Клетки на стомашната жлеза
MPI за инфекциозна биология
Клетките са градивните елементи на живота. Начинът, по който клетките разпознават други клетки и външни сигнали, може да доведе до различни биологични съдби, включително клетъчен растеж, смърт и мобилност. Изследователите се стремят да разберат комуникацията между клетките, да я проектират обратно и в крайна сметка да изваят клетъчни взаимодействия, които надминават естествените възможности. Въпреки че вече съществуват клетъчни терапии, бъдещето на такава клетъчна терапия вероятно ще включва по-дълбока модификация на клетките на пациента за лечение на набор от заболявания и за възстановяване на тъканите.
В предишна статия прегледахме проучване, което модулно замества извънклетъчната част на протеин, за да разпознава различни лиганди; този “повторно сглобен” протеин трансдуцира същия сигнален път, докато трансмембранните и вътреклетъчните части се поддържат непокътнати. Тук обсъждаме документ, който вместо това набляга на вътреклетъчната част на клетката. Изследователите от Калифорнийския университет в Сан Франциско теоретично прекомпозират сигналните домейни на CAR Т клетките и изследват възможните въздействия върху комуникацията между клетките.
Създаване на химерен антигенен рецептор
° Схимеричен Аntigen Ррецепторите (CAR) изискват генетична модификация, за да експресират нови, синтетични компоненти. Фигура 1 илюстрира трите основни области на CAR Т клетка: антиген-свързващият домен, трансмембранният домен и сигнализиращият домен. Учените често се фиксират върху свързващия домейн и го приспособяват за специфична терапевтична цел (напр.: протеини, открити в раковите клетки). Изследователите тук обаче се фокусират върху състава на сигналния домейн и неговото влияние върху работата на CAR T клетките.
Костимулиращи молекули
Сигналният домен на CAR Т клетка обикновено съдържа молекула CD3ζ Т клетъчен рецептор (TCR) и всяка комбинация от костимулиращи молекули. Костимулиращите молекули съдържат множество сигнални мотиви или къси пептиди, които се свързват със специфични низходящи сигнални молекули. Тези молекули влияят на Т-клетъчната сигнална трансдукция с различни ефекти. Два примера включват 4-1BB, който може да повиши Т-клетъчната памет и устойчивост, и CD28, който е свързан с ефективно убиване на Т-клетки, но намалена Т-клетъчна устойчивост.
ФИГУРА 1: Дизайн на химерен антигенен рецептор може да бъде разделен на три основни региона: антиген … [+] обвързващ домейн; трансмембранен домен; и сигнализиращ домейн. Сигналната област е най-подходяща за това изследване, тъй като изследователите изследват възможни комбинации от костимулиращи молекули за подобряване на производителността и оцеляването на CAR Т клетката.
Liu и др.
Разширяване на възможностите с машинно обучение
Изследователите от лабораторията Wendell Lim се опитаха да намерят негласни правила, управляващи костимулаторното сигнализиране и по този начин да оптимизират характеристиките на CAR T клетките. Те използваха библиотека със синтетични сигнални мотиви, машинно обучение и уникален концептуален подход за откриване на комбинации отвъд това, което се случва естествено.
От думи, до изречения, до език
Изследователите търсят естествени сигнални протеини, извличат сигнални мотиви от тях и синтетично сглобяват комбинации от сигнални мотиви, за да формират уникални сигнални програми. Този подход може да се концептуализира като изследване за изграждане на изречения.
Фигура 2 илюстрира това пренареждане на различни “думи” – сигнални мотиви – в отделни “изречения” или сигнални програми. За да разбере и предвиди „езика“ на тези комбинации, екипът след това използва алгоритми за машинно обучение, наречени невронни мрежи, за да открие основната „граматика“ на наборите от данни. Това разкри значението на реда на думите, значението на думата и комбинациите от думи в крайния продукт – иначе преформулирани като въздействието на идентичността на сигналния мотив, функцията и подреждането върху Т-клетъчния фенотип.
Екипът подготви библиотека от анти-CD19 CAR Т клетки с разнообразни костимулиращи домейни. Всяка клетка съдържа един, два или три сигнални мотива, взети от естествени сигнални протеини (виж Фигура 2). Екипът произволно вмъкна 12 нативни сигнални мотива заедно с един разделителен мотив на позиции i, j и к за да се получат общо 2379 различни конфигурации на мотиви, както се вижда на фигура 3.
