EpiTrace.AI
Wissenschaft

Wie Zellen ihre Geschichte in die DNA schreiben

EpiTrace.AI stützt sich auf zwei Jahrzehnte Forschung zur DNA-Methylierung. Diese Seite erklärt Biologie, Messverfahren und Analyseschritte verständlich, zeigt, wo die Plattform ansetzt, und nennt die Studien, die sich zu lesen lohnen.

01 · Grundlagen

DNA-Methylierung in Kürze

Jede Körperzelle trägt dieselbe DNA, und doch verhält sich eine Leberzelle anders als eine Blutzelle. Ein Grund ist die DNA-Methylierung: kleine chemische Markierungen, Methylgruppen, am DNA-Baustein C, wenn auf ihn ein G folgt. Diese Stellen heißen CpG-Stellen.

Methylierung hilft, Gene an- oder abzuschalten, und hält die Identität einer Zelle über viele Teilungen stabil. Gemessen wird sie je Stelle als Wert zwischen 0 und 1, dem Anteil der DNA-Kopien mit Markierung. In der Fachsprache heißt er β-Wert.

Die Muster verändern sich in der Entwicklung, mit dem Alter und bei Krankheiten. Bei Krebs gewinnen oder verlieren ganze Regionen Methylierung, und diese Veränderungen werden bei jeder Teilung der Tumorzellen weitergegeben [1].

cell_07Vorfahrin
cell_31Tochterzelle
cell_58Enkelzelle · neuer Zweig
β-Wert: Anteil methylierter Kopien an einer CpG-Stelle
02 · Messung

Methylierung in einzelnen Zellen messen

Messungen über Millionen Zellen liefern einen Mittelwert. Einzelzellverfahren erhalten die Unterschiede zwischen den Zellen, das Rohmaterial der Linienverfolgung. Jedes Verfahren wägt die Zahl der CpG-Stellen je Zelle gegen die Zahl der Zellen ab [3][4].

Genomweit, auf Bisulfit-Basis

scBS-seq, scRRBS und snmC-seq lesen die Methylierung im ganzen Genom. Bisulfit wandelt unmethyliertes C in U um, sodass die Sequenzierung zeigt, welche Stellen methyliert waren. Tief je Zelle, weniger Zellen je Experiment [6][7][8].

Gezielt, auf Enzym-Basis

scTAM-seq misst Hunderte ausgewählte CpG-Stellen in Tausenden Zellen. Restriktionsenzyme schneiden nur unmethylierte Stellen, Bisulfit ist nicht nötig. Weniger Stellen, viel mehr Zellen [11].

Mehrere Ebenen je Zelle

scM&T-seq und scNMT-seq ergänzen die Methylierung um Genaktivität und offenes Chromatin aus derselben Zelle. So wird sichtbar, was eine Markierung bewirkt [9][10].

Stellen je Zelle gegenüber Zellen je ExperimentZellen je Experiment →CpG-Stellen je Zelle →scBS-seqscRRBSsnmC-seqscM&T-seqscNMT-seqscTAM-seqBisulfitMultiomicsGezielt
Qualitative Einordnung nach den Methodenarbeiten [6]–[11]; genaue Werte hängen von Protokoll und Sequenziertiefe ab.
03 · Linienverfolgung

Von vererbten Markierungen zum Stammbaum

Bei jeder Zellteilung ändern sich einige Methylierungsmarkierungen zufällig. Die Tochterzellen erben diese Änderungen und geben sie ihrerseits weiter. Über viele Teilungen sammelt jeder Zweig einer Zellfamilie seine eigene Kombination, ähnlich einem Familiennamen, der über Generationen weitergegeben wird.

Wer diese Kombinationen liest, kann rekonstruieren, welche Zellen gemeinsame Vorfahren haben, ohne genetische Barcodes einzubringen. Unabhängige Studien haben mit diesem Prinzip die Geschichte von Leukämiezellen bei Patienten nachvollzogen [13] und die Klondynamik der Blutbildung über die Lebensspanne untersucht [14]. Ein Übersichtsartikel beschreibt Chancen und Grenzen der Verbindung von Linienverfolgung und Einzelzellmessung [5].

