Soms weet je pas wat je zoekt als je het vindt; en dit geldt vooral als het gaat om de enorme datasets die kunnen worden gegenereerd met behulp van moderne sequencing-technieken. Nu rapporteren onderzoekers uit Japan de ontwikkeling van een statistisch raamwerk dat onbevooroordeelde extractie van biologisch relevante cel-celcommunicatie uit een zee van ruimtelijke genexpressiegegevens kan uitvoeren.

In een in september gepubliceerde studie in Bioinformatics , hebben onderzoekers van de Universiteit van Tsukuba onthuld dat een nieuwe statistische analysemethode nauwkeurig cel-celcommunicatie kan identificeren die genexpressie op eencellig niveau beïnvloedt.

Communicatie tussen cellen reguleert genexpressie op manieren die cruciaal zijn voor de normale functie en de ontwikkeling van de ziekte. Hoewel eencellige RNA-sequencing en ruimtelijk opgeloste transcriptomics enig inzicht kunnen geven in deze communicatie, hebben de huidige methoden voor het analyseren van dit soort gegevens enkele belangrijke beperkingen.

"De meeste bestaande statistische analysemethoden houden geen rekening met de ruimtelijke organisatie van cellen in een orgaan dat uit verschillende celtypen bestaat", zegt universitair hoofddocent Haruka Ozaki, senior auteur van het onderzoek. "De locatie van cellen, het aantal cellen en de celtypen in de buurt beïnvloeden echter de genexpressie in aangrenzende cellen."

Om deze complexiteit vast te leggen, creëerden de onderzoekers een statistisch raamwerk genaamd CCPLS (Cell-Cell Communications analysis by Partial Least Square regression modeling) dat ruimtelijke genexpressiegegevens analyseert met een resolutie van één cel. Het doel van dit systeem was om de invloed van aangrenzende celtypen op cel-tot-cel variabiliteit in genexpressie te identificeren en te kwantificeren.

"We hebben CCPLS voor het eerst toegepast op een gesimuleerde dataset en ontdekten dat het de effecten van meerdere aangrenzende celtypen op genexpressie nauwkeurig schatte", zegt universitair hoofddocent Ozaki. "Vervolgens pasten we het systeem toe op een real-world dataset en toonden we aan dat astrocyten de differentiatie van oligodendrocytprecursorcellen tot oligodendrocyten bevorderen, wat consistent is met eerdere muisexperimenten."

Vervolgens werd CCPLS toegepast op een andere real-world dataset met genexpressiegegevens van negen verschillende celtypen die in de dikke darm worden gevonden. De analyse toonde aan dat de ontwikkeling van epitheelcellen van onrijpe B-cellen plaatsvindt door communicatie met IgA B-cellen, wat niet eerder is gemeld.

"Onze bevindingen tonen aan dat CCPLS kan worden gebruikt om biologisch relevante inzichten over cel-celcommunicatie te extraheren uit complexe datasets", zegt professor Ozaki.

Aangezien CCPLS beter presteerde dan een bestaand statistisch raamwerk bij het identificeren van variabiliteit van genexpressie die wordt gereguleerd door cel-celcommunicatie, is het waarschijnlijk dat het in de toekomst een zeer nuttig hulpmiddel zal zijn voor datasetanalyse. Het kan bijzonder effectief zijn voor het onderzoeken van medicijndoelen en in gevallen waarin celrangschikking veranderingen in genexpressie veroorzaakt. + Verder verkennen

Wiskundige methoden voor het analyseren van eencellige transcriptomische gegevens