След това изследователите скринираха произволни подмножества от библиотеката, за да класифицират цитотоксичността на Т-клетките и способността им да пролиферират (стволовост). Този процес образува уникални и необичайни комбинации, включително комбинации, сравними с костимулираща молекула 4-1BB (напр.: M10-M1-M1-ζ).
ФИГУРА 1: Процедурата, използвана в това изследване, може да бъде разбрана чрез леща за „формиране на език“. … [+] Различни комбинации от „думи“ или сигнални мотиви от костимулиращи молекули създават „изречения“. Алгоритмите за машинно обучение и невронните мрежи разкриват „граматиката“ в изреченията – тоест асоциациите между подреждането на определени сигнални домейни и произтичащите характеристики. Съкращения: scFv, едноверижен вариабилен (антитяло) фрагмент.
Даниелс и др., 2022 г.
ФИГУРА 2: (A) Изследователите са търсили естествени сигнални протеини като фосфолипаза С гама 1 … [+] (PLCg1), за да създадат тяхната библиотека с комбинаторни сигнални мотиви. Тези протеини играят роля в различни Т-клетъчни сигнални пътища като активиране, диференциация и пролиферация. (B) Библиотеката съдържа 12 нативни сигнални мотива и един единствен разделителен мотив за общо 13 мотива.
Даниелс и др., 2022 г.
ФИГУРА 3: Екипът създаде общо 2379 различни комбинации от мотиви. Всички клетки са оборудвани с … [+] същия анти-CD19 антитяло фрагмент и CD8α шарнирен/трансмембранен домен. Сигналният домен съдържа CD3ζ молекула заедно с една, две или три синтетични костимулиращи молекули (маркирани в розово). Съкращения: scFv, едноверижен вариабилен (антитяло) фрагмент; TMD, трансмембранен домен.
Даниелс и др., 2022 г.
Декодиране на „език“ с помощта на предсказуеми невронни мрежи
Последователностите на сигнализиращия мотив притежават различни нива на цитотоксичност и стволовост, според експериментален анализ. След това екипът използва тези данни, за да разбере невидимите правила около дизайна на костимулаторната молекула.
Изкуствена невронна мрежа се оказа решаваща за това разследване. Както се вижда на Фигура 4, данните бяха разделени или за обучение или тестване на алгоритъма за предсказване на цитотоксичността или стволовостта на химерен антигенен рецептор. Този процес изясни няколко асоциации, като например способността на 4-1BB-подобни костимулаторни домени да засилят цитотоксичността и стволовостта.
Успешно прогнозиране с М1 костимулираща молекула
Може ли невронната мрежа точно да предскаже съдбата на Т-клетка с определена костимулираща комбинация? Екипът тества водите чрез добавяне на костимулираща молекула M1 към 4-1BB-подобни срещу CD28-подобни сигнални домейни. Невронната мрежа прогнозира, че добавянето на M1 мотиви ще демонстрира повишена цитотоксичност и стволовост в 4-1BB-подобни домейни, като същевременно няма ефект в CD28-подобния аналог.
В in vitro модел, CAR Т клетките с 4-1BB-подобни домейни и М1 мотиви ефективно убиват туморни клетки и поддържат стволовостта на Т клетките; от друга страна, добавянето на M1 мотиви не причинява промяна за CD28-подобните производни. Тази правилна прогноза се превежда и в резултатите от модела на мишката. 4-1BB/M1 CAR Т клетките забавят растежа на туморните клетки с две седмици повече от 4-1BB само CAR Т клетките. Тези наблюдения демонстрират как една невронна мрежа може да се използва за точно прогнозиране на характеристиките на Т клетките в зависимост от включените синтетични сигнални мотиви.
ФИГУРА 4: Комбинациите от 248 костимулиращи молекули са използвани или за обучение или тестване на невронните … [+] мрежа.
Даниелс и др., 2022 г.
Възможности за CAR T Therapy
Може да бъде трудно да се предскаже как синтетичен рецепторен компонент ще повлияе на характеристиките на получената клетка. Това проучване разшифрова част от тази мистерия с библиотеки със сигнални мотиви и машинно обучение. Чрез анализиране на комбинации от костимулаторни домени на CAR Т клетки, екипът създаде невронна мрежа, която успешно прогнозира Т клетъчен фенотип въз основа на присъстващите костимулиращи молекули. Това, от своя страна, разкри правила на CAR T костимулаторно сигнализиране, което може да се използва за проектиране на по-добри синтетични сигнални домейни. Подобни библиотеки и последващи анализи могат да бъдат приложени за подобряване на други модулни региони на CAR Т клетка.
