Измеримые метрики клеточного старения мезенхимальных стволовых клеток

Д.А. Калашникова, С.Е. Романов, Д.А. Максимов, И.А. Плохих, Р.Ю. Епифанов, Р.И. Мулляджанов, Л.О. Сидельников, П.А. Антошина, Я.А. Осипов, В.В. Шлома, А.А. Будилина, Е.М. Самойлова, В.П. Баклаушев, П.П. Лактионов

Ключевые слова: мезенхимальные стволовые клетки; клеточное старение; теломеры; экспрессия; предиктивные модели для оценки старения.

2014, том 6, номер 2, стр. 5.

DOI: https://doi.org/10.17691/stm2025.17.5.01

Полный текст статьи

html

Аннотация
Список литературы
Как цитировать в References

Цель исследования — проанализировать проявления отдельных маркеров старения на модели репликативного, стресс-индуцированного и хронологического старения мезенхимальных стволовых клеток человека, а также изучить реализуемость предиктивных моделей для оценки возраста и протяженности культивирования invitro на основе транскриптомных данных и исследования клеточной морфологии.

Материалы и методы. На различных моделях клеточного старения методом ПЦР в режиме реального времени проанализирована динамика экспрессии отдельных генов, кодирующих принципиальные регуляторы клеточного старения, а также исследована длина теломер. Проведен анализ данных высокопроизводительного секвенирования транскриптомов мезенхимальных стволовых клеток доноров разного возраста. С помощью методов регрессионного анализа подготовлены предиктивные модели на основе транскриптомных данных для оценки хронологического возраста и протяженности культивирования invitro. Методами микроскопии и последующего анализа изображений алгоритмами машинного обучения изучены морфологические изменения, ассоциированные с клеточным старением, и подготовлена сегментационная нейросетевая модель для экстракции параметров ядерной морфологии и классификации клеток по времени культивации invitro.

Результаты. На моделях репликативного, стресс-индуцированного и хронологического старения мезенхимальных стволовых клеток гены CDKN1A, LMNB1, HMGB2 демонстрировали воспроизводимую схожую динамику. Профиль экспрессии компонентов воспалительного фенотипа, ассоциированного со старением, был вариабелен в различных моделях клеточного старения. Анализ транскриптомов мезенхимальных стволовых клеток доноров разного возраста выявил значительную донор-зависимую гетерогенность клеток, что затрудняет разработку эффективных предиктивных моделей на основе транскриптомных данных. Исследование изменения длины теломер продемонстрировало свою применимость для оценки динамики репликативного старения invitro. Разработанная сегментационная нейросетевая модель позволила детектировать ассоциированную со старением динамику изменения ядерной морфологии в ходе репликативного старения.

