CC BY
5
Важнейшими участниками регенерации тканей организма, являются тромбоциты [1]. Активированные тромбоциты контактируют с травмированными тканями и имплантатом, формируют стабильный сгусток, который помимо обеспечения гемостаза, является механически-ой и биохимической матрицей, источником сигнальных молекул и факторов роста [2]. Обосновано применение тромбоцитарных продуктов в ортопедической хирургии, где восстановление плохо васкуляризированной ткани является критическим фактором успешного клинического исхода [3]. Однако результаты лечения неоднозначны [4], что в значительной степени связано с недостаточной изученностью влияния тромбоцитов на репаративный остеогенез.
Ранее ними было определено, что при эндопроте-зировании тазобедренного сустава активность высвобождения альфа-гранул тромбоцитов пациентов влияет на коагуляционный потенциал крови, скорость формирования сгустка, объем кровопотери. Послеоперационная секреция из альфа-гранул тромбоцитов сохраняется повышенной не менее двух недель после операции и имеет зависимость от своего исходного уровня [5].
В данной экспериментальной работе изучали влияние морфо-функциональных характеристик тромбоцитов на качество периимплантной кости после имплантации титанового стержня в бедренную кость кроликов. Определяли общее количество тромбоцитов, MPV, PDW, PCT, P-LCR, АДФ-агрегацию, уровень маркера остеогенеза остеокальцина до операции, через 1 сутки и 8 недель после операции. Импалантация титанового стержня размерами 0,2x0,6 см. проводилась по принципу press fit. Животные выводидись из эксперимента через 8 недель после операции. Проводился гистологический анализ, электронная микроскопия, определение механических свойств периимплантной кости. Проведенные исследования показали, что морфо-функ-циональный потенциал тромбоцитов влияет на уровень маркера остеогенеза остеокальцина, на прочностные характеристики, но не на эластичность кости. Более высокий тромбоцитарный потенциал сопряжен с более высокой концентрацией кальция и большим значением отношения Ca/P в периимплантной кости. Полученные данные позволяют предположить информативность показателей, отражающих морфо-функциональный статус тромбоцитов, для прогнозирования успешности репарационного процесса в ортопедии, что требует дальнейшего изучения.
Исследование выполнено в рамках государственного задания, регистрационный номер 12103l900054-8 от 19.03.2021.
Литература:
1. Cecerska-Heryc E., Goszka M., Serwin N., et al. Cytokine Growth Factor Rev. 2021. S1359.
2. Oryan A., Alidadi S., Moshiri A. Expert OpinBiolTher. 2016. V.16(2). P.213.
3. Wani T.U., Khan R.S., Rather A.H., et al. Local. J Control Release. 2021. V.10. P. 143.
4. Harrison P. J Thromb Haemost . 2018. V. 9. P. 1895.
5. Антропова И.П., Юшков Б.Г., Кутепов С.М. Казанский медицинский журнал. 2022. Т.103. C.5.
ВЫЯВЛЕНИЕ СУБПОПУЛЯЦИЙ МЕЗЕНХИМНЫХ СТРОМАЛЬНЫХ КЛЕТОК С РАЗЛИЧНЫМИ ОТВЕТАМИ НА ПРОФИБРОТИЧЕСКИЕ СТИМУЛЫ С ПОМОЩЬЮ АНАЛИЗА ТРАНСКРИПТОМА ОДИНОЧНЫХ КЛЕТОК
М.С. Арбатский1, М.А. Виговский1, 2, Н.А. Басалова2, У.Д. Дьячкова1, О.А. Григорьева2, А.Ю. Ефименко1, 2
1 Факультет фундаментальной медицины МГУ им. М.В. Ломоносова, Москва, Россия
2 Институт регенеративной медицины, Медицинский научно-образовательный центр МГУ им. М.В. Ломоносова, Москва, Россия
e-mail: algenubi81@mail.ru
Ключевые слова: фиброз, мезенхимные стромальные клетки, анализ транскриптома одиночных клеток
Фиброз является одним из ответов тканей на повреждения и во многих случаях приводит к развитию серьезных заболеваний. Мультипотентные мезенхимальные стромальные клетки [МОК] могут как пополнять пул мио-фибробластов, способствуя прогрессированию фиброза, так и способны подавлять фиброз за счет антифиброти-ческого действия секретома. Однако, остается неясным, как реализуется этот выбор в ответ на профибротиче-ские стимулы в гетерогенной популяции МОК.
