Калибровка тканевых моделей на основе ПДЕ для динамики лигандов с использованием одноячейковых и пространственных транскриптомных данных

Как клетки общаются через заживающую рану

Когда наша кожа повреждается, бесчисленные клетки должны скоординированно восстановить повреждение, не оставив чрезмерного рубца. Они делают это, отправляя и воспринимая химические сообщения — лиганды, — которые распространяются по ткани и вызывают реакции в соседних клетках. В этой работе показано, как современные генетические измерения на уровне отдельных клеток и с сохранением пространственной локализации можно преобразовать в мощный способ калибровки математических моделей таких химических сигналов, что помогает исследователям лучше понять нормальное заживление и заболевания, связанные с образованием рубцов.

Почему химические сигналы важны в тканях

Клетки в тканях редко действуют в одиночку. Они постоянно обмениваются сигналами, которые подсказывают им, когда делиться, перемещаться или «усыплять» активность. Многие из этих сигналов — это короткодействующие молекулы, выпущенные одной клеткой и улавливаемые рецепторами другой. Такие сообщения играют центральную роль в заживлении ран, воспалении и заболеваниях, таких как фиброз и рак. Исследователи давно используют математические уравнения, известные как реакционно-диффузионные модели, чтобы описать, как эти молекулы синтезируются, распространяются и разрушаются. Тем не менее давняя проблема заключается в том, как подобрать реалистичные значения параметров — например скорости продукции и силы связывания — чтобы модели отражали происходящее в живой ткани, а не только идеализированные лабораторные условия.

Новые возможности наблюдения за живой тканью

За последнее время две экспериментальные технологии трансформировали возможности наблюдения тканей. Одноячейковый секвенс РНК измеряет, какие гены активны в тысячах отдельных клеток, раскрывая их идентичности и сигнальные способности. Пространственная транскриптомика, напротив, измеряет активность генов в многочисленных небольших точках, расположенных в виде сетки на срезе ткани, сохраняя информацию о локализации разных клеток. В этой работе авторы сочетают оба типа данных из образцов человеческой кожи, взятых через 30 дней после ранения, когда ткань находится на стадии «ремоделирования» заживления. Они сосредотачиваются на трёх формах ключевого сигнального молекулы — трансформирующего фактора роста бета (TGFβ), известного своим влиянием на образование рубцов и восстановление ткани.

Пошаговый конвейер от генов к параметрам модели

Исследователи разработали вычислительный конвейер, который связывает эти богатые генетические измерения с моделью движения и действия TGFβ на уровне ткани. Сначала они используют проверенные биоинформатические инструменты для идентификации основных типов и подтипов клеток — например трёх различных классов фибробластов, макрофагов и эндотелиоцитов — и для оценки того, сколько каждого типа присутствует в каждой точке сетки ткани. Затем они выводят, насколько сильно каждый тип клеток, вероятно, общается с другими через TGFβ, на основе совокупной активности генов-лигандов в отправляющих клетках и рецепторов в принимающих. Эти выведенные «силы взаимодействия» служат экспериментальной целью, которую должна воспроизвести математическая модель.

Обучение модели соответствовать ткани

Далее команда описывает распространение TGFβ по ткани набором уравнений в частных производных, решаемых на сетке, которая повторяет макет пространственной транскриптомики. Для любого выбранного набора значений параметров — например скорости диффузии TGFβ, скорости его распада и того, сколько каждая клеточная популяция производит или поглощает — модель предсказывает поля концентраций трёх форм TGFβ и соответствующие силы взаимодействия между типами клеток. Чтобы настроить эти параметры, авторы используют трёхэтапную стратегию калибровки. Сначала они применяют приближённые байесовские методы для широкого обзора правдоподобных параметров, опираясь на предыдущие эксперименты, постепенно сужая область на комбинации, которые хорошо коррелируют с взаимодействиями, выведенными из генетических данных. Затем эти перспективные кандидаты передаются в метод оптимизации на основе градиента для точной подгонки параметров с целью максимизации согласия. Этот гибридный подход достигает практически идеального линейного соответствия (корреляция 0,99) между предсказанными моделью и выведенными из данных силами взаимодействия.

Что раскрывает откалиброванная модель о заживлении

Имея хорошо согласованную модель, исследователи изучают, что выводимые параметры говорят о биологии. Они подтверждают, что три подтипа фибробластов, выделенные по данным экспрессии генов, функционально различны: один демонстрирует выраженный воспалительный профиль, другой—признаки миофибробластов, участвующих в сокращении раны. Оценённые скорости продукции указывают, что провоспалительные фибробласты вырабатывают наименьшее количество TGFβ на стадии ремоделирования, что согласуется с угасанием воспаления к 30-му дню. Удивительно, что подтип, известный как папиллярные фибробласты, по-видимому, продуцирует относительно большое количество TGFβ3 — формы, часто ассоциируемой с меньшим образованием рубца и более регенеративными исходами. Прогнозируемые моделью карты концентраций TGFβ совпадают с областями скопления фибробластов и макрофагов, указывая на очаги активного перекрестного общения, которые могут направлять формирование рубца.

Гибкая платформа для других тканей и заболеваний

Помимо конкретного случая заживления ран, основным вкладом исследования является общий конвейер для преобразования современных генетических данных в хорошо откалиброванные модели на уровне ткани. Сочетая одноячейковую и пространственную транскриптомику с продвинутыми статистическими и оптимизационными инструментами, исследователи могут более строго оценивать, как быстро перемещаются лиганды, насколько сильно они связываются и какие клетки вносят наибольший вклад в сигнализацию. Этот подход можно адаптировать к другим тканям, другим сигнальным молекулам и состояниям заболеваний, таким как фибротическое рубцевание или рак, в конечном счёте помогая переводить сложные молекулярные снимки в предсказательные модели поведения целых тканей.

Цитирование: Daher, A., Trucu, D. & Eftimie, R. Calibrating tissue level PDE models of ligand dynamics using single cell and spatial transcriptomics data. npj Syst Biol Appl 12, 44 (2026). https://doi.org/10.1038/s41540-026-00657-8

Ключевые слова: заживление ран, клеточная сигнализация, пространственная транскриптомика, TGF бета, математическое моделирование