Zwei Arten von Stellen sind wichtig. Stellen, die sich mit dem Zelltyp ändern, zeigen, was eine Zelle ist. Stellen, die sich selten und zufällig ändern, zeigen, woher sie kommt. Gute Analysen halten beide auseinander.

  1. VorfahrinAusgangsmuster
  2. Töchtererben das Muster
  3. Neuer Zweigeine zufällige Änderung markiert eine Teilfamilie
  4. Klonalle Zellen mit derselben Änderung
04 · Analysekette

Vom Labor zur Erkenntnis, Schritt für Schritt

EpiTrace.AI deckt die Mitte der Kette ab, dort, wo Daten verständlich werden. Laborarbeit und Validierung bleiben bei den Forschungsgruppen.

  1. 01 · Labor und Pipelines

    Messen

    Das Labor erzeugt Rohdaten einzelner Zellen.

  2. 02 · Labor und Pipelines

    Aufbereiten

    Pipelines wie Bismark richten Reads aus und bestimmen die Methylierung je CpG-Stelle.

  3. 03 · EpiTrace.AI heute

    Laden

    Eine Matrix aus Zellen × CpG-Stellen mit Annotationen, gespeichert als .h5ad oder CSV.

  4. 04 · EpiTrace.AI heute

    Kartieren

    Dimensionsreduktion und UMAP legen ähnliche Zellen nah zusammen [22].

  5. 05 · EpiTrace.AI heute

    Gruppieren und verfolgen

    Cluster und Linien stehen nebeneinander; die Rekonstruktion direkt aus vererbten Änderungen folgt mit v2X.

  6. 06 · EpiTrace.AI heute

    Marker ordnen

    CpG-Stellen werden danach geordnet, wie deutlich sie Gruppen trennen.

  7. 07 · v2X und Labor

    Erklären und prüfen

    SHAP-Werte zeigen das Warum [24]; Laborexperimente bestätigen oder verwerfen Kandidaten.

Labor und PipelinesEpiTrace.AI heutev2X und Labor
05 · Alter

Epigenetische Uhren: Methylierung als Maß für das Alter

Manche CpG-Stellen verändern sich so regelmäßig mit dem Alter, dass einige Hundert von ihnen zusammen das Alter eines Gewebes schätzen. Die erste gewebeübergreifende Uhr erschien 2013 [15]. Seitdem wurde gezeigt, dass sich das epigenetische Alter sogar in einzelnen Zellen schätzen lässt [16].

Für EpiTrace.AI ist das in zweifacher Hinsicht wichtig: Altersbezogene Stellen müssen von Liniensignalen getrennt werden, und das Alter selbst kann in späteren Versionen eine eigene Ebene auf der Zellkarte werden.

06 · Offene Fragen

Woran die Forschung noch arbeitet

Lückenhafte Daten

Einzelne Zellen liefern nur einen Teil ihres Methyloms. Statistische Modelle und Imputation füllen Lücken, mit Sorgfalt [17][18].

Chargeneffekte

Unterschiede zwischen Messläufen können wie Biologie aussehen. Gemeinsame Standards und dokumentierte Verarbeitungsschritte machen Ergebnisse vergleichbar.

Referenzwahrheit

Rekonstruierte Stammbäume brauchen den Abgleich mit bekannten Linien, etwa genetischen Barcodes in Modellsystemen [14].

Datenschutz

Methylierungsdaten können personenbezogen sein. Forschung braucht klare Datenregeln, Einwilligung und Speicherung in der EU.

07 · Leseliste

Studien und Artikel, die sich lohnen

26 Quellen, geprüft am 19. November 2026. Es handelt sich um unabhängige Forschung anderer Gruppen; sie ist als Hintergrund aufgeführt, nicht als Ergebnis von EpiTrace.AI.

