Среди недавних ссылок на статью «Квантовая биология на краю квантового хаоса» [Vattay2014] встретилась интересная книга Дэвида Холлара «Траекторный анализ в здравоохранении» [Hollar2018], которая привлекла нетривиальным содержанием и попыткой сформулировать основные принципы траекторного анализа.

{Vattay2014} Gabor Vattay, Stuart Kauffman, and Samuli Niiranen. Quantum biology on the edge of quantum chaos // PloS one 9 (3), e89017 (2014). doi 10.1371/journal.pone.0089017

{Hollar2018} David W. Hollar. Trajectory Analysis in Health Care. 2018. 267 p. doi 10.1007/978-3-319-59626-6

Самоорганизация матричной мРНК снова привлекла внимание в свете работы белков с профилем метилирования мРНК в живой клетке. Интересную точку зрения на чтение кода РНК высказал недавно Ральф Клейнер {Kleiner2018}. Только что появился препринт «Модель целой клетки млекопитающих in-silico раскрывает влияние пространственной организации на эффективность сплайсинга РНК» {Ghaemi2018}, перевод аннотации которого приведен ниже. Аннотация. Пространственная организация является характеристикой эукариотических клеток, достигаемая за счет использования как мембранных, так и не связанных с мембраной органелл. Моделируется влияние этой организации и гетерогенности органелл на сплайсинг РНК (процесс создания матричной РНК, готовой для трансляции) и на сращивание частиц (строительных блоков для машинерии сплайсинга) в клетках млекопитающих. Мы построили пространственно-разрешенную целостную модель клетки HeLa из различных экспериментальных данных и разработали реакционные сети для описания процессов сплайсинга РНК. Мы включили эти сети в нашу цельноклеточную модель и провели стохастическое моделирование в течение 15 минут биологического времени. Мы нашли, что число ядерных пористых комплексов влияет на количество собранных сплайсирующих частиц; что небольшое увеличение локализации сплайсинговых частиц в ядерных спеклах (не связанных с мембраной органелл) приводит к непропорциональному усилению сплайсинга мРНК и уменьшению шума транскрипции; и что компартментализация имеет решающее значение для правильного выхода собранных частиц. Наша модель также предсказывает, что расстояние между генами и спеклами оказывает значительное влияние на эффективную скорость производства мРНК, что еще больше подчеркивает важность организации генома вокруг спеклов. Модель клетки HeLa, включая органеллы и подкомпоненты, обеспечивает адаптивную основу для изучения других клеточных процессов, которые сильно модулируются пространственно-временной гетерогенностью.

{Kleiner2018} Ralph E. Kleiner. Reading the RNA Code // Biochemistry 57 (1), 11–12 (2018). doi 10.1021/acs.biochem.7b00866

{Ghaemi2018} Zhaleh Ghaemi, Joseph Peterson, Martin Gruebele, and Zaida Luthey-Schulten. An In-Silico Mammalian Whole-Cell Model Reveals the Influence of Spatial Organization on RNA Splicing Efficiency // Preprint bioRxiv (2018): 435628. doi 10.1101/435628

Надо обратить особое внимание на определение понятие "величина" у метрологов "quantity", чтобы увидеть неуловимую загадку в 100% точности измерения биологической переменной, или на языке метрологии "biological quantity". Да, да! Не величину (value), не переменную(variable), а именно «количественную биологическую величину». Напрягитесь, пожалуйста, для ответа на вопрос: «а много вы знаете количественных биологических переменных?». Для подсказки см. PIT00367 и отредактированный перевод ключевых биочисел клеточной биологии биочисла (BioNumbers) (pdf, 1495КБ)