Margiana R., Markov A., Zekiy A.O., Hamza M.U., Al-Dabbagh K.A., Al-Zubaidi S.H., Hameed N.M., Ahmad I., Sivaraman R., Kzar H.H., Al-Gazally M.E., Mustafa Y.F., Siahmansouri H. Clinical application of mesenchymal stem cell in regenerative medicine: a narrative review. Stem Cell Res Ther 2022; 13(1): 366, https://doi.org/10.1186/s13287-022-03054-0.
Galderisi U., Peluso G., Di Bernardo G. Clinical trials based on mesenchymal stromal cells are exponentially increasing: where are we in recent years? Stem Cell Rev Rep 2022; 18(1): 23–36, https://doi.org/10.1007/s12015-021-10231-w.
Campisi J., d’Adda di Fagagna F. Cellular senescence: when bad things happen to good cells. Nat Rev Mol Cell Biol 2007; 8(9): 729–740, https://doi.org/10.1038/nrm2233.
Zha K., Li X., Yang Z., Tian G., Sun Z., Sui X., Dai Y., Liu S., Guo Q. Heterogeneity of mesenchymal stem cells in cartilage regeneration: from characterization to application. NPJ Regen Med 2021; 6(1): 14, https://doi.org/10.1038/s41536-021-00122-6.
Alm J.J., Qian H., Le Blanc K. Chapter 13 — Clinical grade production of mesenchymal stromal cells. In: Tissue engineering. Elsevier; 2014; p. 427–469, https://doi.org/10.1016/B978-0-12-420145-3.00013-4.
Xiang S., Gao W., Peng H., Liu A., Ao Q., Yang M., Yu Y., Liu Y., Rong R. Standards of clinical-grade mesenchymal stromal cell preparation and quality control (2020 China version). J Neurorestoratol 2020; 8(4): 197–216, https://doi.org/10.26599/JNR.2020.9040021.
López-Otín C., Blasco M.A., Partridge L., Serrano M., Kroemer G. Hallmarks of aging: an expanding universe. Cell 2023; 186(2): 243–278, https://doi.org/10.1016/j.cell.2022.11.001.
Kuilman T., Michaloglou C., Mooi W.J., Peeper D.S. The essence of senescence. Genes Dev 2010; 24(22): 2463–2479, https://doi.org/10.1101/gad.1971610.
Pazolli E., Alspach E., Milczarek A., Prior J., Piwnica-Worms D., Stewart S.A. Chromatin remodeling underlies the senescence-associated secretory phenotype of tumor stromal fibroblasts that supports cancer progression. Cancer Res 2012; 72(9): 2251–2261, https://doi.org/10.1158/0008-5472.CAN-11-3386.
Mikuła-Pietrasik J., Niklas A., Uruski P., Tykarski A., Książek K. Mechanisms and significance of therapy-induced and spontaneous senescence of cancer cells. Cell Mol Life Sci 2020; 77(2): 213–229, https://doi.org/10.1007/s00018-019-03261-8.
Kumari R., Jat P. Mechanisms of cellular senescence: cell cycle arrest and senescence associated secretory phenotype. Front Cell Dev Biol 2021; 9: 645593, https://doi.org/10.3389/fcell.2021.645593.
González-Gualda E., Baker A.G., Fruk L., Muñoz-Espín D. A guide to assessing cellular senescence in vitro and in vivo. FEBS J 2021; 288(1): 56–80, https://doi.org/10.1111/febs.15570.
Carnero A. Markers of cellular senescence. Methods Mol Biol 2013; 965: 63–81, https://doi.org/10.1007/978-1-62703-239-1_4.
Aird K.M., Iwasaki O., Kossenkov A.V., Tanizawa H., Fatkhutdinov N., Bitler B.G., Le L., Alicea G., Yang T.L., Johnson F.B., Noma K.I., Zhang R. HMGB2 orchestrates the chromatin landscape of senescence-associated secretory phenotype gene loci. J Cell Biol 2016; 215(3): 325–334, https://doi.org/10.1083/jcb.201608026.
Shah P.P., Donahue G., Otte G.L., Capell B.C., Nelson D.M., Cao K., Aggarwala V., Cruickshanks H.A., Rai T.S., McBryan T., Gregory B.D., Adams P.D., Berger S.L. Lamin B1 depletion in senescent cells triggers large-scale changes in gene expression and the chromatin landscape. Genes Dev 2013; 27(16): 1787–1799, https://doi.org/10.1101/gad.223834.113.
Criscione S.W., Teo Y.V., Neretti N. The chromatin landscape of cellular senescence. Trends Genet 2016; 32(11): 751–761, https://doi.org/10.1016/j.tig.2016.09.005.
