Наиболее значимым компонентом секретома мезенхимных стромальных клеток (МСК) считаются внеклеточные везикулы (ВВ). В своем составе везикулы несут набор белков, биоактивных липидов, нуклеиновых кислот, защищая их липидным бислоем, а при поглощении клетками-мишенями могут демонстрировать стойкие регенеративные эффекты. Однако многие исследователи показывают, что и другие компоненты кондиционированной среды, кроме ВВ, также участвуют в функции МСК. Таким образом, для выяснения механизмов регенеративных эффектов МСК важно оценить вклад ВВ в эти процессы.

ВВ участвуют в межклеточной коммуникации, передавая от одной клетки к другой белки, биоактивные липиды и нуклеиновые кислоты. ВВ, продуцируемые стволовыми клетками, могут доставлять клеткам-мишеням важную информацию для регенерации тканей после повреждения [1]. В подавляющем большинстве статей, изученных при написании этого обзора, раскрыты схожие вопросы, такие как биогенез везикул, их содержимое, классификация по размеру, участие в межклеточном взаимодействии. Также достаточно подробно рассмотрены вопросы слияния лиганд-рецепторного взаимодействия везикул с клеткой-реципиентом. Лишь в нескольких статьях упоминается о специфичности взаимодействия везикул с клетками. Однако при рассмотрении приведенных примеров можно заметить, что в конечном итоге подробное описание механизма распознавания везикулы клеткой сводится к описанию взаимодействия лиганд-рецепторных пар.

Поднимая вопрос специфичности взаимодействия везикул с клетками, мы решили подробно изучить лиганд-рецепторные пары, упоминаемые в большинстве статей. Возможно, специфичность взаимодействия везикулы с клетками/тканями определяется не их биогенезом, составом мембран и внутренним составом, а всего лишь особым электростатическим полем ткани, привлекающим везикулы с соответствующими характеристиками заряда [2, 3, 4].

Исходя из этого, можно предположить, что специфичности как таковой не существует, а существует объемное распределение разнозаряженных везикул в электростатическом поле тканей [5].

Чтобы ответить на вопрос о возможности распределения везикул, предлагается создать модель, предсказывающую биораспределение ВВ в зависимости от ее суммарного заряда поверхности. Для этого необходимо подготовить обучающую и тестовую (валидационную) выборки.

Для анализа будут использоваться табличные данные, где объектом для каждой записи будет молекулярный компонент мембраны внеклеточной везикулы, а атрибутом — место ее распределения, подтвержденное открытыми данными (количество атрибутов может меняться) (табл. 1). Сбор данных осложняется отсутствием готовых массивов. Таблица формируется вручную из объема заранее подготовленной выборки литературы по данной тематике. Ориентировочный размер таблицы 2 (или больше) * 1000.

Для непосредственного обучения модели обучающая (тренировочная) выборка, по которой производится оптимизация параметров алгоритма, будет включать все случаи предсказания распределения на знаниях об электрофоретической подвижности частиц в заряженном поле и электростатических эффектах. Для создания данной выборки будет использовано 70% полученных данных (90% — при недостаточном объеме данных). Для проверки точности модели и контроля переобучения модели тестовая выборка будет состоять из экспериментально подтвержденных примеров распределения везикул. Для создания данной выборки будет использовано 30% полученных данных (10% — при недостаточном объеме данных). Следующим этапом является определение наиболее подходящего алгоритма машинного обучения. После изучения публикаций, посвященных подобным задачам, было решено использовать алгоритм машинного обучения Random Forest (RF) как наиболее подходящего для решения данного типа задач. Планируется использовать архитектуру случайного леса, где каждое дерево в качестве критерия качества ветвления дерева имеет индекс Gini, глубину каждого дерева будем считать гиперпараметром, оптимум которого подберем с помощью ранней остановки, ограничением глубины дерева, заданием минимально допустимого числа или отсечением ветвей.

Исследовать данные перед обучением, проверять наличие связи между целевым показателем и признаками объектов, оценивать природу и качество данных, а также интерпретировать результат работы случайного леса будем с помощью метода Exploratory Data Analysis (EDA) и для этого в Python будем использовать библиотеку SHAP (SHapley Additive exPlanations). Это позволит нам выявить наиболее значимые признаки в наборе данных.

После получения модели будут проверены имеющиеся данные о составе внеклеточных везикул МСК, культивируемых в лаборатории. Результат предсказания будет затем подтверждаться экспериментально.