Инженерные клетки для медицинского использования: изучение языка, который клетки используют для общения друг с другом

Клетки желудочной железы

MPI для биологии инфекций

Клетки являются строительными блоками жизни. То, как клетки распознают другие клетки и внешние сигналы, может привести к различным биологическим судьбам, включая рост, смерть и подвижность клеток. Исследователи стремятся понять межклеточную коммуникацию, реконструировать ее и, в конечном счете, вылепить клеточные взаимодействия, превосходящие естественные возможности. Хотя клеточная терапия уже существует, будущее такой клеточной терапии, вероятно, будет связано с более глубокой модификацией клеток пациента для лечения целого ряда заболеваний и восстановления тканей.

В предыдущей статье мы рассмотрели исследование, которое модульно заменяет внеклеточную часть белка для распознавания различных лигандов; этот «собранный» белок передает тот же сигнальный путь, пока трансмембранная и внутриклеточная части остаются интактными. Здесь мы обсуждаем статью, в которой вместо этого делается упор на внутриклеточную часть клетки. Исследователи из Калифорнийского университета в Сан-Франциско теоретически перестраивают сигнальные домены CAR Т-клеток и изучают возможное влияние на межклеточную коммуникацию.

Создание химерного антигенного рецептора

Химерные антигенные рецепторы (CAR) требуют генетической модификации для экспрессии новых синтетических компонентов. На рисунке 1 показаны три основные области CAR Т-клетки: антигенсвязывающий домен, трансмембранный домен и сигнальный домен. Ученые часто зацикливаются на связывающем домене и адаптируют его для конкретной терапевтической мишени (например, белков, обнаруженных в раковых клетках). Исследователи здесь, однако, сосредоточены на составе сигнального домена и его влиянии на производительность CAR Т-клеток.

костимулирующие молекулы

Сигнальный домен CAR Т-клетки обычно содержит молекулу CD3ζ Т-клеточного рецептора (TCR) и любую комбинацию костимулирующих молекул. Костимулирующие молекулы содержат несколько сигнальных мотивов или коротких пептидов, которые связываются со специфическими нижестоящими сигнальными молекулами. Эти молекулы влияют на передачу сигнала Т-клеток с различными эффектами. Два примера включают 4-1BB, который может увеличивать память и персистенцию Т-клеток, и CD28, который связан с эффективным уничтожением Т-клеток, но снижает персистенцию Т-клеток.

РИСУНОК 1. Конструкция химерного антигенного рецептора может быть разделена на три основные области: антиген … [+] связывающий домен; трансмембранный домен; и сигнальный домен. Сигнальный домен наиболее важен для этого исследования, так как исследователи изучают возможные комбинации костимуляторных молекул для улучшения производительности и выживаемости CAR Т-клеток.

Лю и др.

Расширение возможностей с помощью машинного обучения

Исследователи из лаборатории Wendell Lim стремились найти негласные правила, управляющие костимулирующей передачей сигналов, и тем самым оптимизировать характеристики CAR Т-клеток. Они обладали библиотекой синтетических сигнальных мотивов, машинным обучением и уникальным концептуальным подходом к обнаружению комбинаций, выходящих за рамки естественных.

От слов к предложениям к языку

Исследователи обратились к природным сигнальным белкам, извлекли из них сигнальные мотивы и синтетически собрали комбинации сигнальных мотивов для формирования уникальных сигнальных программ. Этот подход можно представить как исследование построения предложений.

Рисунок 2 иллюстрирует эту перестановку различных «слов» — сигнальных мотивов — в отдельные «предложения» или сигнальные программы. Чтобы понять и предсказать «язык» этих комбинаций, команда затем использовала алгоритмы машинного обучения, называемые нейронными сетями, для определения базовой «грамматики» наборов данных. Это выявило важность порядка слов, значения слов и словосочетаний в конечном продукте, иначе переосмысленных как влияние идентичности, функции и расположения сигнальных мотивов на фенотип Т-клеток.

Команда курировала библиотеку анти-CD19 CAR Т-клеток с различными костимулирующими доменами. Каждая клетка содержала один, два или три сигнальных мотива, взятых из природных сигнальных белков (см. рис. 2). Команда случайным образом вставила 12 нативных сигнальных мотивов вместе с одним спейсерным мотивом в позиции i, j и k, чтобы получить в общей сложности 2379 различных конфигураций мотивов, как показано на рисунке 3.