Galvis D., Walsh D., Harries L.W., Latorre E., Rankin J. A dynamical systems model for the measurement of cellular senescence. J R Soc Interface 2019; 16(159): 20190311, https://doi.org/10.1098/rsif.2019.0311.
Coppé J.P., Desprez P.Y., Krtolica A., Campisi J. The senescence-associated secretory phenotype: the dark side of tumor suppression. Annu Rev Pathol 2010; 5: 99–118, https://doi.org/10.1146/annurev-pathol-121808-102144.
Simpson D.J., Chandra T. Epigenetic age prediction. Aging Cell 2021; 20(9): e13452, https://doi.org/10.1111/acel.13452.
Mamoshina P., Volosnikova M., Ozerov I.V., Putin E., Skibina E., Cortese F., Zhavoronkov A. Machine learning on human muscle transcriptomic data for biomarker discovery and tissue-specific drug target identification. Front Genet 2018; 9: 242, https://doi.org/10.3389/fgene.2018.00242.
Heckenbach I., Mkrtchyan G.V., Ezra M.B., Bakula D., Madsen J.S., Nielsen M.H., Oró D., Osborne B., Covarrubias A.J., Idda M.L., Gorospe M., Mortensen L., Verdin E., Westendorp R., Scheibye-Knudsen M. Nuclear morphology is a deep learning biomarker of cellular senescence. Nat Aging 2022; 2(8): 742–755, https://doi.org/10.1038/s43587-022-00263-3.
Debacq-Chainiaux F., Erusalimsky J.D., Campisi J., Toussaint O. Protocols to detect senescence-associated beta-galactosidase (SA-betagal) activity, a biomarker of senescent cells in culture and in vivo. Nat Protoc 2009; 4(12): 1798–1806, https://doi.org/10.1038/nprot.2009.191.
Andrzejewska A., Catar R., Schoon J., Qazi T.H., Sass F.A., Jacobi D., Blankenstein A., Reinke S., Krüger D., Streitz M., Schlickeiser S., Richter S., Souidi N., Beez C., Kamhieh-Milz J., Krüger U., Zemojtel T., Jürchott K., Strunk D., Reinke P., Duda G., Moll G., Geissler S. Multi-parameter analysis of biobanked human bone marrow stromal cells shows little influence for donor age and mild comorbidities on phenotypic and functional properties. Front Immunol 2019; 10: 2474, https://doi.org/10.3389/fimmu.2019.02474.
Ayhan S., Nemutlu E., Uçkan Çetinkaya D., Kır S., Özgül R.K. Characterization of human bone marrow niches with metabolome and transcriptome profiling. J Cell Sci 2021; 134(6): jcs250720, https://doi.org/10.1242/jcs.250720.
Li H., Handsaker B., Wysoker A., Fennell T., Ruan J., Homer N., Marth G., Abecasis G., Durbin R; 1000 Genome Project Data Processing Subgroup. The sequence alignment/Map format and SAMtools. Bioinformatics 2009; 25(16): 2078–2079, https://doi.org/10.1093/bioinformatics/btp352.
Dobin A., Davis C.A., Schlesinger F., Drenkow J., Zaleski C., Jha S., Batut P., Chaisson M., Gingeras T.R. STAR: ultrafast universal RNA-seq aligner. Bioinformatics 2013; 29(1): 15–21, https://doi.org/10.1093/bioinformatics/bts635.
Liao Y., Smyth G.K., Shi W. featureCounts: an efficient general purpose program for assigning sequence reads to genomic features. Bioinformatics 2014; 30(7): 923–930, https://doi.org/10.1093/bioinformatics/btt656.
Zhang Y., Parmigiani G., Johnson W.E. ComBat-seq: batch effect adjustment for RNA-seq count data. NAR Genomics and Bioinformatics 2020; 2(3), https://doi.org/10.1093/nargab/lqaa078.
Robinson M.D., McCarthy D.J., Smyth G.K. edgeR: a bioconductor package for differential expression analysis of digital gene expression data. Bioinformatics 2010; 26(1): 139–140, https://doi.org/10.1093/bioinformatics/btp616.
Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay E. Scikit-learn: machine learning in Python. Journal of Machine Learning Research 2011; 12: 2825–2830.
Kirillov A., Mintun E., Ravi N., Mao H., Rolland C., Gustafson L., Xiao T., Whitehead S., Berg A.C., Lo W.-Y., Dollár P., Girshick R. Segment anything. In: 2023 IEEE/CVF International Conference on Computer Vision (ICCV). 2023, https://doi.org/10.1109/iccv51070.2023.00371.