Grundlagen und Übersichten

  1. [1]
    Jones PA, Baylin SB (2007). The epigenomics of cancer. Cell 128:683–692.Klassischer Überblick, wie epigenetische Veränderungen zur Krebsentstehung beitragen.doi.org/10.1016/j.cell.2007.01.029
  2. [2]
    Roadmap Epigenomics Consortium, Kundaje A et al. (2015). Integrative analysis of 111 reference human epigenomes. Nature 518:317–330.Referenz-Epigenome menschlicher Gewebe und Zelltypen; eine gemeinsame Basis für Vergleiche.doi.org/10.1038/nature14248
  3. [3]
    Karemaker ID, Vermeulen M (2018). Single-cell DNA methylation profiling: technologies and biological applications. Trends in Biotechnology 36:952–965.Gut lesbarer Überblick über Einzelzell-Methylierungsverfahren und ihre Erkenntnisse.doi.org/10.1016/j.tibtech.2018.04.002
  4. [4]
    Liu F et al. (2023). Technologies and applications of single-cell DNA methylation sequencing. Theranostics 13:2439–2454.Neuerer Überblick über Verfahren und Anwendungen, auch in der Krebsforschung.doi.org/10.7150/thno.82582
  5. [5]
    Wagner DE, Klein AM (2020). Lineage tracing meets single-cell omics: opportunities and challenges. Nature Reviews Genetics 21:410–427.Wie Linienverfolgung und Einzelzellmessung zusammenkommen und wo die Grenzen liegen.doi.org/10.1038/s41576-020-0223-2

Einzelzellverfahren

  1. [6]
    Smallwood SA et al. (2014). Single-cell genome-wide bisulfite sequencing for assessing epigenetic heterogeneity. Nature Methods 11:817–820.scBS-seq: genomweite Methylierung einzelner Zellen.doi.org/10.1038/nmeth.3035
  2. [7]
    Guo H et al. (2013). Single-cell methylome landscapes of mouse embryonic stem cells and early embryos analyzed using reduced representation bisulfite sequencing. Genome Research 23:2126–2135.scRRBS: Methylierung CpG-reicher Regionen in einzelnen Zellen.genome.cshlp.org/content/23/12/2126
  3. [8]
    Luo C et al. (2017). Single-cell methylomes identify neuronal subtypes and regulatory elements in mammalian cortex. Science 357:600–604.snmC-seq: Methylome tausender einzelner Zellkerne aus Gewebe.doi.org/10.1126/science.aan3351
  4. [9]
    Angermueller C et al. (2016). Parallel single-cell sequencing links transcriptional and epigenetic heterogeneity. Nature Methods 13:229–232.scM&T-seq: Methylierung und Genaktivität aus derselben Zelle.doi.org/10.1038/nmeth.3728
  5. [10]
    Clark SJ et al. (2018). scNMT-seq enables joint profiling of chromatin accessibility, DNA methylation and transcription in single cells. Nature Communications 9:781.scNMT-seq: drei Ebenen aus einer Zelle, ein Vorbild für Multiomics.doi.org/10.1038/s41467-018-03149-4
  6. [11]
    Bianchi A, Scherer M et al. (2022). scTAM-seq enables targeted high-confidence analysis of DNA methylation in single cells. Genome Biology 23:229.scTAM-seq: Hunderte ausgewählte CpG-Stellen in Tausenden Zellen, ohne Bisulfit.doi.org/10.1186/s13059-022-02796-7
  7. [12]
    Vaisvila R et al. (2021). Enzymatic methyl sequencing detects DNA methylation at single-base resolution from picograms of DNA. Genome Research 31:1280–1289.EM-seq: eine enzymatische Alternative zur Bisulfit-Umwandlung für sehr kleine DNA-Mengen.genome.cshlp.org/content/31/7/1280

