Kısmen paylaşılan çok-modlu gömme hücre durumunun bütünsel temsilini öğrenir

Bu çalışma neden önemli

Vücudumuzdaki her hücre küçük bir evren gibidir ve modern araçlar artık o evreni aynı anda birçok açıdan gözleyebiliyor—genleri okuyarak, DNA paketlenmesini haritalandırarak veya proteinleri görüntüleyerek. Ancak çoğu hesaplamalı yöntem bu bakış açılarını birbirine öyle bir şekilde karıştırıyor ki hangi ölçümün hangi içgörüye yol açtığını ayırt etmek zorlaşıyor. Bu makale, farklı hücre verilerini birleştirme konusunda APOLLO adında yeni bir yaklaşım sunuyor; bu yöntem ölçümler arasında paylaşılan ile her birine özgü olanı izleyerek hücre davranışının daha net, bütünsel bir resmini çıkarıyor.

Hücreleri birçok mercekten görmek

Günümüz biyolojisi aynı hücreden birden fazla tür bilgi ölçmeyi rutin hale getirdi: hangi genlerin aktif olduğu, DNA’nın ne kadar sıkı paketlendiği, yüzeyi hangi proteinlerin kapladığı veya belirli proteinlerin hücre içinde nerede bulunduğu. Her “modalite” gerçek hücre durumunun yalnızca bir kısmını yakalar. Geniş hücre tipi gibi bazı özellikler tüm modalitelerde ortaya çıkabilirken, ince taneli DNA paketlenmesi veya belirli bir proteinin konumu gibi diğerleri yalnızca tek bir modalitede görülebilir. Mevcut hesaplamalı yöntemler ya her modaliteyi ayrı ayrı inceliyor ya da bunları tek, karışık bir temsilde birleştiriyor. Her iki durumda da bilim insanları hangi özelliklerin hangi ölçümden kaynaklandığını ayırt etmekte ve eksik bir ölçümün ne göstereceğini tahmin etmekte güçlük çekiyor.

Paylaşılan ve özgün sinyallerin yeni bir haritası

APOLLO bu sorunu her hücrenin yapısal bir iç haritasını öğrenerek çözüyor. Tek tip bir özet yerine bilgiyi üç kısma ayırıyor: farklı ölçümlerin ortak olanını yansıtan paylaşılan bileşen ve her veri türüne özgü olanı yakalayan iki modalite-özel bileşen. İçeride APOLLO, otomatik kodlayıcılar (autoencoder) olarak adlandırılan bir sinir ağı ailesi kullanıyor. İlk eğitim adımında her hücrenin iç temsili ayarlanabilir bir parametre seti olarak ele alınıyor ve her modalitenin doğru şekilde yeniden oluşturulabilmesi için decoder ağları ile birlikte bunlar ortak olarak optimize ediliyor. İkinci adımda ise, bu aynı iç temsilleri yeni verilerden çıkarabilecek encoder ağları eğitiliyor; bu da yöntemin görülmemiş hücrelere genellemesini ve modaliteler arası tahmin yapmasını sağlıyor.

Yöntemi simüle edilmiş ve gerçek verilerde test etmek

Yazarlar önce APOLLO’yu gerçek alttaki yapının bilindiği dikkatle tasarlanmış simüle edilmiş veri setlerinde kıyaslıyor. Paylaşılan ve modalite-özel faktörlerin istatistiksel olarak karışık olduğu senaryolar da dahil olmak üzere çeşitli durumlarda APOLLO bunları amaçlanan bölümlere başarılı şekilde ayırıyor. Ardından yöntemi fare derisinden elde edilen eşleştirilmiş gen ifadesi ve kromatin erişilebilirliği verisine, bağışıklık hücrelerinde gen ifadesi ile yüzey protein düzeylerini eşleştiren verilere ve yüksek derecede çoklu hücre görüntülerine uyguluyorlar. Bu gerçek veri setlerinde paylaşılan uzay, hücre tipini tanımlayan ana düzenleyiciler gibi temel biyolojik temaları yakalarken, modalite-özel uzaylar hücre döngüsü durumu veya yalnızca bir ölçüme özgü parti etkileri gibi ek katmanları öne çıkarıyor.

Eksik görüntüleri tahmin etmek ve hücre yapısını ortaya çıkarmak

Çarpıcı uygulamalardan biri kanser hastalarından alınan bağışıklık hücrelerinin görüntülenmesini kullanıyor. Burada her hücrede bir DNA boyama ve bir veya birkaç protein boyaması bulunuyor, ancak her hücrede tüm proteinler ölçülmüş olmuyor. APOLLO, kromatin organizasyonundaki desenlerin protein yerleşimiyle nasıl ilişkili olduğunu öğreniyor ve ardından yalnızca bir hücrenin kromatin görüntüsüne dayanarak ölçülmemiş bir proteinin o hücrede nasıl görüneceğini tahmin edebiliyor. Bu tahmin edilen protein görüntüleri ayrı bir sınıflandırıcı—hasta tanısını ayırt etmek üzere eğitilmiş—için gerçek görüntülerdeki kadar iyi olmasa da neredeyse aynı performansı sergileyebilecek kadar gerçekçi. İnsan Protein Atlası gibi başka geniş bir görüntü kaynağında APOLLO, çekirdek şekli, mikrotübül ağı ve endoplazmik retikulumun proteinlerin hücre içindeki konumlandırılmasıyla nasıl ilişkilendiğini ayrıştırıyor. Bazı proteinler için çekirdek dokusundaki değişkenlik en bilgilendirici unsur iken; diğerleri için çevreleyen hücresel iskeletin özellikleri baskın oluyor.

Hücre kimliğine daha net bir bakış

Uzman olmayan bir okuyucu için temel mesaj şudur: APOLLO, aynı hücrelerin birçok farklı ölçümünü hangi ölçümün neyi açıkladığını kaybetmeden birleştirmeye izin veriyor. Paylaşılan ile modalite-özel bilgileri açıkça ayırarak yöntem hem ölçülmemiş verileri—örneğin ölçülmemiş protein görüntülerini—tahmin edebiliyor hem de belirli bir fenotiple (hastalık durumu veya protein yeniden lokalizasyonu gibi) gerçekten ilişkili olan hücresel bölme ya da veri türünü vurgulayabiliyor. Her hücrenin yapılandırılmış, yorumlanabilir bir özetini oluşturabilme yeteneği, daha hassas tanılar ve biyolojinin farklı katmanlarının birlikte nasıl çalıştığına dair daha derin mekanistik anlayış için zemin hazırlıyor.

Atıf: Zhang, X., Shivashankar, G.V. & Uhler, C. Partially shared multi-modal embedding learns holistic representation of cell state. Nat Comput Sci 6, 285–300 (2026). https://doi.org/10.1038/s43588-025-00948-w

Anahtar kelimeler: tek hücreli çok-omiks, temsil öğrenimi, hücre durumu, protein yerleşimi, kromatin görüntüleme