Simple Science

Scienza all'avanguardia spiegata semplicemente

# La biologia# Biologia cellulare

Il Ruolo di ERK e Akt nella Divisione Cellulare

La ricerca rivela come ERK e Akt influenzano la crescita e la divisione cellulare.

― 5 leggere min


ERK e Akt: Prevedere laERK e Akt: Prevedere laDivisione Cellularetumorali.nel comportamento delle celluleNuove scoperte sui ruoli di ERK e Akt
Indice

ERK e AKT sono proteine importanti nelle cellule che aiutano a controllare come le cellule crescono e si dividono. Sono influenzate da segnali esterni, come i fattori di crescita. Quando questi segnali non funzionano bene, possono portare a malattie, incluso il cancro. Per questo motivo, gli scienziati stanno studiando ERK e Akt per trovare modi migliori per trattare queste malattie.

Ricerche precedenti hanno mostrato che ERK e Akt giocano un ruolo in come le cellule decidono di crescere e dividersi. Tuttavia, diverse cellule possono reagire in modo diverso agli stessi segnali, rendendo difficile prevedere il comportamento cellulare. Alcune cellule potrebbero comportarsi in modo imprevedibile anche quando sono esposte alle stesse condizioni. Gli scienziati pensano che la durata o l'intensità di questi segnali sulle cellule potrebbero essere collegate a come le cellule si comporteranno in seguito. Per indagare su questo, gli scienziati devono studiare cellule singole nel tempo per vedere come cambiano le attività di ERK e Akt e come questi cambiamenti si relazionano alla Divisione cellulare.

Negli studi precedenti, gli scienziati hanno raccolto Dati su come si comportano ERK e Akt in alcune cellule quando ricevono segnali di crescita. Tuttavia, hanno guardato solo un tipo di cellula e un tipo di segnale di crescita. In questo studio, gli scienziati hanno ampliato questo lavoro osservando più tipi di cellule e condizioni per vedere se potevano prevedere se una cellula si sarebbe divisa o meno in base al comportamento di ERK e Akt.

Raccolta Dati

I ricercatori hanno usato due set di esperimenti per raccogliere i loro dati. Nel primo, hanno preso cellule mammarie affamate di nutrienti e segnali di crescita. Hanno trattato queste cellule con segnali di crescita e poi hanno scattato foto per 48 ore per vedere come si comportavano ERK e Akt. Per ogni cellula, potevano dire se si era divisa o meno in base alle immagini.

In un altro esperimento, hanno osservato un altro tipo di cellula che era già in crescita. Hanno raccolto dati su come si comportava ERK in queste cellule, ma non hanno guardato Akt in questo caso.

Per analizzare i risultati, i ricercatori hanno esaminato i cambiamenti temporali in ERK e Akt per vedere se questo potesse aiutarli a capire quali cellule si sarebbero divise.

Preparazione Dati

Poiché le cellule divise avevano osservazioni più brevi rispetto a quelle non divise, i ricercatori hanno regolato i dati in modo che tutte le cellule potessero essere confrontate equamente. Hanno accorciato i dati temporali per le cellule non divise per allinearli a quelli divisi.

Classificazione Divisione Cellulare

Per capire quali cellule si sarebbero divise, i ricercatori hanno usato diversi metodi che combinavano informazioni dalle attività di ERK e Akt. Hanno esaminato una gamma di tecniche per vedere quale funzionasse meglio per prevedere se una cellula si sarebbe divisa.

Uno dei metodi che hanno usato è stato osservare i modelli nei dati temporali di ERK e Akt. Hanno provato diverse tecniche come trasformazioni wavelet e analisi statistica per estrarre caratteristiche importanti che potessero aiutare nella previsione del destino cellulare.

Risultati delle Previsioni

I ricercatori hanno scoperto che combinare i dati di ERK e Akt dava previsioni migliori rispetto a guardarli separatamente. Hanno trovato che l'attività di ERK era più affidabile per prevedere se una cellula si sarebbe divisa rispetto all'attività di Akt. Questo ha senso, visto che si sa che ERK è più direttamente legato ai processi di divisione cellulare.

Dopo aver addestrato i loro modelli, i ricercatori li hanno testati su diversi set di dati. Hanno scoperto che i modelli funzionavano bene anche su dati di tipi diversi di cellule che non erano state private di nutrienti. Questo dimostra che i loro metodi potrebbero applicarsi in modo più ampio rispetto solo all'impostazione sperimentale originale.