В нашей работе МОК человека культивировали в про-фибротических условиях и анализировали транскрип-том одиночных клеток [1 0X Genomics]. О помощью Cell Ranger [8] были получены данные для дальнейшей обработки. Используя R-пакет Seurat [7], мы проанализировали гены факторов, связанных с фиброзом, по-разному экспрессирующиеся в МОК в профибротических условиях по сравнению со стандартными условиями. Для автоматического типирования клеток мы использовали библиотеки по самым крупным клеточным референсам (BLUEPRINT [1], Human Protein Atlas [2], PanglaoDB [3]], а также пакеты alona [4] [на основе пакета Python — adobo] и SingleR [5] [Bioconductor]. По результатам типирования мы выделили клетки с маркерами миофибробластов.
Мы обнаружили, что под влиянием профибротических стимулов часть МОК дифференцируется в мио-фибробласты, но выделяется субпопуляция, которая достоверно отличается по сниженной экспрессии гена гладкомышечного актина [aSMA] — ключевого маркера миофибробластов. Интересно, что среди высокоэкспрес-сированных генов в a-SMA--субпопуляции представлены факторы, участвующие в ремоделировании внеклеточного матрикса [MMP11, CTSK, KLHL24, SH3PXD2B,] а также поддержании стабильности цитоскелета [MARCKSL1] и регуляции ангиогенеза [SERPINF1 ]. Данные RNA-velocity перечисленных генов, полученные с помощью scVelo [6], указывают на то, что повышена не только трансляция указанных выше генов, но и содержание транскрибируемых, процессируемых транскриптов. При построении траектории развития интегрированного объекта с помощью R-пакета dynverse [7] начальная точка находится в кластере, где преимущественно определяются клетки контрольных МОК. После прохождения точки бифуркации в кластере, где расположены клетки с высоким пролиферативным потенциалом, траектории направляются к двум разных кластерам, в одном из которых определяются клетки с маркерами миофибробластов, а в другом — клетки, экспрессирующие гены, ответственные за подавление фибротических изменений. Анализ
экспрессии поверхностных маркеров в выявленных субпопуляциях позволил предложить PDGFRA для их разделения методом проточного сортинга и дальнейшего сравнения функциональных свойств.
Таким образом, в профибротическом микроокружении может реализовываться гетерогенность ответов МСК, в виде как активации дифференцировки определенной субпопуляции МСК в миофибробласты, так и образовании субпопуляции с предположительно выраженными антифибротическими свойствами.
Работа выполнена при поддержке Российского научного фонда (грант 19-75-30007).
Литература:
1. Martens J.H., Stunnenberg H.G. Haematologica. 2013 0ct;98(10):1487-9.
2. Karlsson M. et al. Science Advances. — 2021. — Т. 7. — № . 31. — С. eabh2169.
3. Franzen 0., Gan L.M., Björkegren J.L.M. Panglao Database. — 2019. — Т. 2019.
4. Franzen 0., Björkegren J.L.M. Bioinformatics. — 2020. — Т. 36. — № . 12. — С. 3910-3912.
5. Aran D, Looney AP, Liu L et al. 2019. Nat. Immunol., 20, 163-172.
6. La Manno G. et al. Nature. — 2018. — Т. 560. — № . 7719. — С. 494-498.
7. Hao Y. et al. Cell. — 2021. — Т. 184. — № . 13. — С. 35733587. e29.
ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО
ОБУЧЕНИЯ И СИСТЕМНОЙ БИОЛОГИИ
В АНАЛИЗЕ ДАННЫХ ТРАНСКРИПТОМА
ОДИНОЧНЫХ КЛЕТОК
М.С. Арбатский1, А.Ю. Ефименко1, 2
1 Факультет фундаментальной медицины МГУ им. М.В. Ломоносова, Москва, Россия
2 Институт регенеративной медицины, Медицинский научно-образовательный центр МГУ им. М.В. Ломоносова, Москва, Россия
e-mail: algenubi81@mail.ru
Ключевые слова: машинное обучение, нейронные сети, анализ транскриптома одиночных клеток, системная биология.
