unterschiedliche „Fingerabdrücke“ von Signalwegen erkennen und die Signale bestimmen kann, die eine Zelle in verschiedenen Entwicklungsstadien empfangen hat – selbst bei bisher unerforschten Zelltypen. Diese Technologie stellt einen bedeutenden Fortschritt gegenüber herkömmlichen Methoden dar, bei denen jede mögliche Signalroute in jedem Zelltyp experimentell untersucht werden musste. Sie eröffnet völlig neue Möglichkeiten für eine umfassende Kartierung der Signalverläufe jeder einzelnen Zelle in einem Maus- oder menschlichen Embryo in einem bisher unerreichten Ausmaß.

Die Ergebnisse der Forscher, die in der renommierten Fachzeitschrift Nature Methods Wie in der Fachzeitschrift beschrieben, könnte dies die Entwicklung von Stammzellen für die regenerative Medizin erheblich beschleunigen. Außerdem könnte dies zu Fortschritten bei der Erzeugung von Organoiden führen – winzigen 3D-Modellen echter Organe, die zur Erforschung von Krankheiten und für Arzneimitteltests entwickelt werden. Die Identifizierung der Signalmuster, die eine Stammzelle dazu veranlassen, sich zu einem bestimmten Zelltyp zu entwickeln, könnte Forschern dabei helfen, das Schicksal von Stammzellen sowohl im Labor als auch im medizinischen Kontext zu steuern.

IRIS, ein auf neuronalen Netzen basierendes Modell, ist ein KI-gesteuertes System, das entwickelt wurde, um Muster in komplexen Daten zu erkennen – ähnlich wie unser Gehirn Muster entschlüsselt. Es betrachtet die gesamte Genaktivität einer Zelle und schätzt die Signalwege ab, die während der Entwicklung wahrscheinlich aktiv sind. Die Forscher trainierten IRIS anhand eines umfangreichen Datensatzes und erfassten dabei, wie Tausende menschlicher embryonaler Stammzellen in verschiedenen Stadien auf Kombinationen von sechs Hauptsignalwegen reagierten. Dieses Training führte zur Erstellung einer umfassenden Karte, die widerspiegelt, wie Signalkombinationen das Zellverhalten beeinflussen.

Um einen Einblick in die praktische Anwendung von IRIS zu geben, testete das Team das Verfahren an Einzelzellen aus Mausembryonen während der Gastrulation – einem Stadium, in dem die Zellen rasch beginnen, ihre Rollen zu verteilen. IRIS sagte präzise voraus, wann und wo bestimmte Signalwege in Zellen aktiviert wurden, aus denen später Herz-, Darm-, Muskel- und Rückenmarksgewebe entstehen sollten. Die Variation der Signalmoleküle weist die Zellen an, an den richtigen Stellen die richtigen Strukturen zu bilden.

Die Forscher nutzten IRIS zudem, um die Signale zu identifizieren, die für die Bildung eines für die Lungenentwicklung entscheidenden Zelltyps erforderlich sind. Entsprechend der Vorhersage des Modells bestätigte ein Experiment an Mausembryonen, dass die Stimulation eines bestimmten Signalwegs das lungenspezifische Wachstum förderte. Durch die Identifizierung der genauen Kombinationen von Signalen, die die Entwicklung von Lungenzellen steuern, können Forscher im Labor gezüchtete Modelle von Lungengewebe mit höherer Zuverlässigkeit herstellen.

“IRIS hilft uns dabei, die Sprache zu entschlüsseln, mit der Zellen kommunizieren – und zwar viel schneller, als dies mit herkömmlichen Experimenten realistischerweise möglich wäre”, sagt Hutchins. Er fügt hinzu, dass diese Modelle es Forschern ermöglichen würden, Krankheiten wie Asthma, Lungenkrebs und Lungenfibrose zu untersuchen, bei denen es zu einer Vernarbung des Lungengewebes kommt, oft ohne bekannte Ursache. Solche Modelle können dann genutzt werden, um potenzielle Therapien zu testen und letztendlich dazu beizutragen, regenerative Behandlungsmethoden zu entwickeln, die geschädigtes Gewebe wiederherstellen können.

Technologische Fortschritte begleiten mit implementi.ai könnte Unternehmen dabei helfen, KI-Automatisierung in ihre Abläufe zu integrieren und Wege zu finden, ihr Geschäft grundlegend zu verändern.

Weitere Einzelheiten zu dieser bahnbrechenden Studie finden Sie unter MIT-Nachrichten.