Ein neues bioinformatisches Modell erfasst Störfaktoren und Unsicherheiten von Einzelzellanalysen. Subpopulationen und Zelltypen können so genau charakterisiert werden. Sie vertiefen das Verständnis in zelluläre Differenzierungsprozesse und die Pathogenese von Erkrankungen.
Zellpopulationen weisen untereinander eine hohe Heterogenität auf, 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 (Einzelzellanalyse). Diese Methodik ist durch jüngste Entwicklungen für hunderte von Zellen möglich und liefert ein exaktes Bild einzelner Zelltypen. Dennoch können Störfaktoren, wie eine kurzfristig veränderte Genexpression, bedingt durch den Zellzyklus oder Differenzierungsprozesse, das Ergebnis beeinflussen.
Wissenschaftler des Helmholtz Zentrums München und der Technischen Universität München haben gemeinsam mit Kollegen des European Bioinformatics Institute (EBI) 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.
Mit ihrem sogenannten single-cell latent variable Model (scLVM) gelang es dem Team um Florian Büttner und Fabian Theis vom HMGU 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. „Die Analyse einzelner Zelltypen ist essentiell für die medizinische Forschung: Krebszellen, Differenzierungsprozesse, Krankheitsentstehung und vieles mehr lassen sich nur anhand bekannter, detaillierter Zellprofile besser erforschen und verstehen“, so Büttner. Originalpublikation: Computational analysis of cell-to-cell heterogeneity in single-cell RNA-Sequencing data reveals hidden subpopulation of cells Buettner, F. et al. ; Nature Biotechnology, doi: 10.1038/nbt.3102, 2014