Digital Twins : High Resolution Disease Models for Optimized Diagnosis and Treatment

• To study immune-mediated diseases, which can affect the expression of thousands of genes among many different cell types and organs, is a daunting challenge. However, for effective diagnosis and therapeutic treatment it is relevant to understand the regulatory functions of disease. In this thesis, we hypothesized that regulatory functions in complex diseases can be effectively prioritized based on so called digital twins, which are based on high-resolution single cell data in combination with network theories. More specifically, we tested if digital twins could be used on a patient-group level to prioritize cell types, genes, and/or organs based on their regulatory function in the disease progression. If this hypothesis is true, potential biomarkers and therapeutic targets can be identified for optimized diagnosis and treatment. The long-term goal is to construct digital twins for personalized medicine, to predict the optimal treatment strategies for the individual patients. Although, this is a very ambitious goal which could not be reached through this thesis, relevant steps towards it have been reached.First, we tested if high-resolution disease models based on single cell RNAsequencing (scRNA-seq) data could be used in combination with network theories, to predict and prevent disease. For this aim, we used a mouse model of antigeninduced arthritis (AIA). Based on the cell type specific genes in AIA joint, we identified a multi-cellular disease model (MCDM), including predicted cell-cell interactions. Analyzing this model, Granulocytes were identified as most central in AIA joint. The results from this centrality analysis correlated with GWAS enrichment among the cell type specific genes, as well as with the centrality analyses based on human RA, supporting our results relevance for human disease. A drug, bezafibrate, was further identified which mainly targeted shared disease modules over the central and GWAS enriched CD4+ T cells in nine of 13 analyzed human diseases. Bezafibrate treatment of our AIA mouse model resulted in a decrease in arthritis severity score as well as a decrease in T cell proliferation into the joint.Since blood is an easily available source of data, it is of interest to know it’s potential usefulness when constructing digital twins. To test if samples taken from blood are representative of the inflamed organ, we performed a meta-analysis of different samples from blood and joint of patients with rheumatoid arthritis, as well as from joint and blood Granulocytes of our AIA mouse model. Based on differentially expressed genes (DEGs) between sick and healthy samples from each dataset, we performed pathway analyses and predicted potential biomarkers and upstream regulators (URs). Comparing the lists of pathways, biomarkers, and URs between the datasets from different subsets of blood samples showed low or no similarities. However, the datasets of human bulk or mouse single cell data collected from synovial fluid or full joint showed high similarities. Furthermore, the top shared enriched pathways, predicted biomarkers, and URs from both human and mouse were to a higher degree connected to known functions of autoimmune diseases or rheumatoid arthritis, compared to the respective results from samples taken from blood. These findings indicate that inflammatory mechanisms in cells in blood and inflamed organs differ greatly, which may have important diagnostic and therapeutic implications.We next analyzed if digital twins could be used to identify the early regulatory mechanisms that are also present at the late time points. For this, we used an in vitro time series model of seasonal allergic rhinitis. Samples were taken before allergen stimulation, as well as at 12 hours, 1 day, 2 days, 3 days, 5 days, and 7 days after allergen stimulation, for scRNA-seq and MCDM construction. Multi-directional interactions including all cell types were found at all time points, even before allergen stimulation, which complicated the identification of one key regulatory cell type or gene. Instead, we found that the regulatory genes could be ranked based on their overall downstream effect over all the time points. Our top-ranked regulatory gene, PDGFB, targeted most of the cell types at all the time points, while a previously known early regulator and drug target in allergy, IL4, targeted only five cell type and time point combinations. Validation studies further showed that neutralization of PDGF-BB on allergen-stimulated PBMC from SAR patients were more effective compared to neutralization of IL-4.Finally, we tested if a digital twin including data from multiple organs could be used to understand the systemic interactional changes due to disease. For this aim, we used a systemic mouse model of arthritis, namely collagen induced arthritis (CIA). We first analyzed ten different organs, based on which we prioritized five organs with the highest number of DEGs between CIA and healthy mice, namely joint, lung, muscle, skin, and spleen. Although only joint showed signs of inflammation, many DEGs were identified in all five organs. Those changes were organized into a multi-organ multi-cellular disease model, which indicated an on/off switch of pro-/anti-inflammatory functions in joint and muscle respectively. Validation studies in human immune-mediated inflammatory diseases supported this on/off switch, where pro-inflammatory functions were mainly found in inflamed organs, while anti-inflammatory functions were found in non-inflamed organs.In conclusion, this thesis supports the potential of using high-resolution disease models for digital twin construction. Such digital twins could then be used to prioritize cell types and genes, for further prediction of diagnostic markers and therapeutic targets. Even though the identification of one key regulatory function was complicated due to multidirectional interactions, the genes could be ranked based on their relative downstream effect. For reproducible results, we found that digital twins should ideally be based on data from locally inflamed organs, while systemic models and models covering different disease stages could be useful to understand the disease progression.