Интересный для нас реферат Юлии Воробьёвой "лаборатория-на-чипе" повысит точность иммунотерапии рака до 100% привлёк внимание к статье {Segaliny2018}. Сначала для понимания справка. Т-клеточный рецептор (TCR) — поверхностный белковый комплекс Т-лимфоцитов, ответственный за распознавание процессированных антигенов, связанных с молекулами главного комплекса гистосовместимости (MHC) на поверхности антигенпредставляющих клеток. TCR состоит из двух субъединиц, заякоренных в клеточной мембране, и ассоциирован с мультисубъединичным комплексом CD3. Взаимодействие TCR с молекулами MHC и связанным с ними антигеном ведёт к активации Т-лимфоцитов и является ключевой точкой в запуске иммунного ответа. Аннотация. Перенос "усыновленных" T-клеток, в частности терапия TCR T-клетками, имеет большое значение для иммунотерапии рака с обнадеживающими клиническими результатами. Однако найти правильный клон TCR T-клеток - утомительный, трудоемкий и дорогостоящий процесс. Таким образом, существует критическая потребность в одноклеточных технологиях для быстрого и мультиплексного функционального анализа с последующим восстановлением интересующего клона. Здесь мы используем микрофлюидные капли для функционального скрининга и мониторинга в реальном времени одноклеточной активации TCR T-клеток при распознавании опухолевых клеток-мишеней. Примечательно, что наша платформа включает в себя систему отслеживания для каждого клона, а также процедуру сортировки со 100% -ной специфичностью, подтвержденную последующей ПЦР обратной транскрипции с последующей обратной связью и секвенирование цепей TCR. Наш прототип скрининга TCR облегчит иммунотерапевтический отбор и развитие Т-клеточной терапии.

Новая платформа, которая ускорит исследования рака {Pellegrino2018}, состоит в том, что высокопроизводительное одноклеточное ДНК-секвенирование используется для оценки гетерогенности в популяциях раковых клеток. Аннотация. Чтобы охарактеризовать генетическую гетерогенность в популяциях опухолевых клеток, был разработан новый микрофлюидный подход, который штрихкодирует амплифицированную геномную ДНК из тысяч отдельных раковых клеток, ограниченных каплями. Затем штрих-коды используются для сбора генетических профилей клеток из данных секвенирования следующего поколения. Используя этот подход, мы секвенировали популяции опухолей острой миелоидной лейкемии (acute myeloid leukemia AML) в продольном направлении от двух пациентов и генотипировали до 62 заболеваний, соответствующих локусам, в более чем 16 000 отдельных клеток. Целенаправленное одноклеточное секвенирование позволило чутко идентифицировать клетки, несущие патогенные мутации, во время полной ремиссии и раскрытой комплексной эволюции клонов в опухолях AML, которые не наблюдались при объемном секвенировании. Мы ожидаем, что этот подход сделает возможным рутинный анализ гетерогенности AML, что приведет к улучшению стратификации и выбора терапии для этого заболевания.

Эксперименты по секвенированию одноклеточных РНК были использованы для моделирования внутриопухолевой гетерогенности {Ferrall-Fairbanks2018pr}. Аннотация. ЦЕЛЬ: Многие виды рака можно лечить с помощью целевой терапии. Почти неизбежно, опухоли развивают устойчивость к целенаправленной терапии, либо от предсуществования, либо путем развития новых генотипов и признаков. Внутриопухолевая гетерогенность служит резервуаром для устойчивости, что часто происходит из-за выбора мелких клеточных субклонов. На уровне экспрессии генов «клональная» гетерогенность может быть выявлена ​​только многомерными одноклеточными методами. Мы предлагаем использовать общий индекс разнообразия (GDI) для количественной оценки неоднородности в нескольких масштабах и связывания его с развитием болезни. МЕТОДЫ: Мы сосредоточились на отдельных образцах пациентов, зондированных секвенированием одноклеточных РНК, для описания гетерогенности. Мы разработали конвейер для анализа данных отдельных клеток, путем нормализации выборки, кластеризации и математической интерпретации с использованием обобщенной меры разнесения, и иллюстрируют полезность этой платформы, используя данные о единичных клетках. РЕЗУЛЬТАТЫ: Мы сосредоточились на трех источниках данных секвенирования РНК: два здоровых образца костного мозга (БМ), два пациента с острой миелоидной лейкемией (AML), каждый пробы до и после трансплантации BM (BMT), четыре образца предварительно отсортированных линий и шесть пациентов с карциномой легких с многозонной выборкой. В то время как здоровые/нормальные образцы набрали низкое разнообразие в целом, GDI далее количественно оценивает, в каком отношении эти образцы отличаются. Хотя широко используемый индекс разнообразия Шеннона иногда обнаруживает меньшие различия, GDI обнаруживает различия в количестве потенциальных ключевых факторов или клональном богатстве. Сравнение образцов до и после BMT AML не выявило различий в гетерогенности, хотя они могут быть очень разными в биологическом отношении. ЗАКЛЮЧЕНИЕ: GDI может количественно определять изменения неоднородности клеток в широком спектре, даже если стандартные меры, такие как индекс Шеннона, не показывают разнообразия. Наш подход предлагает широкие возможности для количественной оценки неоднородности образцов и условий.