Затем исследователи отобрали случайные подмножества из библиотеки, чтобы классифицировать цитотоксичность Т-клеток и способность к пролиферации (стволовость). Этот процесс формировал уникальные и необычные комбинации, в том числе комбинации, сравнимые с костимулирующей молекулой 4-1BB (например: M10-M1-M1-ζ).

РИСУНОК 1: Процедуру, используемую в этом исследовании, можно понять через призму «формирования языка». … [+] Различные комбинации «слов» или сигнальных мотивов костимулирующих молекул создают «предложения». Алгоритмы машинного обучения и нейронные сети раскапывают «грамматику» в предложениях, то есть ассоциации между расположением определенных сигнальных доменов и результирующими характеристиками. Сокращения: scFv, одноцепочечный вариабельный (антитело) фрагмент.

Дэниелс и др., 2022 г.

РИСУНОК 2: (A) Исследователи искали естественные сигнальные белки, такие как фосфолипаза C gamma 1 … [+] (PLCg1), для создания своей библиотеки комбинаторных сигнальных мотивов. Эти белки играют роль в различных сигнальных путях Т-клеток, таких как активация, дифференцировка и пролиферация. (B) Библиотека содержала 12 нативных сигнальных мотивов и один спейсерный мотив, всего 13 мотивов.

Дэниелс и др., 2022 г.

РИСУНОК 3: Команда создала в общей сложности 2379 различных комбинаций мотивов. Все клетки были снабжены одним и тем же фрагментом анти-CD19-антитела и шарнирным/трансмембранным доменом CD8α. Сигнальный домен содержал молекулу CD3ζ наряду с одной, двумя или тремя синтетическими костимулирующими молекулами (выделены розовым цветом). Сокращения: scFv, одноцепочечный вариабельный (антитело) фрагмент; TMD, трансмембранный домен.

Дэниелс и др., 2022 г.

Декодирование «языка» с использованием прогнозирующих нейронных сетей

Согласно экспериментальному анализу, последовательности сигнальных мотивов обладали различными уровнями цитотоксичности и стволовости. Затем команда использовала эти данные, чтобы понять невидимые правила, связанные с дизайном костимулирующих молекул.

Искусственная нейронная сеть оказалась решающей для этого исследования. Как видно на рисунке 4, данные были разделены для обучения или тестирования алгоритма для прогнозирования цитотоксичности или стволовости химерного антигенного рецептора. Этот процесс прояснил несколько ассоциаций, таких как способность 4-1BB-подобных костимулирующих доменов усиливать цитотоксичность и стволовость.

Успешное предсказание с костимулирующей молекулой M1

Может ли нейронная сеть точно предсказать судьбу Т-клетки с определенной костимулирующей комбинацией? Команда проверила воду, добавив костимулирующую молекулу M1 к 4-1BB-подобным сигнальным доменам, а не к CD28-подобным. Нейронная сеть предсказала, что добавление мотивов M1 будет демонстрировать повышенную цитотоксичность и стволовость в 4-1BB-подобных доменах, не оказывая при этом никакого эффекта на CD28-подобный аналог.

В модели in vitro CAR Т-клетки с 4-1BB-подобными доменами и мотивами M1 эффективно уничтожали опухолевые клетки и поддерживали стволовость Т-клеток; с другой стороны, добавление мотивов M1 не вызывало изменений для CD28-подобных производных. Это правильное предсказание также отразилось на результатах моделирования на мышах. Т-клетки 4-1BB/M1 CAR задерживают рост опухолевых клеток на две недели дольше, чем Т-клетки 4-1BB только CAR. Эти наблюдения демонстрируют, как можно использовать нейронную сеть для точного прогнозирования характеристик Т-клеток в зависимости от задействованных синтетических сигнальных мотивов.

РИСУНОК 4: 248 комбинаций костимулирующих молекул использовались либо для обучения, либо для тестирования нейронной … [+] сети.

Дэниелс и др., 2022 г.

Возможности CAR T терапии

Может быть трудно предсказать, как синтетический компонент рецептора повлияет на характеристики полученной клетки. Это исследование раскрывает часть этой тайны с помощью библиотек сигнальных мотивов и машинного обучения. Анализируя комбинации костимулирующих доменов CAR Т-клеток, команда создала нейронную сеть, которая успешно предсказывает фенотип Т-клеток на основе присутствующих костимулирующих молекул. Это, в свою очередь, выявило правила костимулирующей передачи сигналов CAR T, которые можно использовать для создания лучших синтетических сигнальных доменов. Подобные библиотеки и последующие анализы могут быть применены для улучшения других модульных областей Т-клетки CAR.