رمزگشایی cell–cell communication با کمک داده‌های ترانسکریپتومیکس

ارتباط بین سلول‌ها در مقیاس ژنوم و بافت

ارتباط سلول-سلول نامنظم یا اصطلاحا Dysregulated cell-cell communication ویژگی بارز بسیاری از فنوتیپ‌های بیماری است. پیشرفت‌های اخیر در حوزه‌های ترانسکریپتومیکس و رویکردهای محاسباتی، اکنون امکان مطالعه ارتباط بین سلول‌ها در مقیاس ژنوم و بافت را فراهم کرده است. با این حال، بیشتر ابزارهای استنتاج ارتباط سلول-سلول موجود، هنگام تجزیه و تحلیل داده‌های نمونه‌ها و شرایط مختلف، با محدودیت‌هایی مواجه هستند. محدودیت اصلی این ابزارها، عدم بررسی کافی ناهمگونی بین نمونه‌ها است (inter-sample heterogeneity adequately) که می‌تواند منجر به استنتاج‌های نادرست شود. این موضوع به‌ویژه در تجزیه و تحلیل مجموعه داده‌های scRNA-seq گروه‌های انسانی اهمیت پیدا می‌کند و مقایسه افراد سالم و بیمار را پیچیده‌تر می‌سازد. امروز قصد داریم مقاله‌ی Robin Browaeys و همکارانش را بررسی کنیم. مقاله‌ای که در آن یک چارچوب جدید (MultiNicheNet) برای تجزیه و تحلیل  ارتباط سلول-سلول از داده‌های رونویسی تک سلولی چند نمونه‌ای و چند شرطی ارائه کرده‌اند.

اهداف MultiNicheNet با کمک داده‌های ترانسکریپتومیکس

اهداف اصلی MultiNicheNet عبارتند از استنباط جفت‌های لیگاند-گیرنده با بیان متفاوت و فعال بین شرایط مختلف و پیش‌بینی ژن‌های هدف پایین‌دست این جفت‌ها. پیش‌تر و در پست “آنالیز Single cell و کشف رازهای آنمی آپلاستیک” با اهمیت تحلیل داده‌های سینگل‌سل و داده‌های ترانسکریپتومیکس آشنا شدیم. برای دستیابی به این اهداف، MultiNicheNet نیز از الگوریتم‌های پیشرفته برای تحلیل بیان افتراقی در داده‌های scRNA-seq چند نمونه‌ای استفاده می‌کند. به این ترتیب، کاربران قادر خواهند بود ارتباطات سلول-سلول افتراقی را تجزیه و تحلیل کنند و در عین حال ناهمگونی بین نمونه‌ها را به‌طور مناسب در نظر بگیرند. طرح‌های آزمایشی پیچیده چندعاملی را مدیریت کنند و اثرات دسته‌ای و متغیرهای کمکی را اصلاح نمایند. علاوه بر این، MultiNicheNet از NicheNet-v2، نسخه جدید و بهبود یافته مدل شبکه لیگاند-گیرنده و مدل دانش قبلی لیگاند-هدف NicheNet، استفاده می‌کند.

پتانسیل MultiNicheNet در مقابل داده‌های ترانسکریپتومیکس

این تیم MultiNicheNet را بر روی داده‌های گروهی بیماران از چندین بیماری مختلف اعمال کردند. در این بیماری‌ها، MultiNicheNet فرآیندهای سیگنالینگ سلول-سلول نابهنجار شناخته‌شده و جدیدی را کشف کرده است. این تیم پتانسیل MultiNicheNet را برای انجام وظایف تحلیلی پیچیده نشان دادند، مانند بررسی تفاوت‌های بین گروهی و درون‌گروهی در دینامیک ارتباط سلول-سلول در پاسخ به درمان. با توجه به پیش‌بینی افزایش داده‌های scRNA-seq چند نمونه‌ای به دلیل پیشرفت‌های تکنولوژیکی و تلاش‌های گسترده برای یکپارچه‌سازی اطلس‌ها، انتظار می‌رود که MultiNicheNet ابزاری ارزشمند برای کشف تفاوت‌ها در ارتباط سلول-سلول بین حالت‌های سالم و بیمار باشد.

مطالعه تعاملات بین سلولی

هماهنگی دقیق بین سلول‌های مختلف ضروری است. در نتیجه، اختلال در تنظیم ارتباط سلول-سلول می‌تواند منجر به بروز فنوتیپ‌های بیماری‌زا شود. بنابراین، مطالعه تعاملات بین سلولی برای درک بهتر زیست‌شناسی بنیادی بافت و پاتوفیزیولوژی بیماری‌ها ضروری است. پیشرفت‌های اخیر در فناوری‌های رونویسی تک‌سلولی و فضایی، فرصت‌هایی را برای پاسخ‌گویی به این نیاز فراهم کرده‌اند؛ این فناوری‌ها توانایی تولید پروفایل‌های مولکولی از سلول‌های موجود درون یک بافت را دارند. با این حال، رمزگشایی ارتباطات سلول-سلول از این داده‌ها نیازمند رویکردهای تحلیلی اختصاصی است.

