TUM – Technische Universität München Menü
Fluoreszenz-in-situ-Hybridisierung zeigt mRNA-Aktivität. Blau: niedrige, rot: hohe Aktivität Bild: S. S. Bajikar / University of Virginia, Charlottesville (USA)
Fluoreszenz-in-situ-Hybridisierung zeigt mRNA-Aktivität. Blau: niedrige, rot: hohe Aktivität Bild: S. S. Bajikar / University of Virginia, Charlottesville (USA)
  • Forschung

Statistische Methoden verbessern biologische Einzelzell-Analyse

Mit Mathematik einzigartige Zellen aufspüren

Stammzellen verwandeln sich in Herzzellen, Hautzellen verwandeln sich in Krebszellen, selbst Zellen einer Gewebeart unterscheiden sich geringfügig voneinander. Ein wichtiges Werkzeug dazu, solche Heterogenitäten zu verstehen, sind Einzelzell-Analysen. Diese jedoch sind immer noch aufwändig und teuer. Zudem verursacht die Handhabung der Einzelzellen eine erhebliche Ungenauigkeit der Messwerte. Wissenschaftler der Technischen Universität München (TUM), des Helmholtz Zentrums München und der Universität Virginia (USA) haben nun einen Weg gefunden, wie sich die Analysen durch mathematische Methoden vereinfachen und verbessern lassen.

Jede unserer Körperzellen ist einzigartig. Selbst Zellen einer Gewebeart, die unter dem Mikroskop völlig gleich aussehen, unterscheiden sich geringfügig voneinander. Um zu verstehen, wie sich aus einer Stammzelle eine Herzzelle entwickeln kann, warum die eine Beta-Zelle Insulin produziert und die andere nicht und warum eine normale Gewebezelle plötzlich zu einer Krebszelle wird, untersuchen Wissenschaftler seit einigen Jahren gezielt die Aktivitäten der Ribonucleinsäuren, der RNA.

Permanent werden Stoffe auf- und abgebaut. Ständig lesen RNA-Moleküle Baupläne für Eiweiße aus der Erbsubstanz ab und lassen sie von anderen Eiweißen produzieren. Inzwischen hat die Wissenschaft die Methoden so verfeinert, dass es möglich ist, alle in einer einzigen Zelle zu einem bestimmten Zeitpunkt aktiven RNA-Moleküle zu erfassen.

Ende Dezember 2013 wurde die Einzelzell-Sequenzierung vom Fachblatt Nature Methods zur Methode des Jahres 2013 erklärt. Doch die Untersuchung einzelner Zellen ist extrem aufwändig und die Handhabung der Zellen verursacht Fehler und Ungenauigkeiten, die ein erhebliches statistisches Rauschen zur Folge haben. Vor allem schwächere Unterschiede in der Genregulierung gehen darin unter oder werden gar nicht erst sichtbar.

Einfacher und genauer dank Statistik

Wissenschaftler unter der Leitung von Professor Fabian Theis, Inhaber des Lehrstuhls für Mathematische Modelle biologischer Systeme der TU München und Leiter des Instituts für Computational Biology am Helmholtz Zentrum München, haben nun einen Weg gefunden, wie sie mit Methoden der mathematischen Statistik die Einzelzell-Analyse wesentlich verbessern können.

Statt nur jeweils einer Zelle nahmen sie zwischen 16 und 80 Proben mit jeweils zehn Zellen. „Eine Menge von zehn Zellen ist wesentlich leichter zu handhaben“, sagt Professor Theis. „Bei der zehnfachen Menge an Zellmaterial werden die Umgebungseinflüsse deutlich zurück gedrängt.“ Allerdings sind die Zellen mit unterschiedlichen Eigenschaften dann zufällig über die Proben verteilt. Daher entwickelte Theis´ Mitarbeiterin Christiane Fuchs statistische Methoden, um die Einzelzell-Eigenschaften dennoch zu identifizieren.

Kombination von Modell und Experiment

Auf der Basis bekannter biologischer Daten modellierten Theis und Fuchs die Verteilung für den Fall von Genen, die sich in zwei definierten regulatorischen Zuständen befinden können. Zusammen mit den Biologen Kevin Janes und Sameer Bajikar von der Universität Virginia in Charlottesville (USA) konnten sie experimentell belegen, dass mit Hilfe der statistischen Methoden aus den Messergebnissen der zehn Zellen enthaltenden Proben genauere Ergebnisse errechnet werden können als mit der Analyse der gleichen Anzahl von Einzelzellproben.

In vielen Fällen werden durch einen Faktor gleich mehrere Genreaktionen angestoßen. Auch auf solche Fälle ließ sich das statistische Verfahren anwenden. Fluoreszierende Marker zeigen die Genaktivitäten, und man erhält so ein Mosaik aus dem sich wiederum ablesen lässt, ob verschiedene Zellen unterschiedlich auf den Faktor reagieren.

