W ciągu ostatnich dwóch dekad rozwój technologii umożliwił naukowcom generowanie ogromnych ilości danych biologicznych. Badania w dziedzinie genomiki, transkryptomiki, proteomiki czy cytometrii pozwalają na zebranie olbrzymich ilości informacji z układów komórkowych i wielokomórkowych. Jednak przetworzenie i interpretacja tych danych nie zawsze są proste, zwłaszcza gdy analizujemy złożone systemy, takie jak kaskady interakcji w układzie odpornościowym, który zmaga się z obcym patogenem.
Nowa metoda obliczeniowa
Inżynierowie biologiczni z MIT opracowali nową metodę komputerową, która ułatwia wyciąganie istotnych informacji z takich zestawów danych. Dzięki tej technice badacze byli w stanie rozpracować serię interakcji, które decydują o tym, jak układ odpornościowy reaguje na szczepienie przeciw gruźlicy oraz późniejsze zakażenie.
Douglas Lauffenburger, profesor inżynierii na MIT, zaznacza, że nowa strategia może być nieoceniona zarówno dla twórców szczepionek, jak i dla badaczy zajmujących się złożonymi systemami biologicznymi. „Znaleźliśmy się na etapie, w którym nasz model obliczeniowy umożliwia przewidywanie efektów zakłóceń w bardzo złożonych systemach, obejmujących różne skale i mnogość komponentów” – mówi Lauffenburger.
Modelowanie złożonych systemów
Przy badaniu skomplikowanych systemów biologicznych, takich jak układ odpornościowy, naukowcy mogą pozyskać wiele różnych typów danych. Sekwencjonowanie genomu komórki pozwala ustalić, jakie warianty genów posiada komórka, a analiza transkryptów mRNA pokazuje, które geny są w danej komórce aktywne. Proteomika umożliwia badanie białek obecnych w systemie biologicznym, a cytometria pozwala na kwantyfikację różnych typów komórek.
Z pomocą podejść obliczeniowych, takich jak uczenie maszynowe, badacze mogą trenować modele, które przewidują określone wyniki na podstawie zestawu danych wejściowych – na przykład, czy szczepionka wywoła silną odpowiedź immunologiczną. Jednak to podejście nie dostarcza informacji o tym, co dzieje się pomiędzy wprowadzeniem danych a uzyskanym wynikiem. „To podejście sztucznej inteligencji może być użyteczne w medycynie klinicznej, ale nie jest zbyt przydatne do zrozumienia biologii, ponieważ zazwyczaj interesują nas wszystkie procesy, które dzieją się pomiędzy danymi wejściowymi a wynikami” – wyjaśnia Lauffenburger.
Aby lepiej zrozumieć te mechanizmy, naukowcy zdecydowali się na użycie modelu zwanego probabilistyczną siecią graficzną. Tego typu modele przedstawiają zmienne jako węzły i generują mapy, które pokazują, w jaki sposób te węzły są ze sobą połączone. Choć sieci te są wykorzystywane m.in. w rozpoznawaniu mowy i wizji komputerowej, do tej pory nie były szeroko stosowane w biologii.
Mechanizm działania szczepionki
Aby sprawdzić skuteczność swojego podejścia, badacze z MIT wykorzystali dane z badań nad szczepionką przeciwko gruźlicy. Szczepionka, znana jako BCG, to osłabiona forma bakterii Mycobacterium bovis. Jest ona stosowana w wielu krajach, gdzie gruźlica jest powszechna, jednak jej skuteczność nie zawsze jest zadowalająca, a ochrona może słabnąć z czasem.
Naukowcy testują obecnie, czy podanie szczepionki BCG dożylnie lub drogą wziewną może wywołać silniejszą odpowiedź immunologiczną niż tradycyjne wstrzyknięcie. W badaniach przeprowadzonych na zwierzętach wykazano, że szczepionka działa znacznie skuteczniej przy podaniu dożylnym. W badaniach MIT zespół Lauffenburgera spróbował odkryć, jakie mechanizmy odpowiadają za ten sukces.
Dane, które analizowali badacze, obejmowały około 200 zmiennych, takich jak poziomy cytokin, przeciwciał i różnych typów komórek układu odpornościowego, zebranych od około 30 zwierząt. Pomiarów dokonano przed szczepieniem, po szczepieniu oraz po zakażeniu gruźlicą. Dzięki analizie danych nową metodą modelującą, zespół MIT był w stanie określić, jakie interakcje są kluczowe dla wywołania silnej odpowiedzi immunologicznej.
Wyniki te pokazały, że szczepionka stymuluje podgrupę komórek T, które produkują cytokinę aktywującą komórki B odpowiedzialne za wytwarzanie przeciwciał zwalczających bakterię. „Można to porównać do mapy drogowej – udało nam się ustalić, które ścieżki są naprawdę najważniejsze. Choć wiele innych elementów układu odpornościowego również uległo zmianom, nie miały one większego znaczenia” – mówi Lauffenburger.
Przewidywanie efektów szczepionek
Modelowanie tego typu może być użyteczne dla deweloperów szczepionek, pozwalając przewidzieć ich skutki oraz dokonać poprawek, które zwiększyłyby ich efektywność jeszcze przed testami klinicznymi na ludziach. Zespół Lauffenburgera obecnie wykorzystuje ten model do badania mechanizmów działania szczepionki przeciwko malarii, która była podawana dzieciom w Kenii, Ghanie i Malawi w ostatnich latach.
Zespół badaczy planuje również zastosować ten typ modelowania w celu analizy mikrośrodowiska guza, w którym występuje wiele typów komórek układu odpornościowego oraz komórek nowotworowych, z nadzieją na przewidywanie, jak różne rodzaje leczenia mogą wpłynąć na rozwój nowotworów.
Badania te są finansowane przez Narodowy Instytut Alergii i Chorób Zakaźnych (NIAID).