• Studier av immunologiska sjukdomar kompliceras av förändrade uttrycknivåer hos tusentals gener, bland många olika celltyper och organ. För effektiv diagnostik och behandling är det därför viktigt att förstå överordnade, reglerande funktioner bakom sjukdomstillståndet. I denna avhandling testar vi hypotesen att reglerande funktioner hos komplexa sjukdomar effektivt kan prioriteras genom s.k. digitala tvillingar, vilka baserats på högupplösta data av enskilda celler i kombination med nätverks-teorier. Mer specifikt testar vi om digitala tvillingar på patientgrupps-nivå kan användas för prioritering av celltyper, gener, och/eller organ utifrån deras reglerande funktioner i sjukdomsförloppet. Om denna hypotes stämmer kan potentiella biomarkörer och målgener för läkemedel identifieras, för optimerad diagnostik och behandling. Det långsiktiga målet är att konstruera digitala tvillingar på patient-nivå, för en individuellt anpassad diagnos och behandling. Trots att detta är ett stort mål som inte kunde nås genom denna avhandling har flera viktiga delmål uppnåtts.Först testade vi huruvida högupplösta sjukdomsmodeller baserade på data från enskilda celler kan användas i kombination med nätverksteorier för att förstå och förhindra sjukdomsprocesser. För detta använde vi en musmodell, där lokal inflammation inducerats i leden genom injektion av antigen, även kallad ”antigeninduced artritis” (AIA). Baserat på celltyps-specifika gener från leden konstruerade vi en multicellulära sjukdomsmodell (MCDM), vilken inkluderade predikterade cell-cell-interaktioner. Genom vidare analyser av modellen identifierades de mest centrala celltyperna för sjukdomen. Resultatens relevans bekräftades, då de mest centrala celltyperna var berikade för gener tidigare associerade med reumatism, samt då centralitet-analyser av reumatism hos människa gav liknande resultat. Ett läkemedel, bezafibrate, identifierades, vilket huvudsakligen angrep gemensamma sjukdomsmoduler i centrala T celler över flera sjukdomar. Valideringsstudier där AIA möss behandlades med bezafibrate resulterade i en minskning av symptom.Då blodprover utgör en lättillgänglig datakälla är det av intresse att veta dess potential för konstruktion av digitala tvillingar. För att testa huruvida data från blod representerar den lokala sjukdomsbilden i inflammerade organ analyserade vi en samling publika data från blod och ledvätska hos patienter med reumatism, samt data från blod och led hos vår AIA musmodell. Baserat på differentialuttryckta gener (DEGs) mellan sjuka och friska individer från varje datauppsättning utförde vi nätverksanalyser och förutspådde potentiella biomarkörer och uppströmsregulatorer (URs). Jämförelser av gennätverk, biomarkörer och URs mellan olika datauppsättningar från blod visade låga eller inga likheter, medan datauppsättningarna från ledvätska eller hel led visade stora likheter. Dessutom kunde de mest berikade nätverken, predikterade biomarkörer och URs från led-data i både människa och mus i högre grad kopplas till kända funktioner hos autoimmuna sjukdomar eller reumatism jämfört med respektive resultat från blod-data. Dessa resultat tyder på att inflammatoriska mekanismer i blodceller och inflammerade organ är mycket olika, vilket