Die Methode ist so empfindlich, dass sie selbst eine Abweichung unter 40 sonst gleichen Zellen noch zeigt. Dass diese Abweichung tatsächlich ein Effekt ist und nicht ein zufälliger Ausreißer, konnte experimentell belegt werden.

Die Arbeit wurde unterstützt aus Mitteln der American Cancer Society, des National Institutes of Health, der Deutschen Forschungsgemeinschaft, des Deutschen Akademischen Austauschdienstes, des Pew Scholars Program in the Biomedical Sciences, der David and Lucile Packard Foundation, der National Science Foundation sowie des European Research Council.

Publikation:

Parameterizing cell-to-cell regulatory heterogeneities via stochastic transcriptional profiles
Sameer S. Bajikar, Christiane Fuchs, Andreas Roller, Fabian J. Theis, and Kevin A. Janes
PNAS, Early Edition, 21 Januar 2014, Doi: 10.1073/pnas.1311647111

Kontakt

Prof. Dr. Fabian J. Theis
Technische Universität München
Lehrstuhl für Mathematische Modelle biologischer Systeme
Boltzmannstr. 3, 85748 Garching, Germany
Tel.: +49 89 289 18386E-Mail

Helmholtz-Zentrum München
Institut für Computational Biology
Ingolstädter Landstr. 1, 85764 Neuherberg, Germany
Tel.: +49 89 3187 2211
E-Mail - Internet

Corporate Communications Center

Technische Universität München Dr. Andreas Battenberg
battenberg(at)zv.tum.de

Weitere Artikel zum Thema auf www.tum.de:

Mithilfe der Computerbiologie lassen sich Zellveränderungen berechnen.

KI schließt von der Maus auf den Menschen

Das Computermodell scGen sagt voraus, wie Zellen sich verhalten werden. Mithilfe Künstlicher Intelligenz (KI) bildet die Software die Reaktion einer Zelle auf eine Erkrankung oder auch deren Behandlung ab, ohne dafür...

Das Bild zeigt Prof. Fabian Theis, beim Schreiben von Formeln an eine Tafel.

Bundesweites KI-Netzwerk mit Zentrale in München

Informatik, Robotik und Maschinelle Intelligenz sind zentrale Forschungsbereiche an der Technischen Universität München (TUM). Jetzt vernetzt sich die TUM in der neuen Helmholtz Artificial Intelligence Cooperation Unit...

Durch die Einzelzell-RNA-Sequenzierung lässt sich herausfinden, welche DNA-Abschnitte für die Bildung einer Zelle aktiv werden. (Bild: iStockphoto.com / D-Keine)

KI findet Fehler bei RNA-Analyse

Warum verhalten sich manche Zellen im menschlichen Körper nicht so, wie sie sollten, und bilden beispielsweise Krebsgeschwüre? Von der sogenannten Einzelzellanalyse versprechen Forscherinnen und Forscher sich Antworten....

Munich Center for Machine Learning geht an den Start

Maschinelles Lernen und Künstliche Intelligenz sind Schlüsseltechnologien für die digitalisierte Wirtschaft und Gesellschaft. Leibniz-Preisträger Prof. Daniel Cremers von der Technischen Universität München (TUM) ist einer...

Prof. Fabian Theis. (Bild: A. Eckert / TUM)

Algorithmen zeigen, wie Zellen Entscheidungen treffen

Heute werden an zwei Tagen so viele Daten produziert wie seit Anbeginn der Zeit bis 2003. Man spricht von Big Data. Der Mathematiker Prof. Fabian Theis nutzt die Vielfalt der Daten, um mehr über Krankheiten wie Diabetes,...

Mit der Software BaSiC verbessertes Mosaikbild eines Maushirn-Schnitts. (Bild: Tingying Peng / TUM/HMGU)

Klare Sicht auf Stammzellentwicklung

Inzwischen ist es möglich, die Entwicklung einer einzelnen Zelle und die dafür entscheidenden Faktoren unter dem Mikroskop kontinuierlich zu verfolgen. Störungen wie Schatten in den Bildern oder Hintergrundveränderungen...

Nanog-Konzentrationen verfolgt über acht Zellgenerationen einer Zelle (weiß: hoch, schwarz: kein Nanog; x: Zelle tot) ­ Bild: Carsten Marr / TUM/HMGU

Protein der ewigen Jugend

Wissenschaftler des Helmholtz Zentrums München und der Technischen Universität München (TUM) haben zusammen mit Kollegen von der ETH Zürich herausgefunden, dass Unterschiede in der Expression eines Nanog genannten...

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

Mathematik verbessert Einzelzell-Analyse

Mittels statistischer Analysen lassen sich Störfaktoren und Unsicherheitsvariablen von Einzelzell-Analysen erfassen. Dies ermöglicht es, einzelne Subpopulationen und Zelltypen innerhalb von Zellpopulationen zu...