Новые маркеры для контроля качества iPSC — шаг к стандартизации
Индуцированные плюрипотентные стволовые клетки (iPSC) человека обладают большим потенциалом для научных и медицинских приложений. Они используются для моделирования заболеваний, разработки терапий и в клинических испытаниях регенеративных методов лечения, например, болезни Паркинсона.
iPSC получают из соматических клеток (например, кожи или крови) взрослых доноров путём репрограммирования с помощью факторов плюрипотентности. Эти клетки могут неограниченно делиться и дифференцироваться в различные типы тканей, что делает их ценным инструментом для исследований и перспективным для персонализированной медицины.
Контроль качества iPSC, включающий оценку морфологии, целостности генома и плюрипотентности (способности дифференцироваться в три зародышевых листка — энтодерму, эктодерму и мезодерму), крайне важен, но ещё не полностью стандартизирован. Существует потребность в простых, быстрых и экономичных методах тестирования.
Новое исследование, опубликованное в Nature Communications группой Йохена Добнера, сосредоточено на оценке плюрипотентности. Авторы использовали длинноридовое нанопоровое секвенирование транскриптома и обнаружили 172 гена, связанных с клеточными состояниями, не охваченными текущими руководствами.
С помощью qPCR были валидированы 12 генов в качестве уникальных маркеров для конкретных клеточных судеб:
- Плюрипотентные iPSC: CNMD, NANOG, SPP1
- Энтодерма: CER1, EOMES, GATA6
- Мезодерма: APLNR, HAND1, HOXB7
- Эктодерма: HES5, PAMR1, PAX6
На основе этих генов был разработан машинно-обучаемый скоринговый алгоритм "hiPSCore". Система была обучена на 15 линиях iPSC и протестирована на дополнительных 10 линиях. hiPSCore точно классифицирует плюрипотентные и дифференцированные клетки, а также предсказывает их потенциал для образования специализированных 2D-клеток и 3D-органоидов.
«Мы всегда стремимся улучшать методы, которые используем», — поясняет руководитель группы в IUF доктор Андреа Росси. — «Мы планируем в ближайшие годы продолжить разработку методов контроля качества для стандартизированного использования iPSC».
«Машинное обучение — привлекательный инструмент для оптимизации процессов, — добавляет первый автор исследования доктор Йохен Добнер. — Наш разработанный hiPSCore улучшает тестирование iPSC, сокращая время, субъективность и использование ресурсов, тем самым повышая качество iPSC для научных и медицинских применений».