Внедрение методов секвенирования транскриптома одиночных клеток (scRNA-seq) одновременно расширило возможности для научных исследований, но также увеличило количество вычислительных задач. Сразу после начала использования первых программных продуктов для анализа данных scRNA-seq появились многочисленные публикации, посвященные выявлению новых типов клеток и неизвестных до сих пор субпопуляций.
В стандартном пайплайне анализа данных scRNA-seq выделяют несколько следующих друг за другом этапов обработки данных: выравнивание транскриптов на геном, препроцессинг, включающий контроль качества и удаление низкокачественных клеток, нормализацию, снижение размерности, кластеризацию, типирование (идентификацию) клеток, визуализацию и функциональный анализ. Однако, результаты, получаемые на этапе кластеризации и типирования клеток, не являются исчерпывающими. Так, количество, размер и взаиморасположение кластеров зависит от применяемых в стандартных пайплайнах алгоритмах. Например, в широкоизвестном программном пайплайне Cell Ranger используются метод к-средних и графовая кластеризация [1]. Применяемые
методы автоматического типирования клеток основаны на трансфере вручную заранее определенных меток с референсных датасетов на анализируемые.
В связи с бурным развитием методов машинного обучения и применением нейронных сетей в анализе данных scRNA-seq появились принципиально новые возможности в этих двух задачах. В случае получения неудовлетворительного результата кластеризации, исследователю приходится вносить изменения в пространство признаков для корректировки результата. Зачастую эта связь не прозрачна, что приводит к большому числу итераций. Так, для кластеризации используется R-пакет на базе нейронных сетей scDeepCluster [2], позволяющий итеративно учитывать обратную связь без корректировки пространства признаков.
Для типирования клеток используется scCapsNet (CapsNet) [3]. Модель scCapsNet обеспечивает вклад каждого извлеченного признака в распознавание типа клеток. Кроме того, смешивание данных об экспрессии РНК двух клеток разных клеточных типов с последующим использованием модели scCapsNet, обученной на несмешанных данных, может прогнозировать типы клеток в смеси клеток с высокой точностью.
Особый интерес представляет использование нейронных сетей с архитектурой автоэнкодеров, которые позволяют избавляться от batch-эффекта, связанного с использованием разных платформ для секвенирования, процедурами получения и подготовки образца, а также алгоритмами обработки данных [4].
Результаты анализа данных scRNA-seq также могут быть применены в моделировании клеточного состава тканей, органов и систем органов. Так, например, используя уникальные данные при исследовании тканей на уровне одиночных клеток, с помощью платформы BioUML [5] были разработаны математические модели клеток поперечно-полосатой мышечной ткани и сердечно-сосудистой системы. Работа выполнена при поддержке Российского научного фонда (грант 19-75-30007).
Литература:
1. Blondel V.D. et al. Journal of statistical mechanics: theory and experiment. - 2008. - Т. 2008. - № . 10. - С. P10008.
2. Tian T. et al. Nature Machine Intelligence. - 2019. - Т. 1. - № . 4. - С. 191-198.
3. Wang L. et al. Nature Machine Intelligence. - 2020. - Т. 2. -№ . 11. - С. 693-703.
4. Russkikh N. et al. Bioinformatics. - 2020. - Т. 36. - № . 20. -С. 5076-5085.
5. Kolpakov F. et al. Nucleic Acids Research. - 2022.
ОЦЕНКА АУТОПЛАЗМЫ, ОБОГАЩЕННОЙ ТРОМБОЦИТАРНЫМИ ФАКТОРАМИ РОСТА, ЭКСТРАКОРПОРАЛЬНОЙ УДАРНО-ВОЛНОВОЙ ТЕРАПИИ В КОРРЕКЦИИ БОЛЕЗНИ ПЕЙРОНИ
С.А. Артеменко1, М.В. Епифанова1, А.А. Костин1, Е.В. Гамеева1, Б.Р. Гвасалия2, А.А. Епифанов3
1 Российский университет дружбы народов (РУДН), Москва, Россия
2 ФГБОУ ВО МГУ пищевых производств, Москва, Россия
3 ФГБОУ ВО МГМСУ им. А.И. Евдокимова Минздрава России, Москва, Россия
e-mail: epifanova_maya@mail.ru
Ключевые слова: аутоплазма, обогащенная тромбоцитар-ными факторами роста (АОТ), экстракорпоральная ударно-волновая терапия (ЭУВТ), болезнь Пейрони (БП).