Chen L.C., Zhu Y., Papandreou G., Schroff F., Adam H. Encoder-decoder with atrous separable convolution for semantic image segmentation. In: Ferrari V., Hebert M., Sminchisescu C., Weiss Y. (editors). Computer Vision — ECCV 2018. ECCV 2018. Lecture Notes in Computer Science, vol. 11211. Springer, Cham; 2018, https://doi.org/10.1007/978-3-030-01234-2_49.
Tan M., Le Q. EfficientNet: rethinking model scaling for convolutional neural networks. In: Le Proceedings of the 36th International Conference on Machine Learning, PMLR 2019; 97: 6105–6114.
Freund A., Laberge R.M., Demaria M., Campisi J. Lamin B1 loss is a senescence-associated biomarker. Mol Biol Cell 2012; 23(11): 2066–2075, https://doi.org/10.1091/mbc.E11-10-0884.
Narita M., Nũnez S., Heard E., Narita M., Lin A.W., Hearn S.A., Spector D.L., Hannon G.J., Lowe S.W. Rb-mediated heterochromatin formation and silencing of E2F target genes during cellular senescence. Cell 2003; 113(6): 703–716, https://doi.org/10.1016/s0092-8674(03)00401-x.
Sati S., Bonev B., Szabo Q., Jost D., Bensadoun P., Serra F., Loubiere V., Papadopoulos G.L., Rivera-Mulia J.C., Fritsch L., Bouret P., Castillo D., Gelpi J.L., Orozco M., Vaillant C., Pellestor F., Bantignies F., Marti-Renom M.A., Gilbert D.M., Lemaitre J.M., Cavalli G. 4D genome rewiring during oncogene-induced and replicative senescence. Mol Cell 2020; 78(3): 522–538.e9, https://doi.org/10.1016/j.molcel.2020.03.007.
Dasgupta N., Arnold R., Equey A., Gandhi A., Adams P.D. The role of the dynamic epigenetic landscape in senescence: orchestrating SASP expression. NPJ Aging 2024; 10(1): 48, https://doi.org/10.1038/s41514-024-
00172-2.
Zirkel A., Nikolic M., Sofiadis K., Mallm J.P., Brackley C.A., Gothe H., Drechsel O., Becker C., Altmüller J., Josipovic N., Georgomanolis T., Brant L., Franzen J., Koker M., Gusmao E.G., Costa I.G., Ullrich R.T., Wagner W., Roukos V., Nürnberg P., Marenduzzo D., Rippe K., Papantonis A. HMGB2 loss upon senescence entry disrupts genomic organization and induces CTCF clustering across cell types. Mol Cell 2018; 70(4): 730–744.e6, https://doi.org/10.1016/j.molcel.2018.03.030.
Miller K.N., Dasgupta N., Liu T., Adams P.D., Vizioli M.G. Cytoplasmic chromatin fragments-from mechanisms to therapeutic potential. Elife 2021; 10: e63728, https://doi.org/10.7554/eLife.63728.
Coppé J.P., Patil C.K., Rodier F., Sun Y., Muñoz D.P., Goldstein J., Nelson P.S., Desprez P.Y., Campisi J. Senescence-associated secretory phenotypes reveal cell-nonautonomous functions of oncogenic RAS and the p53 tumor suppressor. PLoS Biol 2008; 6(12): 2853–2868, https://doi.org/10.1371/journal.pbio.0060301.
Freund A., Orjalo A.V., Desprez P.Y., Campisi J. Inflammatory networks during cellular senescence: causes and consequences. Trends Mol Med 2010; 16(5): 238–246, https://doi.org/10.1016/j.molmed.2010.03.003.
Gnani D., Crippa S., Della Volpe L., Rossella V., Conti A., Lettera E., Rivis S., Ometti M., Fraschini G., Bernardo M.E., Di Micco R. An early-senescence state in aged mesenchymal stromal cells contributes to hematopoietic stem and progenitor cell clonogenic impairment through the activation of a pro-inflammatory program. Aging Cell 2019; 18(3): e12933, https://doi.org/10.1111/acel.12933.
