Недавние исследования показали, что отдельные клетки обладают способностью к обучению, опровергая идею о том, что сложное обучающееся поведение присуще только организмам с нервной системой.
Используя компьютерное моделирование, исследователи продемонстрировали, как клетки адаптируются к повторяющимся стимулам, предлагая идеи, которые могут произвести революцию в лечении заболеваний и продолжить исследования в области вычислительной биологии.
Отдельные клетки могут обладать способностью к обучению, которая, как считалось ранее, присуща исключительно животным с мозгом и сложной нервной системой. Это новаторское открытие стало результатом исследования, проведенного учеными из Центра геномного регулирования в Барселоне и Гарвардской медицинской школы в Бостоне. Результаты исследования, опубликованные 19 ноября в журнале Current Biology, бросают вызов давним предположениям о фундаментальной природе жизни и могут изменить наше понимание клеточного поведения.
«Вместо того чтобы следовать заранее запрограммированным генетическим инструкциям, клетки оказываются сущностями, наделенными базовой формой принятия решений, основанной на обучении у окружающей среды», - объясняет Джереми Гунавардена, доцент кафедры системной биологии Гарвардской медицинской школы и соавтор исследования.
В исследовании рассматривалось привыкание - процесс, в ходе которого организм постепенно перестает реагировать на повторяющийся стимул. Именно поэтому люди перестают замечать тиканье часов или меньше отвлекаются на мигающие лампочки. Эта низшая форма обучения широко изучалась на животных со сложной нервной системой. Вопрос о том, существуют ли формы обучения, подобные привыканию, на клеточном уровне, до сих пор остается спорным. Эксперименты начала XX века с одноклеточными реснитчатыми Stentor roeselii впервые пролили свет на поведение, напоминающее обучение, но в то время эти исследования были проигнорированы и не получили должного внимания. В 1970-х и 1980-х годах признаки привыкания были обнаружены у других реснитчатых, и современные эксперименты продолжают подкреплять теорию.
«Эти существа сильно отличаются от животных с мозгом. Их способность к обучению означает, что они используют внутренние молекулярные сети, которые каким-то образом выполняют функции, аналогичные тем, которые выполняют сети нейронов в мозге. Никто не знает, как им это удается, поэтому мы решили, что это вопрос, который необходимо изучить», - рассказывает Гунавардена.
Для обработки информации в клетках используются биохимические реакции. Например, добавление или удаление фосфатной метки на поверхности белка приводит к его включению или выключению. Чтобы проследить, как клетки обрабатывают информацию, вместо работы с клетками в лабораторных условиях исследователи использовали компьютерное моделирование, основанное на математических уравнениях, для наблюдения за этими реакциями и расшифровки «языка» клетки. Это позволило им увидеть, как меняются молекулярные взаимодействия внутри клеток при многократном воздействии на них одного и того же стимула.
В частности, в исследовании рассматривались две распространенные молекулярные цепи - петли отрицательной обратной связи и некогерентные петли обратной связи. При отрицательной обратной связи результат процесса подавляет его собственное производство, как, например, термостат, отключающий обогреватель, когда в комнате достигается определенная температура. При некогерентной обратной связи сигнал одновременно активирует и процесс, и его ингибитор, как, например, светильник с таймером, активируемый движением. Обнаружив движение, свет автоматически выключается через определенный промежуток времени.
Моделирование позволяет предположить, что клетки используют комбинацию по крайней мере двух из этих молекулярных схем для точной настройки своей реакции на стимул и воспроизведения всех отличительных черт привыкания, наблюдаемых у более сложных форм жизни. Один из ключевых выводов - требование «временного разделения» в поведении молекулярных цепей, когда одни реакции происходят гораздо быстрее, чем другие.
"Мы считаем, что это может быть своего рода «памятью» на клеточном уровне, позволяющей клеткам как реагировать немедленно, так и влиять на будущую реакцию", -
объясняет Гунавардена.
Результаты исследования могут также прояснить давнюю дискуссию между неврологами и исследователями когнитивных способностей. В течение многих лет эти две группы по-разному относились к тому, как сила привыкания связана с частотой или интенсивностью стимуляции. Неврологи ориентируются на наблюдаемое поведение, отмечая, что организмы демонстрируют более сильное привыкание при более частых или менее интенсивных стимулах. Когнитивные ученые, однако, настаивают на проверке наличия внутренних изменений и формирования памяти после привыкания. Если следовать их методологии, то привыкание будет сильнее при менее частых и более интенсивных стимулах.
Исследование показывает, что поведение моделей соответствует обеим точкам зрения. Во время привыкания реакция снижается сильнее при более частых или менее интенсивных стимулах, но после привыкания реакция на обычный стимул в этих случаях также сильнее. «Неврологи и когнитологи изучают процессы, которые, по сути, являются двумя сторонами одной медали», - говорит Гунавардена. «Мы считаем, что одиночные клетки могут стать прекрасным инструментом для понимания основ обучения».
Исследование углубляет наше понимание того, как обучение и память работают на самом базовом уровне жизни. Если отдельные клетки способны «запоминать», это может помочь объяснить, как раковые клетки развивают устойчивость к химиотерапии или как бактерии становятся резистентными к антибиотикам - ситуации, когда клетки, похоже, «учатся» у своего окружения.
Однако эти предсказания должны быть подтверждены реальными биологическими данными. Авторы исследования использовали математическое моделирование для изучения концепции обучения клеток, поскольку оно позволяет быстро проверить множество различных сценариев, чтобы понять, какие из них стоит изучить в реальных экспериментах. Эта работа может заложить основу для ученых-экспериментаторов, которые теперь будут разрабатывать лабораторные эксперименты и проверять эти предсказания.
«Наш подход может помочь нам определить приоритеты экспериментов, которые с наибольшей вероятностью дадут ценные результаты, сэкономят время и ресурсы и приведут к новым прорывам», - отмечает Гунавардена. «Мы считаем, что он может быть полезен и для решения многих других фундаментальных вопросов».
