Роль компонентов сурфеактома внеклеточных везикул в распознавании их клеткой-мишенью

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.

1. Lopatina, T., Bruno, S., Tetta, C., Kalinina, N., Porta, M., & Camussi, G. (2014). Platelet-derived growth factor regulates the secretion of extracellular vesicles by adipose mesenchymal stem cells and enhances their angiogenic potential. Cell Communication and Signaling, 12(1), 1-12.

2. McKee T. J. et al. Extracellular matrix composition of connective tissues: a systematic review and meta-analysis //Scientific reports. — 2019. — Т. 9. — №. 1. — С. 1-15.

3. Stylianopoulos T. et al. Diffusion of particles in the extracellular matrix: the effect of repulsive electrostatic interactions //Biophysical journal. — 2010. — Т. 99. — №. 5. — С. 1342-1349.

4. Halper J., Kjaer M. Basic components of connective tissues and extracellular matrix: elastin, fibrillin, fibulins, fibrinogen, fibronectin, laminin, tenascins and thrombospondins //Progress in heritable soft connective tissue diseases. — 2014. — С. 31-47.

5. Lieleg O., Baumgärtel R. M., Bausch A. R. Selective filtering of particles by the extracellular matrix: an electrostatic bandpass // Biophysical journal. — 2009. — Т. 97. — №. 6. — С. 1569-1577.

6. Denzer, Kristin, et al. «Follicular dendritic cells carry MHC class II-expressing microvesicles at their surface.» The Journal of Immunology 165.3 (2000): 1259-1265.

7. Mallegol, Julia, et al. «T84-intestinal epithelial exosomes bear MHC class II/peptide complexes potentiating antigen presentation by dendritic cells.» Gastroenterology 132.5 (2007): 1866-1876. (177)

8. Nolte-‘t Hoen, Esther NM, et al. «Activated T cells recruit exosomes secreted by dendritic cells via LFA-1.» Blood, The Journal of the American Society of Hematology 113.9 (2009): 1977-1981. (204)

9. Chivet, Mathilde, et al. «Exosomes secreted by cortical neurons upon glutamatergic synapse activation specifically interact with neurons.» Journal of extracellular vesicles 3.1 (2014): 24722. (93)

10. Hoshino, Ayuko, et al. «Tumour exosome integrins determine organotropic metastasis.» Nature 527.7578 (2015): 329-335. (1730)

11. Purushothaman, Anurag, et al. «Fibronectin on the surface of myeloma cell-derived exosomes mediates exosome-cell interactions.» Journal of Biological Chemistry 291.4 (2016): 1652-1663. (101)

12. Zech, Daniela, et al. «Tumor-exosomes and leukocyte activation: an ambivalent crosstalk.» Cell Communication and Signaling 10.1 (2012): 37. (117)

13. Rana, Sanyukta, et al. «Toward tailored exosomes: the exosomal tetraspanin web contributes to target cell selection.» The international journal of biochemistry & cell biology 44.9 (2012): 1574-1584. (310)