توسعه ابزارهای محاسباتی

در نتیجه، ابزارهای محاسباتی متعددی برای این منظور توسعه یافته‌اند. بیشتر این ابزارها با پیش‌بینی تعاملات پروتئینی بین جفت‌های لیگاند-گیرنده در میان خوشه‌های سلولی(که معمولاً به عنوان انواع سلول برچسب‌گذاری می‌شوند) یا سلول‌های منفرد، ارتباط سلول-سلول را استنباط می‌کنند. در این روش، ابتدا تخمین می‌زنند که کدام لیگاندها توسط یک نوع سلول (فرستنده) و کدام گیرنده‌ها توسط نوع دیگر (گیرنده) بیان می‌شوند. سپس، در صورتی که برهم‌کنشی میان لیگاند و گیرنده در پایگاه داده‌ای از جفت‌های شناخته‌شده وجود داشته باشد، این دو به یکدیگر پیوند داده می‌شوند. تفاوت ابزارهای مختلف استنتاج لیگاند-گیرنده، عمدتاً در نوع پایگاه داده استفاده‌شده و روش‌های آماری به‌کاررفته برای محاسبه احتمال برهم‌کنش بر اساس سطوح بیان ژن است.

معرفی برخی از ابزارها

برای مثال، ابزارهایی مانند CellPhoneDB و CellChat از رویکردهای جایگشتی برای اولویت‌بندی تعاملات بر اساس ویژگی‌های نوع سلول استفاده می‌کنند. این ابزارها اگرچه نمای کلی جامعی از جفت‌های بیان‌شده لیگاند-گیرنده ارائه می‌دهند، اما معمولاً فهرست گسترده‌ای از تعاملات را بازمی‌گردانند. این موضوع، تعیین برهم‌کنش‌های کلیدی در یک سیستم زیستی خاص را دشوار می‌سازد. از سوی دیگر، بیان هم‌زمان لیگاند و گیرنده در سطح RNA الزاماً به معنای برهم‌کنش فیزیکی میان آن‌ها نیست. همچنین، این ابزارها ممکن است تعاملاتی را که به‌طور ضعیف بیان می‌شوند یا اختصاصی یک نوع سلول خاص نیستند، نادیده بگیرند.

معرفی NicheNet 

>این تیم پیش‌تر ابزار NicheNet را معرفی کردند که با ترکیب داده‌های بیان سلولی و یک مدل از پتانسیل تنظیمی لیگاند-هدف، ژن‌های هدف تحت تأثیر پایین‌دست جفت‌های بیان‌شده لیگاند-گیرنده را پیش‌بینی می‌کند. برخلاف ابزارهایی که جفت‌های لیگاند-گیرنده را بر اساس اختصاصیت نوع سلول اولویت‌بندی می‌کنند، NicheNet بر اساس غنی‌سازی اهداف پیش‌بینی‌شده در نوع سلول گیرنده (اصطلاحاً فعالیت لیگاند) این جفت‌ها را اولویت‌بندی می‌کند. فعالیت بالای یک لیگاند نشان می‌دهد که این مولکول نه‌تنها بیان شده، بلکه از نظر عملکردی نیز با گیرنده‌اش برهم‌کنش دارد؛ بنابراین، این جفت می‌تواند تعامل حیاتی در فرآیند زیستی مورد نظر باشد. از دیگر مزایای NicheNet، توانایی آن در ارائه فرضیه‌هایی درباره اثرات عملکردی تعاملات لیگاند-گیرنده بر نوع سلول گیرنده است (یعنی پیش‌بینی ژن‌های هدف القاشده).

محدودیت‌های NicheNet 

با همه این وجود، کیفیت پیش‌بینی‌های NicheNet وابستگی شدیدی به صحت دانش پیشینی دارد که برای پیوند جفت‌های لیگاند-گیرنده به ژن‌های هدف آن‌ها استفاده می‌شود. اگر پژوهشگران اثرات سیگنال‌دهی را از آزمایش‌هایی به‌دست آورند که روی نوع یا زمینه‌ی سلولی متفاوتی نسبت به نمونه‌ی مورد نظر کاربر انجام شده‌اند، ممکن است این اطلاعات باعث تولید پیش‌بینی‌های مثبت کاذب شوند. همچنین، پیش‌بینی‌های منفی کاذب ممکن است برای جفت‌هایی رخ دهند که به‌خوبی مطالعه نشده‌اند و دانش اندکی درباره اثرات پایین‌دستی آن‌ها وجود دارد.

