Alors que les chercheurs sont encore loin de comprendre pleinement le processus, un groupe de scientifiques de l’Université Brown a passé ces dernières années à aider le domaine à se rapprocher. Leur secret ? Une branche des mathématiques appelée topologie.

L’équipe de recherche de Brown, composée d’ingénieurs biomédicaux et de mathématiciens appliqués, a créé un algorithme d’apprentissage automatique utilisant une topologie informatique qui profile les formes et les modèles spatiaux des embryons afin d’étudier comment ces cellules s’organisent en architectures tissulaires. Dans une nouvelle étude, ils font passer ce système à un niveau supérieur, ouvrant la voie à l’étude de la manière dont plusieurs types de cellules s’assemblent.

Le travail est décrit dans Biologie et applications des systèmes npj.

« Dans les tissus, il peut y avoir des différences dans la façon dont une cellule adhère au même type de cellule, par rapport à la façon dont elle adhère à un type de cellule différent », a déclaré Ian Y. Wong, professeur agrégé à la Brown’s School of Engineering qui a contribué au développement de l’algorithme. . « Il y a cette question intéressante de savoir comment ces cellules savent exactement où se retrouver dans un tissu donné, qui est souvent spatialement compartimenté en régions distinctes. »

Par exemple, chez un embryon animal, la couche externe de cellules forme la peau, la couche intermédiaire forme les muscles et les os, tandis que la couche la plus interne forme le foie ou les poumons. Les cellules de chaque couche adhéreront de préférence les unes aux autres, se distinguant des cellules des autres couches qui formeront ensuite d’autres parties du corps.

Dans les années 1970, les scientifiques ont découvert que les cellules des embryons de grenouille pouvaient être séparées en douceur et qu’une fois mélangées, elles se réorganisaient spontanément selon leur organisation initiale. Cela se produit parce que les cellules ont des affinités différentes les unes pour les autres et qu’à mesure qu’elles s’assemblent et se regroupent, certains modèles topologiques de liaisons et de boucles sont préservés.

« Dans le contexte de ces arrangements spatiaux de tissus, vous pouvez apprendre beaucoup de ce qui est là, mais aussi de ce qui n’est pas là en même temps », a déclaré Dhananjay Bhaskar, titulaire d’un récent doctorat chez Brown. diplômé qui a dirigé les travaux et est maintenant chercheur postdoctoral à l’Université de Yale.

Les chercheurs de Brown ont montré en 2021 comment leur approche pouvait profiler les traits topologiques d’un type de cellule qui s’organise en différentes configurations spatiales et pouvait faire des prédictions à ce sujet.

Le problème avec le système d’origine était qu’il s’agissait d’un processus lent et exigeant en main-d’œuvre. L’algorithme a minutieusement comparé ces caractéristiques topologiques une par une à celles d’autres ensembles de positions de cellules afin de déterminer à quel point elles sont topologiquement différentes ou similaires. Le processus a pris plusieurs heures et, essentiellement, a empêché l’algorithme de réaliser tout son potentiel dans la compréhension de la manière dont les cellules s’assemblent et de comparer facilement et avec précision ce qui se passe lorsque les conditions changent – une clé pour décomposer ce qui se passe lorsque les choses changent. faux.

Dans la nouvelle étude, l’équipe de recherche commence à remédier à cette limitation avec ce qu’on appelle des images de persistance. Ces images sont un format standardisé de type image pour représenter les caractéristiques topologiques, permettant une comparaison rapide entre de grands ensembles de données de positions de cellules.

Ils ont ensuite utilisé ces images pour entraîner d’autres algorithmes afin de générer des « empreintes digitales » qui capturent les principales caractéristiques topologiques des données. Cela réduit le temps de calcul de quelques heures à quelques secondes, ce qui permet aux chercheurs de comparer des milliers de simulations d’organisation cellulaire en utilisant les empreintes digitales pour les classer selon des modèles similaires sans intervention humaine.

Les chercheurs affirment que l’objectif est de travailler à rebours et de déduire les règles qui décrivent comment les différents types de cellules s’organisent en fonction du modèle final. Par exemple, s’ils modifient la manière dont certaines cellules sont plus ou moins adhésives, les chercheurs peuvent identifier comment et quand des modifications spectaculaires se produisent dans l’architecture tissulaire.

L’approche a le potentiel d’être appliquée pour comprendre ce qui se passe lorsque le processus de développement déraille et pour des expériences en laboratoire testant comment différents médicaments peuvent modifier la migration et l’adhésion cellulaires.

« Si vous pouvez observer une certaine tendance, nous pouvons utiliser notre algorithme pour déterminer pourquoi cette tendance apparaît », a déclaré Bhaskar. « D’une certaine manière, cela nous indique les règles du jeu lorsqu’il s’agit de l’auto-assemblage des cellules. »

Parmi les autres auteurs de Brown figurent William Y. Zhang, qui a obtenu un baccalauréat en informatique en 2022 ; Alexandria Volkening, qui a obtenu son doctorat. de Brown en 2017 et est maintenant professeur adjoint de mathématiques à Purdue ; et Bjorn Sandstede, professeur Brown de mathématiques appliquées.

La recherche a été soutenue par le Data Science Institute de l’Université Brown, l’Institut national des sciences médicales générales et la National Science Foundation. La recherche a été menée à l’aide des ressources et services informatiques du Brown’s Center for Computation and Visualization.