TUM – TUM – Menü

Statistische Methoden identifizieren verborgene Zell-Subtypen

Mathematik verbessert Einzelzell-Analyse

Mehr als 40% aller Gene im Experiment korrelierten mit einem kleinen Satz bekannter Zellzyklus-Marker (orange) - Grafik: Florian Büttner
Mehr als 40% aller Gene im Experiment korrelierten mit einem kleinen Satz bekannter Zellzyklus-Marker (orange) - Grafik: Florian Büttner

Forschung

Mittels statistischer Analysen lassen sich Störfaktoren und Unsicherheitsvariablen von Einzelzell-Analysen erfassen. Dies ermöglicht es, einzelne Subpopulationen und Zelltypen innerhalb von Zellpopulationen zu identifizieren und noch genauer zu bestimmen. Dies berichten Wissenschaftler des Helmholtz Zentrums München (HMGU) und der Technischen Universität München (TUM) gemeinsam mit Kollegen des European Bioinformatics Institute (EBI) in der Fachzeitschrift "Nature Biotechnology".

Zellpopulationen unterscheiden sich untereinander erstaunlich stark, selbst wenn es sich um die gleiche Art von Zellen handelt. Um verschiedene Zelltypen zu bestimmen, wird das jeweilige aktive Erbgut – in Form von RNA-Molekülen – der einzelnen Zellen analysiert. Diese Einzelzellanalyse genannte Methodik ist durch jüngste Entwicklungen für hunderte von Zellen möglich und liefert ein exaktes Bild einzelner Zelltypen. Allerdings können Störfaktoren, wie eine kurzfristig veränderte Genexpression, bedingt durch den Zellzyklus oder Differenzierungsprozesse, das Ergebnis beeinflussen.

Störfaktoren herausrechnen

Die Wissenschaftler haben nun ein bioinformatisches Modell entwickelt, das solche Unsicherheitsfaktoren statistisch ermittelt und in der Analyse einzelner Zellen berücksichtigt. „In unseren aktuellen Untersuchungen zeigen wir, wie wir solche Faktoren herausrechnen können und dadurch ein noch genaueres Abbild der unterschiedlichen Zelltypen erhalten. Durch die Kombination von Einzelzellanalysen mit statistischen Methoden können Zellen identifiziert werden, die sonst unentdeckt bleiben“, erklärt Erstautor Florian Büttner vom Institut für Computational Biology (ICB) am HMGU.

Einzelne Zellprofile: Gesundheit und Krankheit besser verstehen

Mit ihrem sogenannten single-cell latent variable Model (scLVM) gelang es dem Team um Florian Büttner vom HMGU und Fabian Theis, Inhaber des Lehrstuhls Mathematische Modelle biologischer Systeme der TU München, sowie John Marioni und Oliver Stegle vom European Bioinformatics Institute (EMBL-EBI, Cambridge, UK), unterschiedliche Reifestadien von T-Zellen in ihrer Entwicklung hin zu Th2-Zellen zu detektieren und zu charakterisieren.

T-Zellen sind Immunzellen, die in verschiedene Unterformen, wie beispielsweise Th2-Zellen (T-Helferzellen Typ2), ausdifferenzieren, um verschiedene Abwehrfunktionen auszuüben. Die Analyse einzelner Zelltypen ist wichtig für die medizinische Forschung: Krebszellen, Differenzierungsprozesse, Krankheitsentstehung und vieles mehr lassen sich anhand bekannter, detaillierter Zellprofile besser erforschen und verstehen.

„Die moderne Einzelzellanalysen hat gezeigt, dass es auch innerhalb einer anscheinend homogenen Zellpopulation erhebliche Unterschiede gibt. Unser langfristiges Ziel ist, die biologischen und technischen Ursachen dieser Heterogenitäten zu verstehen“, sagt Professor Fabian Theis. „Dazu braucht es moderne multivariante statistische und computergestützte Methoden, die wir zusammen mit unsren Kollegen vom EBI entwickeln“.

Die Forschungsarbeiten wurden gefördert aus Mitteln des European Research Council, des Marie Curie-Programms der EU und der European Molecular Biology Organization.

Publikation:

Florian Buettner, Kedar N. Natarajan, F. Paolo Casale, Valentina Proserpio, Antonio Scialdone, Fabian J. Theis, Sarah A. Teichmann, John C. Marioni and Oliver Stegle.
Computational analysis of cell-to-cell heterogeneity in single-cell RNA-Sequencing data reveals hidden subpopulation of cells, Nature Biotechnology, DOI: 10.1038/nbt.3102