kan ha både diagnostisk och terapeutisk betydelse.Därefter testade vi huruvida digitala tvillingar kunde användas för att identifiera tidiga regleringsmekanismerna vilka också återfinns i senare sjukdomsstadier. För detta använde vi en sjukdomsmodell där vi i provrör inducerade allergisk reaktion i blod från pollenallergiker. Analys och konstruktion av MCDMs gjordes före allergenstimulering, samt 12 timmar, 1 dag, 2 dagar, 3 dagar, 5 dagar, och 7 dagar efter stimulering. Vidare analyser visade hur alla celltyper interagerade i ett komplext nätverk vid alla analyserade tidpunkter, även före stimulering. Detta komplicerade identifieringen av en enskild tidigt reglerande celltyp eller gen. I stället såg vi att gener kunde rangordnas baserat på deras relativa effektgrad över alla tidpunkter. Den högst rankade genen, PDGFB, var en predikterad UR för nästan alla celltyper vid alla tidpunkter, till skillnad från IL4, som är ett känt mål för läkemedel vid allergi, vilken enbart var predikterad UR för fem olika celltyper och tidpunkter. Valideringsstudier bekräftade att neutralisering av PDGFB-kodande protein (PDGFF-BB) på allergenstimulerade blodprover från pollenallergiker var mer effektivt än neutralisering av IL4-kodande protein (IL-4).Slutligen testade vi huruvida en digital tvilling över flera organ kunde användas för att förstå ett systemiskt sjukdomsförlopp, dvs. en sjukdom som påverkar flera organ. För detta använde vi en systemisk musmodell av artrit, nämligen kollageninducerad artrit (CIA). Vi analyserade först tio olika organ, utifrån vilka vi prioriterade fem organ med högsta antal DEGs mellan CIA och friska möss, nämligen led, lunga, muskel, hud och mjälte. Trots att endast leden visade tecken på inflammation kunde många DEGs identifieras i alla fem organ. Dessa förändringar organiserades i en multiorgan multicellulär sjukdomsmodell, som indikerade ett av/på skifte mellan pro-/antiinflammatoriska funktioner i muskel respektive led. Valideringsstudier av immunologiska sjukdomar hos människa stödde detta av/på skifte, där proinflammatoriska funktioner huvudsakligen identifierades i inflammerade organ, medan antiinflammatoriska funktioner identifierades i ickeinflammerade organ.Sammanfattningsvis stöder denna avhandling användandet av högupplösta sjukdomsmodeller för konstruktion av digitala tvillingar. Dessa digitala tvillingar kan användas för att prioritera celltyper och gener, för identifiering av diagnostiska markörer och potentiell behandling. Trots att det visade sig komplicerat att identifiera en enskild regulatorisk funktion på grund av komplexa interaktionsmönster kunde gener rangordnas baserat på deras relativa nedströms effekt. För reproducerbara resultat fann vi att digitala tvillingar helst bör baseras på data från inflammerade organ, medan systemiska modeller och modeller som täcker olika sjukdomsstadier kan vara användbara för att bättre förstå sjukdomsförloppet.

Ämnesord

MEDICIN OCH HÄLSOVETENSKAP  -- Medicinska och farmaceutiska grundvetenskaper -- Immunologi inom det medicinska området (hsv//swe)

MEDICAL AND HEALTH SCIENCES  -- Basic Medicine -- Immunology in the medical area (hsv//eng)

Publikations- och innehållstyp

vet (ämneskategori)

dok (ämneskategori)