Linienverfolgung, Krebs und Alter

  1. [13]
    Gaiti F et al. (2019). Epigenetic evolution and lineage histories of chronic lymphocytic leukaemia. Nature 569:576–580.Einzelzell-Methylierung rekonstruiert Linienverläufe in einer menschlichen Krebserkrankung.doi.org/10.1038/s41586-019-1198-z
  2. [14]
    Scherer M et al. (2025). Clonal tracing with somatic epimutations reveals dynamics of blood ageing. Nature 643:478–487.Klonverfolgung über natürlich auftretende Methylierungsänderungen, ohne genetische Barcodes.doi.org/10.1038/s41586-025-09041-8
  3. [15]
    Horvath S (2013). DNA methylation age of human tissues and cell types. Genome Biology 14:R115.Die gewebeübergreifende epigenetische Uhr, mit der die Forschung zum Methylierungsalter begann.doi.org/10.1186/gb-2013-14-10-r115
  4. [16]
    Trapp A, Kerepesi C, Gladyshev VN (2021). Profiling epigenetic age in single cells. Nature Aging 1:1189–1201.Epigenetisches Alter, geschätzt in einzelnen Zellen.doi.org/10.1038/s43587-021-00134-3

Berechnung und KI

  1. [17]
    Kapourani CA et al. (2021). scMET: Bayesian modeling of DNA methylation heterogeneity at single-cell resolution. Genome Biology 22:114.Statistisches Modell für die Variabilität zwischen Zellen, auch bei lückenhaften Daten.doi.org/10.1186/s13059-021-02329-8
  2. [18]
    Angermueller C et al. (2017). DeepCpG: accurate prediction of single-cell DNA methylation states using deep learning. Genome Biology 18:67.Deep Learning, das Lücken in Einzelzell-Methylierungsdaten füllt.doi.org/10.1186/s13059-017-1189-z
  3. [19]
    Kremer LPM et al. (2024). Analyzing single-cell bisulfite sequencing data with MethSCAn. Nature Methods.Praxisnaher Ablauf zur Auswertung von Einzelzell-Methylomen.doi.org/10.1038/s41592-024-02347-x
  4. [20]
    Wolf FA, Angerer P, Theis FJ (2018). SCANPY: large-scale single-cell gene expression data analysis. Genome Biology 19:15.Das Python-Werkzeug, auf dem EpiTrace.AI aufbaut.doi.org/10.1186/s13059-017-1382-0
  5. [21]
    Virshup I et al. (2024). anndata: Access and store annotated data matrices. Journal of Open Source Software.Das Datenformat hinter .h5ad-Dateien, die EpiTrace.AI liest.doi.org/10.21105/joss.04371
  6. [22]
    McInnes L, Healy J, Melville J (2018). UMAP: Uniform Manifold Approximation and Projection for dimension reduction. arXiv:1802.03426.Das Verfahren hinter den Zellkarten.arxiv.org/abs/1802.03426
  7. [23]
    Lange M et al. (2022). CellRank for directed single-cell fate mapping. Nature Methods 19:159–170.Schätzt, wohin sich Zellen entwickeln; eine Referenz für geplante Schätzungen von Zellschicksalen.doi.org/10.1038/s41592-021-01346-6
  8. [24]
    Lundberg SM, Lee S-I (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems 30.SHAP-Werte, die Grundlage der geplanten Erklärungsebene.arxiv.org/abs/1705.07874

Datenmanagement und Einführungen

  1. [25]
    Wilkinson MD et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship. Scientific Data 3:160018.Auffindbar, zugänglich, interoperabel, wiederverwendbar: die Grundsätze, denen das Projekt folgt.doi.org/10.1038/sdata.2016.18
  2. [26]
    National Human Genome Research Institute. Epigenomics Fact Sheet.Kurze, verständliche Einführung für Nicht-Fachleute.www.genome.gov/about-genomics/fact-sheets/Epigenomics-Fact-Sheet