Les organelles – les morceaux d’ARN et de protéines dans une cellule – jouent un rôle critical dans la santé et la maladie humaines, telles que le maintien de l’homéostasie, la régulation de la croissance et du vieillissement et la creation d’énergie. La diversité des organites dans les cellules existe non seulement entre les varieties de cellules, mais aussi entre les cellules individuelles. L’étude de ces différences aide les chercheurs à mieux comprendre la fonction cellulaire, ce qui permet d’améliorer les traitements pour traiter diverses maladies.
Dans deux articles or blog posts du laboratoire d’Ahmet F. Coskun, professeur Bernie Marcus en début de carrière au département Coulter de génie biomédical du Georgia Institute of Engineering et de l’Université Emory, les chercheurs ont examiné un kind spécifique de cellule souche avec une boîte à outils intracellulaire pour déterminer quelles cellules sont les additionally susceptibles de créer des thérapies cellulaires efficaces.
“Nous étudions le placement des organites dans les cellules et comment ils communiquent pour aider à mieux traiter la maladie”, a déclaré Coskun. “Nos travaux récents proposent l’utilisation d’une boîte à outils intracellulaire pour cartographier la biogéographie des organites dans les cellules souches, ce qui pourrait conduire à des thérapies plus précises.”
Création de la boîte à outils Subcellular Omics
La première étude – publiée dans Scientific Studies, une revue du portefeuille Nature – a examiné les cellules souches mésenchymateuses (MSC) qui ont historiquement offert des traitements prometteurs pour réparer les cellules défectueuses ou moduler la réponse immunitaire chez les clients. Dans une série d’expériences, les chercheurs ont pu créer une approche unicellulaire axée sur les données grâce à une imagerie protéomique subcellulaire rapide qui a permis une thérapie personnalisée des cellules souches.
Les chercheurs ont ensuite mis en œuvre une approach d’immunofluorescence multiplexée rapide dans laquelle ils ont utilisé des anticorps conçus pour cibler des organites spécifiques. En émettant des anticorps fluorescents, ils ont suivi les longueurs d’onde et les signaux pour compiler des images de nombreuses cellules différentes, créant ainsi des cartes. Ces cartes ont ensuite permis aux chercheurs de voir l’organisation spatiale des contacts d’organites et la répartition géographique dans des cellules similaires afin de déterminer quels types de cellules traiteraient le mieux diverses maladies.
“Habituellement, les cellules souches sont utilisées pour réparer les cellules défectueuses ou traiter les maladies immunitaires, mais notre micro-étude de ces cellules spécifiques a montré à quel stage elles peuvent être différentes les unes des autres”, a déclaré Coskun. “Cela a prouvé que la inhabitants de individuals traités et l’isolement personnalisé des identités des cellules souches et de leur fonction organite bioénergétique doivent être pris en compte lors de la sélection de la source tissulaire. En d’autres termes, dans le traitement d’une maladie spécifique, il pourrait être préférable de récolter le même kind de cellule de différents endroits en fonction des besoins du client. »
La proximité ARN-ARN est importante
Dans la prochaine étude publiée cette semaine dans Cell Reports Methods, les chercheurs ont poussé la boîte à outils un peu furthermore loin, en étudiant l’organisation spatiale de plusieurs molécules d’ARN voisines dans des cellules individuelles, qui sont importantes pour la fonction cellulaire. Les chercheurs ont fait évoluer l’outil en combinant l’apprentissage automatique et la transcriptomique spatiale. Ils ont découvert que l’analyse des variants de la proximité des gènes pour la classification des types de cellules était additionally précise que l’analyse de l’expression des gènes uniquement.
“Les interactions physiques entre les molécules créent la vie par conséquent, les emplacements physiques et la proximité de ces molécules jouent un rôle significant”, a déclaré Coskun. “Nous avons créé une boîte à outils intracellulaire de réseaux de voisinage de gènes subcellulaires dans les différentes parties géographiques de chaque cellule pour examiner cela de plus près.”
L’expérience comportait deux parties : le développement de méthodes de calcul et des expériences sur la paillasse de laboratoire. Les chercheurs ont examiné des ensembles de données publiés et un algorithme pour regrouper les molécules d’ARN en fonction de leur emplacement physique. Cet algorithme du “as well as proche voisin” a aidé à déterminer les groupements de gènes. Sur le banc, les chercheurs ont ensuite marqué les molécules d’ARN avec des fluorescents pour les localiser facilement dans des cellules individuelles. Ils ont ensuite découvert de nombreuses caractéristiques de la distribution des molécules d’ARN, telles que la façon dont les gènes sont susceptibles de se trouver dans des emplacements subcellulaires similaires.
La thérapie cellulaire nécessite de nombreuses cellules aux phénotypes très similaires, et s’il existe des sous-kinds de cellules inconnues dans les cellules thérapeutiques, les chercheurs ne peuvent pas prédire le comportement de ces cellules une fois injectées aux patients. Grâce à ces outils, davantage de cellules du même form peuvent être identifiées et des sous-ensembles distincts de cellules souches avec des programmes génétiques peu communs peuvent être isolés.
“Nous élargissons la boîte à outils pour l’organisation spatiale subcellulaire des molécules – un” couteau suisse “pour le domaine des omiques spatiales subcellulaires, si vous voulez”, a déclaré Coskun. “L’objectif est de mesurer, de quantifier et de modéliser plusieurs événements moléculaires indépendants mais également interdépendants dans chaque cellule avec de multiples fonctionnalités. L’objectif closing est de définir la fonction d’une cellule qui peut atteindre des réseaux de voisinage de gènes modulaires de form Lego à haute énergie et divers cellulaires. les décisions.”
Cette recherche est financée par Regenerative Engineering and Medication de Ga Tech, ainsi que par le NSF Engineering Investigate Centre for Mobile Producing Systems (CMaT).