Ny cellatlas kartlägger genomets tredimensionella struktur och DNA-metylering samtidigt

Vårt DNA är långt ifrån en platt textremsa. Inuti varje cellkärna viks och packas arvsmassan ihop i en komplex tredimensionell struktur, där avstånd och kontakter mellan olika delar av genomet påverkar vilka gener som slås på eller av. Parallellt med denna arkitektur bär DNA:t också kemiska markörer, framför allt så kallad DNA-metylering, som fungerar som ett slags reglerkontakter för genaktivitet. Att förstå hur dessa två lager samspelar har länge varit en av de stora utmaningarna inom molekylärbiologin.

Nu har forskare presenterat en encellsatlas som samtidigt kartlägger både genomets 3D-arkitektur och dess metyleringsmönster. Det centrala med metoden är att den arbetar på nivån av enskilda celler. Tidigare tekniker har ofta krävt att man mätt genomsnitt över stora mängder celler, vilket suddar ut viktiga skillnader mellan olika celltyper. Genom att i stället läsa av cell för cell går det att se hur den rumsliga strukturen och de kemiska markörerna varierar mellan exempelvis olika typer av nervceller, immunceller eller andra vävnadsceller.

Varför två lager i samma mätning gör skillnad

Styrkan ligger i kombinationen. När man mäter både hur DNA:t är veckat och var de kemiska markörerna sitter i samma cell, kan forskarna koppla ihop orsak och verkan på ett sätt som annars är svårt. En viss veckning av kromosomerna kan sammanfalla med särskilda metyleringsmönster, och sambandet kan skilja sig åt beroende på vilken celltyp det handlar om. En atlas som fångar båda dimensionerna gör det möjligt att bygga en mer heltäckande bild av hur genreglering faktiskt fungerar i olika delar av kroppen.

En flaskhals för AI byggs bort

Ett av de mest intressanta perspektiven handlar om artificiell intelligens. AI-modeller som ska förutsäga hur genomet beter sig är beroende av stora mängder märkt träningsdata, alltså data där man redan vet vilken celltyp och vilka egenskaper varje mätning tillhör. Just bristen på sådan celltypsupplöst data har historiskt bromsat utvecklingen inom fältet. En atlas av den här typen levererar exakt det som saknats: rikligt med väl kategoriserad information som kan användas för att träna modeller att göra träffsäkra förutsägelser.

Det innebär att atlasen inte bara är ett fynd i sig, utan också ett verktyg som kan driva nästa generations analyser. Med bättre träningsdata kan AI-modeller lära sig att förutsäga hur en förändring i genomets struktur eller metylering påverkar cellens funktion, utan att varje enskilt fall behöver mätas experimentellt.

Betydelse framåt

Kartor av det här slaget lägger en grund för att bättre förstå hur celler skiljer sig åt och hur genreglering går snett vid sjukdom. Att kunna kombinera flera informationslager på encellsnivå pekar mot en framtid där forskningen rör sig från grova genomsnitt till en betydligt mer detaljerad förståelse av vad som händer i varje enskild cell.