Leuven, 14. Februar 2025 - Ein belgisches Forschungsteam hat in einer in Science veröffentlichten Studie Deep Learning eingesetzt, um zu untersuchen, wie genetische Schalter Gehirnzelltypen über Spezies hinweg definieren. Sie trainierten Modelle mit Gehirndaten von Mensch, Maus und Huhn und entdeckten, dass einige Zelltypen zwischen Vögeln und Säugetieren nach Millionen von Jahren der Evolution hoch konserviert sind, während andere sich unterschiedlich entwickelt haben.
Die Studie wirft ein neues Licht auf die Gehirnevolution und bietet Werkzeuge zur Untersuchung, wie die Genregulation verschiedene Zelltypen über Spezies oder Krankheitszustände hinweg formt. Gehirnzellen teilen sich wie alle Zellen im Körper die gleiche DNA, unterscheiden sich jedoch in Form und Funktion. Forscher arbeiten daran zu verstehen, was jeden Zelltyp einzigartig macht, und konzentrieren sich dabei auf kurze DNA-Sequenzen, die als Schalter fungieren und die Genaktivität steuern. Die Regulierung dieser Schalter stellt sicher, dass jede Gehirnzelle die korrekten genetischen Anweisungen verwendet, um ihre Rolle zu erfüllen. Wissenschaftler bezeichnen die Muster dieser genetischen Schalter als regulatorischen Code.
Prof. Stein Aerts und sein Team bei VIB.AI [VIB Künstliche Intelligenz] und dem VIB-KU Leuven Zentrum für Gehirn- und Krankheitsforschung untersuchen die Prinzipien des regulatorischen Codes und seine Auswirkungen auf Krankheiten wie Krebs oder Hirnstörungen. Sie entwickeln Deep-Learning-Methoden, um Genregulationsinformationen von Tausenden von einzelnen Zellen zu analysieren.
Aerts erklärt: „Deep-Learning-Modelle, die mit dem DNA-Sequenzcode arbeiten, haben uns enorm geholfen, Regulierungsmechanismen in verschiedenen Zelltypen zu identifizieren. Jetzt wollten wir untersuchen, ob dieser regulatorische Code uns auch darüber informieren kann, wie diese Zelltypen über Spezies hinweg konserviert sind.“
Säugetier- und Vogelgehirne haben trotz gemeinsamer Entwicklungsverläufe eine unterschiedliche Neuroanatomie [Nervenstruktur]. Aerts' Team wandte Deep-Learning-Modelle an, um zu beurteilen, ob sich diese Unterschiede und Ähnlichkeiten in gemeinsamen oder divergenten regulatorischen Codes widerspiegeln.
Nikolai Hecker und Niklas Kempynck, ein Postdoktorand [Postdoktorandenforscher] bzw. Doktorand im Aerts-Labor, entwickelten maschinelle Lernmodelle, um Zelltypen über menschliche, Maus- und Hühnergehirne hinweg zu vergleichen, die etwa 320 Millionen Jahre Evolution umfassen. Sie erstellten zunächst einen transkriptomischen Atlas [eine umfassende Karte aller RNA-Moleküle in einer Zelle oder einem Organismus], um die Zelltypuszusammensetzung des Hühnergehirns zu verstehen.
Hecker erklärt: „Unsere Studie zeigt, wie wir Deep Learning verwenden können, um verschiedene Zelltypen basierend auf ihren regulatorischen Codes zu charakterisieren und zu vergleichen. Wir können diese Codes verwenden, um Genome verschiedener Spezies zu vergleichen, zu identifizieren, welche regulatorischen Codes evolutionär erhalten geblieben sind, und Einblicke in die Entwicklung von Zelltypen zu gewinnen.“
Das Team fand heraus, dass einige regulatorische Zelltypcodes zwischen Vögeln und Säugetieren hoch konserviert sind, während andere sich unterschiedlich entwickelt haben. Die regulatorischen Codes für bestimmte Vogelneuronen ähneln denen von Neuronen tieferer Schichten im Säugetier-Neokortex [der äußeren Schicht des Gehirns].
Kempynck fügt hinzu: „Die direkte Betrachtung des regulatorischen Codes bietet einen erheblichen Vorteil. Er kann uns sagen, welche regulatorischen Prinzipien zwischen Spezies geteilt werden, selbst wenn sich die DNA-Sequenz selbst geändert hat.“
Aerts' Team hatte zuvor verifiziert, dass regulatorische Codes für Melanom- (Hautkrebs-) Zellzustände zwischen Säugetieren und Zebrafischen konserviert sind, und Varianten in Melanompatientengenomen identifiziert. Die Modelle aus der aktuellen Studie zu Gehirnzelltypen bieten Werkzeuge zur Untersuchung der Auswirkungen genomischer Varianten und ihrer Assoziation mit mentalen oder kognitiven Merkmalen und Störungen.
Aerts sagt: „Letztendlich haben Modelle, die den genomischen regulatorischen Code lernen, das Potenzial, Genome zu screenen und das Vorhandensein oder Fehlen spezifischer Zelltypen oder Zellzustände in jeder Spezies zu untersuchen. Dies wäre ein leistungsstarkes Werkzeug, um Krankheiten zu untersuchen und besser zu verstehen.“
Aerts und sein Team erweitern ihre Evolutionsmodellierung auf mehr Tiergehirne, von Fischen bis zu Hirschen, Igeln und Wasserschweinen, in Zusammenarbeit mit dem Zoo Science and Wildlife Rescue Center. Sie untersuchen auch, wie diese KI-Modelle dazu beitragen können, genetische Variationen im Zusammenhang mit der Parkinson-Krankheit aufzudecken.