Ο ανθρώπινος εγκέφαλος αποτελείται από περίπου 170 δισεκατομμύρια κύτταρα, το καθένα εξελίχθηκε για να εκτελέσει συγκεκριμένα καθήκοντα, πράγμα που εγείρει ένα βασικό ερώτημα: Τι κάνει αυτά τα κύτταρα διαφορετικά μεταξύ τους;
Οι περισσότεροι βιολόγοι προσπαθούν να απαντήσουν σε αυτό το θεμελιώδες ερώτημα με την απομόνωση των κυττάρων μία προς μία και τη λήψη των μοριακών τους δακτυλικών αποτυπωμάτων. Με την αλληλουχία του RNA σε κάθε μεμονωμένο κύτταρο, οι επιστήμονες μπορούν να προσδιορίσουν ποια γονίδια ήταν “σε” σε έναν δεδομένο ιστό. Αλλά οι τεχνικές που χρησιμοποιούνται για τη διαμόρφωση των κυττάρων από τα κομμάτια του ιστού είναι δύσκολο να εφαρμοστούν στους λεπτούς, σπειροειδείς νευρώνες του ανθρώπινου εγκεφάλου – και έχουν εξάλλου στατιστικούς περιορισμούς.
Τώρα, οι ερευνητές του Πανεπιστημίου του Σαν Φρανσίσκο έχουν δείξει ότι είναι δυνατόν να μελετήσουν την κυτταρική ταυτότητα με την κονιοποίηση δειγμάτων ιστού εγκεφάλου, την εξαγωγή του RNA τους χύδην και την αναζήτηση μορφών υπογραφής της γονιδιακής δραστηριότητας. Η νέα μελέτη, που παρουσιάστηκε στην κάλυψη του τεύχους του Nature Neuroscience του 2018 , ανέλυσε δεδομένα από δισεκατομμύρια κύτταρα, τα οποία συγκεντρώθηκαν από περισσότερα από 7200 δείγματα νευροτυπικών ιστών που συλλέχθηκαν από 840 δότες ανθρώπων κατά την τελευταία δεκαετία.
“Οι μελέτες που αναλύουν δεκάδες χιλιάδες μεμονωμένων κυττάρων είναι εντυπωσιακές, αλλά δεν μπορούν να κρατήσουν ένα κερί στα δισεκατομμύρια κύτταρα που υπάρχουν σε άθικτα δείγματα ιστών”, δήλωσε ο Michael Oldham, βοηθός καθηγητής νευρολογικής χειρουργικής του UCSF και ανώτερος συγγραφέας μελέτη. “Οι άνθρωποι έχουν υποτιμήσει το πληροφοριακό περιεχόμενο των συνόλων δεδομένων Omics που παράγονται από χύδην ιστό – με αυτή την προσέγγιση, μπορούμε να περάσουμε όλα τα είδη των υπαρχόντων δεδομένων για να αντιμετωπίσουμε ένα τεράστιο φάσμα βιολογικών ερωτημάτων”.
Τα δείγματα μαζικού ιστού περιέχουν μια ποικιλία τύπων κυττάρων , από τη φύση τους. Οι ερευνητές υποθέτουν ότι, εάν κάθε κυτταρικός τύπος έχει ένα χαρακτηριστικό πρότυπο γονιδιακής έκφρασης , αυτές οι υπογραφές θα εμφανίζονται σταθερά σε πολλά δείγματα ιστών. Με άλλα λόγια, η συγκεκριμένη ποικιλία κυττάρων σε έναν δεδομένο ιστό θα πρέπει να οδηγήσει τη συνολική γονιδιακή έκφραση με έναν προβλέψιμο τρόπο.
Χρησιμοποιώντας δημοσιευμένα σύνολα δεδομένων και καθιερωμένους δείκτες κυτταρικής ταυτότητας, οι επιστήμονες εντόπισαν τα δακτυλικά αποτυπώματα των κύριων κυτταρικών τάξεων – δηλαδή των νευρώνων, των ολιγοδενδροκυττάρων, των αστροκυττάρων και της μικρογλοίας – σε χιλιάδες transcriptomes. Οι ερευνητές έχουν κάνει το έργο τους διαθέσιμο ως ηλεκτρονικό πόρο . Η τοποθεσία επιτρέπει στους επιστήμονες να αναγνωρίζουν εύκολα ποια γονίδια εκφράζονται χαρακτηριστικά από διαφορετικές κατηγορίες κυττάρων στον εγκέφαλο και όπου αυτά τα κύτταρα βρίσκονται συνήθως.
Αυτή η νέα τεχνική θα μπορούσε να βοηθήσει τους επιστήμονες να προβλέψουν ποια κύτταρα και περιοχές του εγκεφάλου είναι οι κύριοι στόχοι μιας συγκεκριμένης ασθένειας. Οι ερευνητές έχουν ήδη χρησιμοποιήσει την τεχνική για να μοντελοποιήσουν την έκφραση των γονιδίων που είναι γνωστό ότι αυξάνουν τον κίνδυνο της νόσου του Alzheimer.
Διαπίστωσαν ότι δύο γονίδια που σχετίζονται με την πρώιμη έναρξη του Alzheimer – που ονομάζεται APP και PSEN1 – εκφράζονται κυρίως από νευρώνες και ολιγοδενδροκύτταρα, αντίστοιχα. Συγκριτικά, δύο γονίδια που σχετίζονται με την αργή έναρξη του Alzheimer – APOE και TREM2 – εκφράζονται κατά κύριο λόγο από αστροκύτταρα και μικρογλοία. Αυτά τα ευρήματα υπονοούν ότι βασικές αλλαγές μεταγραφής σε συγκεκριμένους κυτταρικούς τύπους θα μπορούσαν να υπογραμμίσουν τις διάφορες εκδηλώσεις της νόσου.
Αυτός ο τύπος ανάλυσης μπορεί να αναπτυχθεί σε ιστούς πέρα από τον ανθρώπινο εγκέφαλο για να παρουσιάσει τα κύτταρα σε οποιοδήποτε βιολογικό σύστημα, σε οποιοδήποτε ζωικό είδος, τόσο σε υγιείς όσο και σε ασθένειες. Εκτός από την ανάλυση της γονιδιακής έκφρασης, η προσέγγιση μπορεί να προσαρμοστεί για να αποκαλύψει ποιες πρωτεΐνες, λιπίδια ή επιγενετικοί δείκτες αντιπροσωπεύουν καλύτερα συγκεκριμένα είδη κυττάρων. Στον πυρήνα της, η νέα τεχνική μπορεί να βοηθήσει τους επιστήμονες να καταλάβουν γιατί διαφορετικοί τύποι κυττάρων λειτουργούν με τον τρόπο που κάνουν – και χωρίς το επιμελώς επιτακτικό έργο να διαχωρίζουν τους ιστούς από το κύτταρο.