با این حال، ارزیابی‌های قبلی این تیم نشان می‌دهند که NicheNet قادر است لیگاندهای فعال را بر اساس امضای بیان ژن مشاهده‌شده پس از تحریک در شرایط آزمایشگاهی به‌دقت پیش‌بینی کند. اگرچه ارزیابی سیستماتیک دقت این پیش‌بینی‌ها در شرایط درون‌تنی (in vivo) دشوارتر است، اما چندین مطالعه، اعتبار تجربی برخی از پیش‌بینی‌های مهم NicheNet را در شرایط in vivo نیز تأیید کرده‌اند.

محدودیت‌ها

اگرچه رویکردهای ذکرشده دارای محدودیت‌هایی هستند، اما تاکنون با موفقیت برای مطالعه‌ی ارتباطات سلولی در حالت پایدار و نیز بررسی تفاوت‌های ارتباطی بین شرایط مختلف مورد استفاده قرار گرفته‌اند. مشابه با کاربرد این ابزارها در تحلیل داده‌های حالت پایدار، نتایج آن‌ها در زمینه‌ی استنتاج ارتباط سلول-سلول تفاضلی نیز نیازمند تفسیر متفاوتی است. دسته‌ی اول روش‌ها، جفت‌های لیگاند-گیرنده‌ای را بازمی‌گردانند که یکی یا هر دو عضو آن‌ها به‌طور تفاضلی بین شرایط بیان می‌شوند (DE). با این حال، همان‌طور که پیش‌تر ذکر شد، بیان تفاضلی RNA لزوماً به‌معنای فعالیت تفاضلی تعامل در سطح عملکردی نیست.

در مقابل، ابزار NicheNet تعاملات لیگاند-گیرنده‌ای را پیش‌بینی می‌کند که از لحاظ عملکردی «تفاضلی فعال» هستند، به این معنا که شواهدی بر اساس دانش قبلی وجود دارد که نشان می‌دهد این تعاملات می‌توانند به‌عنوان عوامل بالادست ژن‌های DE در نوع خاصی از سلول‌های گیرنده عمل کنند. این ویژگی به NicheNet امکان می‌دهد تعاملاتی را شناسایی کند که ممکن است خودشان DE نباشند، اما از نظر عملکردی فعال باشند—هرچند این موضوع می‌تواند به اولویت‌بندی اشتباه برخی تعاملات غیر-DE منجر شود، به‌ویژه اگر مسیر سیگنالینگ آن‌ها با تعاملات DE واقعی همپوشانی داشته باشد.

با اینکه جفت‌های لیگاند-گیرنده لزوماً نباید به‌صورت DE باشند تا تفاوت عملکردی داشته باشند، ترکیب اطلاعات DE می‌تواند به کاهش مثبت‌های کاذب و محدود کردن فهرست تعاملات کاندیدا برای اعتبارسنجی تجربی کمک کند. بنابراین، استنباط ارتباطات سلول-سلول به‌صورت افتراقی با تمرکز بر جفت‌های فعال و بیان‌شده‌ی لیگاند-گیرنده، یک استراتژی تحلیلی قدرتمند و هیجان‌انگیز محسوب می‌شود. در حال حاضر، تنها ابزارهایی که از چنین تحلیلی به‌صورت نرم‌افزاری پشتیبانی می‌کنند، Scriabin و نسخه‌ی توسعه‌یافته‌ی اخیر NicheNet هستند.

جمع‌بندی و رفرنس

با گسترش پروژه‌هایی همچون اطلس سلول انسانی که مجموعه‌های داده‌ای گسترده‌ای شامل چندین نمونه‌ی سالم و بیمار از بافت‌های متنوع فراهم می‌آورند، توسعه‌ی ابزارهایی که بتوانند منبع نمونه و متغیرهای بالینی را در تحلیل ارتباط سلول-سلول لحاظ کنند، ضروری است. کاربردهای MultiNicheNet نشان می‌دهند که این ابزار هم می‌تواند اطلاعات زیستی شناخته‌شده را بازسازی کند و هم فرضیه‌های تازه‌ای ارائه دهد؛ برای مثال، می‌تواند زیرگروه‌های جدیدی از بیماران را شناسایی کند و راهکار جدیدی برای دسته‌بندی بیماران در مطالعات گروهی ارائه دهد. بنابراین، MultiNicheNet یک روش تحلیلی قدرتمند، انعطاف‌پذیر و با دامنه‌ی کاربرد وسیع برای تحلیل ارتباط سلول–سلول افتراقی از داده‌های تک‌سلولی چند نمونه‌ای چند شرطی است. برای مطالعه مقاله‌ی مرتبط با این ابزار بر روی این لینک کلیک کنید.