Comprendere il Comportamento Cellulare

Usando il loro modello di previsione, gli scienziati sono stati in grado di analizzare quali punti nei dati temporali di ERK e Akt erano più importanti per decidere se una cellula si sarebbe divisa. Hanno scoperto che sia le attività di ERK che di Akt erano importanti, ma ERK aveva un ruolo maggiore. Interessante, hanno trovato che i cambiamenti nell'attività di ERK durante tutto il periodo di osservazione erano legati alla probabilità di divisione cellulare, non solo nel momento in cui venivano applicati i segnali di crescita.

Implicazioni per la Ricerca Futura

I risultati suggeriscono che monitorare i cambiamenti nelle attività di ERK e Akt nel tempo può aiutare a prevedere come si comporteranno le cellule. Questo potrebbe contribuire a trovare nuovi trattamenti per le malattie, specialmente il cancro, dove capire la divisione cellulare è cruciale.

La ricerca futura potrebbe puntare a raccogliere set di dati più ampi che guardano a più tipi di cellule e condizioni. Avere più dati aiuterebbe gli scienziati a comprendere meglio come ERK e Akt lavorano insieme in circostanze diverse.

Inoltre, gli scienziati potrebbero voler esplorare come diversi segnali di crescita influenzano il comportamento di queste proteine e come questo si relaziona alla divisione cellulare. Comprendere queste relazioni potrebbe aiutare a sviluppare strategie terapeutiche migliori.

Conclusione

In sintesi, la ricerca evidenzia l'importanza di monitorare le attività di ERK e Akt nel tempo per prevedere la divisione cellulare. La combinazione di dati provenienti da entrambe le proteine fornisce previsioni migliori rispetto a considerarli separatamente. C'è molto potenziale per ulteriori ricerche per esplorare come queste scoperte possano portare a progressi nei trattamenti medici per malattie legate alla crescita e alla divisione cellulare.

Man mano che la comprensione di questi processi cellulari cresce, potrebbe aprire la strada a nuove strategie per combattere malattie come il cancro e contribuire al campo della biologia cellulare.

Fonte originale

Titolo: Low-frequency ERK and Akt activity dynamics are predictive of stochastic cell division events

Estratto: Understanding the dynamics of intracellular signaling pathways, such as ERK1/2 (ERK) and Akt1/2 (Akt), in the context of cell fate decisions is important for advancing our knowledge of cellular processes and diseases, particularly cancer. While previous studies have established associations between ERK and Akt activities and proliferative cell fate, the heterogeneity of single-cell responses adds complexity to this understanding. This study employed a data-driven approach to address this challenge, developing machine learning models trained on a dataset of growth factor-induced ERK and Akt activity time courses in single cells, to predict cell division events. The most effective predictive models were developed by applying discrete wavelet transforms (DWTs) to extract low-frequency features from the time courses, followed by using Ensemble Integration, an effective data integration and predictive modeling framework. The results demonstrated that these models effectively predicted cell division events in MCF10A cells (F-measure=0.524, AUC=0.726). ERK dynamics were found to be more predictive than Akt, but the combination of both measurements further enhanced predictive performance. The ERK models performance also generalized to predicting division events in RPE cells, indicating the potential applicability of these models and our data-driven methodology for predicting cell division across different biological contexts. Interpretation of these models suggested that ERK dynamics throughout the cell cycle, rather than immediately after growth factor stimulation, were associated with the likelihood of cell division. Overall, this work contributes insights into the predictive power of intra-cellular signaling dynamics for cell fate decisions, and highlights the potential of machine learning approaches in unraveling complex cellular behaviors.

Autori: Gaurav Pandey, J. J. R. Bennett, A. D. Stern, X. Zhang, M. R. Birtwistle

Ultimo aggiornamento: 2024-01-20 00:00:00

Lingua: English

URL di origine: https://www.biorxiv.org/content/10.1101/2024.01.17.576041

Fonte PDF: https://www.biorxiv.org/content/10.1101/2024.01.17.576041.full.pdf

Licenza: https://creativecommons.org/licenses/by/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia biorxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Altro dagli autori

Articoli simili