{Segaliny2018} Aude I. Segaliny, Guideng Li, Lingshun Kong, Ci Ren, Xiaoming Chen, Jessica K. Wang, David Baltimore, Guikai Wu and Weian Zhao. Functional TCR T cell screening using single-cell droplet microfluidics // Lab Chip, 2018, Advance Article. doi 10.1039/C8LC00818C

{Pellegrino2018} Maurizio Pellegrino, Adam Sciambi, Sebastian Treusch, Robert Durruthy-Durruthy, Kaustubh Gokhale, Jose Jacob, Tina X. Chen et al. High-throughput single-cell DNA sequencing of acute myeloid leukemia tumors with droplet microfluidics // Genome research 28 (9), 1345-1352 (2018). Preprint bioRxiv (2017): 203158. doi 10.1101/gr.232272.117

{Ferrall-Fairbanks2018pr} Meghan C. Ferrall-Fairbanks, Markus Ball, Eric Padron, and Philipp M. Altrock. Leveraging single cell RNA sequencing experiments to model intra-tumor heterogeneity // Preprint bioRxiv (2018): 427047. doi 10.1101/427047

Мы с вами развивали микрофлюидные технологии биотестирования и биологического анализа безо всякой оглядки на метрологию. Совершив несколько предварительных шагов и подойдя к необходимости введения точных метрологических характеристик разработанных устройств мы стали понимать, что этап предварительных исследований и прикидок с необходимостью завершается, а требования к точности и погрешности измерений разработанными микрофлюидными устройствами встают в полный рост.

Что же делать? Надо обратиться к такой науке как метрология. Ввести точные эталоны и шкалы эталонов. Ввести понятия сравнения с эталонами. Ввести количественные меры и те нечисловые меры, которые точно характеризуют измеряемые переменные и константы, но количественно выражаемые лишь очень приблизительно и часто только качественно.

Эта мысль возникла вовремя и требует продолжения.

С 2001 года журналисты издания Technology Review весной выбирают 10 прорывных технологий, которые пока не нашли широкого применения или, напротив, в скором времени станут общедоступными. По первым восьми годам даже таблицу для студентов удалось составить на одной странице (2001-2008). Полезно проследить за логикой появления прорывных технологий (!2001-2018)

Оригинал ежегодно создают в Massachusetts Institute of Technology (MIT): 10 Breakthrough Technologies 2018 - MIT Technology Review.

Сейчас делают неплохой перевод: 10 прорывных технологий 2018 года (перевод)

1. 3D-печать металла (3-D Metal Printing)

2. Искусственные эмбрионы (Artificial Embryos)

3. Умный город (Sensing City)

4. Искусственный интеллект для всех (AI for Everybody)

5. Дуэли нейронных сетей (Dueling Neural Networks)

6. Наушники-переводчики по принципу «Вавилонской рыбки» (Babel-Fish Earbuds)

7. Газовая электростанция с нулевой эмиссией (Zero-Carbon Natural Gas)

8. Настоящая приватность в сети (Perfect Online Privacy)

9. Генетические прогнозы (Genetic Fortune-Telling)

10. Материалы квантового скачка (Materials’ Quantum Leap)