.
O fato de humanos e outros organismos vivos poderem se desenvolver e crescer a partir de uma única célula depende de um processo denominado desenvolvimento embrionário. Para que o tecido saudável se forme, as células do embrião precisam se organizar da maneira certa, no lugar certo e na hora certa. Quando esse processo não dá certo, pode resultar em defeitos congênitos, regeneração tecidual prejudicada ou câncer. Tudo isso faz com que a compreensão de como diferentes tipos de células se organizam em uma arquitetura complexa de tecidos seja uma das questões mais fundamentais da biologia do desenvolvimento.
Embora os pesquisadores ainda estejam um pouco longe de compreender totalmente o processo, um grupo de cientistas da Universidade Brown passou os últimos anos ajudando o campo a se aproximar. O segredo deles? Um ramo da matemática chamado topologia.
A equipe de pesquisa da Brown, formada por engenheiros biomédicos e matemáticos aplicados, criou um algoritmo de aprendizado de máquina usando topologia computacional que traça perfis de formas e padrões espaciais em embriões para estudar como essas células se organizam em arquiteturas semelhantes a tecidos. Num novo estudo, eles levam esse sistema para o próximo nível, abrindo caminho para estudar como vários tipos de células se montam.
O trabalho está descrito em Biologia de Sistemas e Aplicações npj.
“Nos tecidos, pode haver diferenças na forma como uma célula adere ao mesmo tipo de célula, em relação à forma como adere a um tipo de célula diferente”, disse Ian Y. Wong, professor associado da Escola de Engenharia de Brown que ajudou a desenvolver o algoritmo. . “Há uma questão interessante de como essas células sabem exatamente onde terminar dentro de um determinado tecido, que muitas vezes é compartimentalizado espacialmente em regiões distintas.”
Por exemplo, num embrião animal, a camada externa de células forma a pele, a camada intermediária forma músculos e ossos, enquanto a camada mais interna forma o fígado ou os pulmões. As células dentro de cada camada aderem preferencialmente umas às outras, separando-se das células de outras camadas que formam outras partes do corpo.
Na década de 1970, os cientistas descobriram que as células dos embriões de rã podiam ser suavemente separadas e, quando misturadas novamente, reorganizavam-se espontaneamente na sua organização inicial. Isso ocorre porque as células têm afinidades diferentes umas com as outras e, à medida que se agrupam e se agrupam, certos padrões topológicos de ligações e laços são preservados.
“No contexto desses arranjos espaciais dos tecidos, você pode aprender muito com o que está lá, mas também com o que não está ao mesmo tempo”, disse Dhananjay Bhaskar, um recente Brown Ph.D. graduado que liderou o trabalho e agora é pesquisador de pós-doutorado na Universidade de Yale.
Os pesquisadores de Brown mostraram em 2021 como sua abordagem pode traçar o perfil das características topológicas de um tipo de célula que se organiza em diferentes configurações espaciais e poderia fazer previsões sobre isso.
O problema com o sistema original era que ele era um processo lento e trabalhoso. O algoritmo comparou meticulosamente esses recursos topológicos, um por um, com aqueles em outros conjuntos de posições de células para determinar o quão topologicamente diferentes ou semelhantes eles são. O processo levou várias horas e, essencialmente, impediu o algoritmo de atingir todo o seu potencial de compreensão de como as células se montam e de ser capaz de comparar com facilidade e precisão o que acontece quando as condições mudam – uma chave para entender o que acontece quando as coisas acontecem. errado.
No novo estudo, a equipe de pesquisa começa a abordar essa limitação com o que chamamos de imagens de persistência. Essas imagens são um formato padronizado semelhante a uma imagem para representar características topológicas, permitindo uma comparação rápida entre grandes conjuntos de dados de posições de células.
Eles então usaram essas imagens para treinar outros algoritmos para gerar “impressões digitais” que capturam as principais características topológicas dos dados. Isto reduz o tempo de cálculo de horas para segundos, permitindo aos investigadores comparar milhares de simulações de organização celular usando as impressões digitais para classificá-las em padrões semelhantes sem intervenção humana.
Os pesquisadores dizem que o objetivo é trabalhar de trás para frente e inferir as regras que descrevem como os diferentes tipos de células se organizam com base no padrão final. Por exemplo, se eles mexerem na forma como certas células são mais ou menos adesivas, os pesquisadores podem identificar como e quando ocorrem alterações dramáticas na arquitetura do tecido.
A abordagem tem potencial para ser aplicada na compreensão do que acontece quando o processo de desenvolvimento sai do caminho e em experimentos de laboratório que testam como diferentes medicamentos podem alterar a migração e adesão celular.
“Se você consegue ver um determinado padrão, podemos usar nosso algoritmo para dizer por que esse padrão surge”, disse Bhaskar. “De certa forma, está nos dizendo as regras do jogo quando se trata de células se montando.”
Outros autores de Brown incluem William Y. Zhang, que se formou em ciência da computação em 2022; Alexandria Volkening, que obteve seu doutorado. formou-se na Brown em 2017 e agora é professor assistente de matemática na Purdue; e Bjorn Sandstede, professor de matemática aplicada da Brown.
A pesquisa foi apoiada pelo Data Science Institute da Brown University, pelo National Institute of General Medical Sciences e pela National Science Foundation. A pesquisa foi realizada utilizando recursos e serviços computacionais do Brown’s Center for Computation and Visualization.
.
