INFERENCE. Schaalbaar screening platform dat het werkingsmechanisme van genverstoringen voorspelt op basis van geïntegreerde transcriptionele en celfenotypische metingen. (INFERENCE)

De klassieke werkwijze voor de ontdekking van geneesmiddelen is gebaseerd op een selectie van moleculaire doelwitten en de validatie van verbindingen via enkelvoudige uitlezing van technologieën die grote celpopulaties uitmiddelen. Deze strategie gaat voorbij aan de grote variatie en informatie die aanwezig zijn in een biologisch staal, wat leidt tot selectie bias en verlies van veelbelovende leads. High-content microscopie biedt een groot potentieel voor verfijnde analyse van het werkingsmechanisme (mode-of-action, MoA) van farmaco-genomische verstoringen. Een bijzonder informatierijke uitlezing kan worden verkregen met Cell Painting (CP), een aanpak die in ons lab is geïmplementeerd en bestaat uit geautomatiseerde microscopie en morfologische analyse van cellen die gekleurd zijn met goedkope fluorescente kleurstoffen. De resulterende fenotypische beschrijvingen kunnen worden gebruikt om de MoA van behandelingen accuraat te voorspellen. Deze voorspellingen zijn echter beperkt tot bekende MoA in de dataset. Bovendien kunnen factoren, zoals experimentele ruis en intercellulaire heterogeniteit, relevante biologische eigenschappen vertroebelen. Vandaar dat wij een uitgebreidere MoA documentatie voor ogen hebben door een aanvullende informatielaag toe te voegen op basis van genexpressie analyse van dezelfde celcultuur. Daartoe zullen wij samenwerken met het OncoRNA lab van Prof. Mestdagh (Universiteit Gent), die een efficiënt platform heeft ontwikkeld voor parallelle shotgun transcriptomics met hoge genoomdekking. Samen willen we de combinatie van CP en transcriptomics inzetten voor systematische gen silencing screens op basis van CRISPRi-technologie. Als proof-of-concept zullen we een set genen met gekende MoA gericht neerreguleren in een panel van ziekte-relevante cellijnen. Door de associatie van specifieke genen met simultane veranderingen in celmorfologie en genexpressie, beogen wij een aanrijkingsanalyse op punt te stellen die onbevooroordeelde MoA voorspelling mogelijk maakt. We zullen deze technologie aanbieden als een service voor biotechnologische en farmaceutische bedrijven die hun preklinische R&D lijnen willen verbeteren. Tezelfdertijd, bouwen we een biologisch datakapitaal op, waarmee we op termijn de manier van moleculaire doelwitontdekking willen hertekenen en waarmee we ons zullen positioneren als een voortrekker van data-gedreven biotech op Europees niveau.

Trefwoorden:TRANSCRIPTOMICS, DIEP LEREN, MICROSCOPIE

Disciplines:Moleculaire en celbiologie niet elders geclassificeerd, Patroonherkenning en neurale netwerken, Biomedische beeldverwerking, Datavisualisatie en high-throughput beeldanalyse, Computationele transcriptomics en epigenomics

Project type:Samenwerkingsproject