CRISPR и глубокое обучение помогли выявить сотни человеческих белков, влияющих на заражение вирусом Эбола

Исследователи использовали метод визуального скрининга для выявления человеческих генов, подавление которых нарушает способность вируса Эбола заражать клетки. Эти регуляторы вирусной инфекции могут стать мишенями для будущей терапии, направленной на снижение тяжести заболевания. Автор: CDC/Frederick A. Murphy

Хотя вспышки лихорадки Эбола случаются редко, болезнь протекает тяжело и часто приводит к летальному исходу, а вариантов лечения крайне мало. Перспективный терапевтический подход заключается не в воздействии на сам вирус, а в блокировке белков человеческой клетки, которые вирус использует для размножения.

Однако поиск таких регуляторов вирусной инфекции традиционными методами затруднен, особенно для особо опасных вирусов, таких как Эбола, требующих строгих мер биологической безопасности.

Исследователи из Broad Institute и Национальной лаборатории по изучению новых инфекционных заболеваний (NEIDL) Бостонского университета применили метод оптического скрининга (OPS), разработанный в Broad, чтобы выявить гены человека, подавление которых нарушает способность вируса Эбола заражать клетки.

Метод OPS позволил ученым протестировать на 40 миллионах клеток человека, как «выключение» каждого гена в геноме влияет на репликацию вируса. Результаты исследования опубликованы в журнале Nature Microbiology.

С помощью машинного обучения для анализа изображений модифицированных клеток ученые идентифицировали несколько белков-хозяев, участвующих на разных стадиях заражения Эболой, подавление которых резко снижало способность вируса к размножению. Эти регуляторы могут стать мишенями для будущей терапии, направленной на снижение тяжести заболевания у уже инфицированных пациентов. Подход также можно использовать для изучения роли различных белков при заражении другими патогенами.

«Это исследование демонстрирует возможности OPS для изучения зависимости опасных вирусов, таких как Эбола, от факторов хозяина на всех этапах жизненного цикла вируса и поиска новых путей улучшения здоровья человека», — сказал соавтор исследования Пол Блейни, профессор биологической инженерии MIT.

Ранее лаборатория Блейни разработала метод оптического скрининга, сочетающий преимущества визуализации высокого разрешения и генетического скрининга. В новом исследовании они сотрудничали с лабораторией Роберта Дэйви из Бостонского университета, чтобы применить этот метод к вирусу Эбола.

Ученые использовали CRISPR для «выключения» каждого гена в геноме человека в 40 миллионах клеток, затем заразили их вирусом Эбола. После фиксации клеток исследователи проанализировали уровень вирусных белков и РНК с помощью программы CellProfiler, а для более детального анализа изображений применили искусственный интеллект.

«Эта работа — самое глубокое на сегодня исследование того, как вирус Эбола перепрограммирует клетку, вызывая болезнь, и первый взгляд на временные рамки этого процесса. ИИ дал нам беспрецедентные возможности для масштабного анализа», — отметил соавтор Роберт Дэйви, директор NEIDL.

Анализ выявил сотни человеческих белков, подавление которых изменяло уровень заражения, включая многие, необходимые для проникновения вируса в клетку. «Выключение» других генов усиливало размножение вируса внутри клеточных структур, но блокировало дальнейшее развитие инфекции. Некоторые гены, такие как UQCRB, указали на ранее неизвестную роль митохондрий в процессе заражения Эболой.

В дополнительных экспериментах ученые проверили влияние выявленных генов на родственные филовирусы, включая вирусы Судана и Марбурга. Подавление некоторых генов нарушало их репликацию, что открывает путь к созданию универсального лечения.

«Наш метод позволяет одновременно измерять множество параметров и раскрывать новые аспекты взаимодействия вируса и клетки-хозяина, что невозможно при других подходах», — сказала соавтор Ребекка Карлсон.

Дополнительная информация: Rebecca J. Carlson et al, Single-cell image-based screens identify host regulators of Ebola virus infection dynamics, Nature Microbiology (2025). DOI: 10.1038/s41564-025-02034-3

Источник: Massachusetts Institute of Technology