Peters M.J., Joehanes R., Pilling L.C., Schurmann C., Conneely K.N., Powell J., Reinmaa E., Sutphin G.L., Zhernakova A., Schramm K., Wilson Y.A., Kobes S., Tukiainen T.; NABEC/UKBEC Consortium; Ramos Y.F., Göring H.H., Fornage M., Liu Y., Gharib S.A., Stranger B.E., De Jager P.L., Aviv A., Levy D., Murabito J.M., Munson P.J., Huan T., Hofman A., Uitterlinden A.G., Rivadeneira F., van Rooij J., Stolk L., Broer L., Verbiest M.M., Jhamai M., Arp P., Metspalu A., Tserel L., Milani L., Samani N.J., Peterson P., Kasela S., Codd V., Peters A., Ward-Caviness C.K., Herder C., Waldenberger M., Roden M., Singmann P., Zeilinger S., Illig T., Homuth G., Grabe H.J., Völzke H., Steil L., Kocher T., Murray A., Melzer D., Yaghootkar H., Bandinelli S., Moses E.K., Kent J.W., Curran J.E., Johnson M.P., Williams-Blangero S., Westra H.J., McRae A.F., Smith J.A., Kardia S.L., Hovatta I., Perola M., Ripatti S., Salomaa V., Henders A.K., Martin N.G., Smith A.K., Mehta D., Binder E.B., Nylocks K.M., Kennedy E.M., Klengel T., Ding J., Suchy-Dicey A.M., Enquobahrie D.A., Brody J., Rotter J.I., Chen Y.D., Houwing-Duistermaat J., Kloppenburg M., Slagboom P.E., Helmer Q., den Hollander W., Bean S., Raj T., Bakhshi N., Wang Q.P., Oyston L.J., Psaty B.M., Tracy R.P., Montgomery G.W., Turner S.T., Blangero J., Meulenbelt I., Ressler K.J., Yang J., Franke L., Kettunen J., Visscher P.M., Neely G.G., Korstanje R., Hanson R.L., Prokisch H., Ferrucci L., Esko T., Teumer A., van Meurs J.B., Johnson A.D. The transcriptional landscape of age in human peripheral blood. Nat Commun 2015; 6: 8570, https://doi.org/10.1038/ncomms9570.
Fleischer J.G., Schulte R., Tsai H.H., Tyagi S., Ibarra A., Shokhirev M.N., Huang L., Hetzer M.W., Navlakha S. Predicting age from the transcriptome of human dermal fibroblasts. Genome Biol 2018; 19(1): 221, https://doi.org/10.1186/s13059-018-1599-6.
Shokhirev M.N., Johnson A.A. Modeling the human aging transcriptome across tissues, health status, and sex. Aging Cell 2021; 20(1): e13280, https://doi.org/10.1111/acel.13280.
Dimri G.P., Lee X., Basile G., Acosta M., Scott G., Roskelley C., Medrano E.E., Linskens M., Rubelj I., Pereira-Smith O. A biomarker that identifies senescent human cells in culture and in aging skin in vivo. Proc Natl Acad Sci U S A 1995; 92(20): 9363–9367, https://doi.org/10.1073/pnas.92.20.9363.
Nadeau S., Cheng A., Colmegna I., Rodier F. Quantifying senescence-associated phenotypes in primary multipotent mesenchymal stromal cell cultures. Methods Mol Biol 2019; 2045: 93–105, https://doi.org/10.1007/7651_2019_217.
Bruno S., Darzynkiewicz Z. Cell cycle dependent expression and stability of the nuclear protein detected by Ki-67 antibody in HL-60 cells. Cell Prolif 1992; 25(1): 31–40, https://doi.org/10.1111/j.1365-2184.1992.tb01435.x.
Kusumoto D., Seki T., Sawada H., Kunitomi A., Katsuki T., Kimura M., Ito S., Komuro J., Hashimoto H., Fukuda K., Yuasa S. Anti-senescent drug screening by deep learning-based morphology senescence scoring. Nat Commun 2021; 12(1): 257, https://doi.org/10.1038/s41467-020-20213-0.
Weber L., Lee B.S., Imboden S., Hsieh C.J., Lin N.Y.C. Phenotyping senescent mesenchymal stromal cells using AI image translation. Curr Res Biotechnol 2023; 5: 100120, https://doi.org/10.1016/j.crbiot.2023.100120.
Olova N., Simpson D.J., Marioni R.E., Chandra T. Partial reprogramming induces a steady decline in epigenetic age before loss of somatic identity. Aging Cell 2019; 18(1): e12877, https://doi.org/10.1111/acel.12877.
Singh P.B., Laktionov P.P., Newman A.G. Deconstructing age reprogramming. Journal of Biosciences 2019; 44(4), https://doi.org/10.1007/s12038-019-9923-1.

Kalashnikova D.A., Romanov S.E., Maksimov D.A., Plokhikh I.A., Epifanov R.Yu., Mullyadjanov R.I., Sidelnikov L.O., Antoshina P.A., Osipov Ya.A., Shloma V.V., Budilina A.A., Samoylova E.M., Baklaushev V.P., Laktionov P.P. Measurable Metrics of Mesenchymal Stem Cell Aging. Sovremennye tehnologii v medicine 2014; 6(2): 5, https://doi.org/10.17691/stm2025.17.5.01