La microscopía holográfica tridimensional impulsada por el aprendizaje profundo descifra la dinámica de las células inmunitarias 3D
la inmunoterapia contra el cáncer analizada por el método presentado. Crédito: Profesor YongKeun Park y Profesor Chan Hyuk Kim, KAIST
El seguimiento y análisis en vivo de la dinámica de las células T del receptor de antígeno quimérico (CAR) que se dirigen a las células cancerosas puede abrir nuevas vías para el desarrollo de la inmunoterapia contra el cáncer. Sin embargo, la obtención de imágenes a través de enfoques de microscopía convencional puede provocar daño celular, y las evaluaciones de las interacciones de célula a célula son extremadamente difíciles y laboriosas. Sin embargo, cuando los investigadores aplicaron el aprendizaje profundo y la microscopía holográfica tridimensional a la tarea, no solo evitaron estas dificultades, sino que descubrieron que la IA era mejor que los humanos.
La inteligencia artificial (IA) está ayudando a los investigadores a descifrar imágenes de una nueva técnica de microscopía holográfica necesaria para investigar un proceso clave en la inmunoterapia contra el cáncer ‘en vivo’ mientras se lleva a cabo. La IA transformó el trabajo que, si los científicos realizaran manualmente, sería increíblemente laborioso y lento en uno que no solo no requiere esfuerzo, sino que se hace mejor de lo que podrían haberlo hecho ellos mismos. La investigación, realizada por científicos de KAIST, apareció en la revista eLife en diciembre pasado.
Una etapa crítica en el desarrollo de la capacidad del sistema inmunitario humano para responder no solo a cualquier invasor (como patógenos o cáncer) células) sino específicamente a ese tipo particular de invasor y recuerde que si intenta invadir nuevamente es la formación de una unión entre una célula inmune llamada célula T y una célula que presenta el antígeno, o parte del invasor que está causando el problema, a él. Este proceso es como cuando se envía una foto de un sospechoso a un coche de policía para que los oficiales puedan reconocer al criminal que están tratando de localizar. La unión entre las dos células, llamada sinapsis inmunológica, o IS, es el proceso clave para enseñarle al sistema inmunitario cómo reconocer un tipo específico de invasor.
Dado que la formación de la unión IS es un paso crítico para el inicio de una respuesta inmune específica de antígeno, se han utilizado varias técnicas que permiten a los investigadores observar el proceso a medida que ocurre para estudiar su dinámica. La mayoría de estas técnicas de imágenes en vivo se basan en la microscopía de fluorescencia, donde el ajuste genético hace que parte de una proteína de una célula emita fluorescencia, lo que a su vez permite rastrear al sujeto a través de la fluorescencia en lugar de la luz reflejada que se usa en muchas técnicas de microscopía convencionales.
Sin embargo, las imágenes basadas en fluorescencia pueden sufrir efectos como fotoblanqueamiento y fototoxicidad, lo que impide la evaluación de cambios dinámicos en el proceso de unión IS a largo plazo. Las imágenes basadas en fluorescencia todavía implican iluminación, con lo cual los fluoróforos (compuestos químicos que causan la fluorescencia) emiten luz de un color diferente. El fotoblanqueo o la fototoxicidad ocurren cuando el sujeto se expone a demasiada iluminación, lo que resulta en una alteración química o daño celular.
Una opción reciente que elimina el etiquetado fluorescente y, por lo tanto, evita tales problemas es 3- D microscopía holográfica u holotomografía (HT). En esta técnica, el índice de refracción (la forma en que la luz cambia de dirección cuando se encuentra con una sustancia con una densidad diferente por la que una pajita parece doblarse en un vaso de agua) se registra en 3-D como un holograma.
3- D Dinámica de células inmunitarias analizada con el método presentado Crédito: Profesor YongKeun Park y Profesor Chan Hyuk Kim
Hasta ahora, la HT se ha utilizado para estudiar células individuales, pero nunca las interacciones célula-célula implicadas en las respuestas inmunitarias. Una de las principales razones es la dificultad de «segmentación», o distinguir las diferentes partes de una célula y, por lo tanto, distinguir entre las células que interactúan; en otras palabras, descifrar qué parte pertenece a qué celda.
La segmentación manual, o marcar las diferentes partes manualmente, es una opción, pero es difícil y lleva mucho tiempo, especialmente en tres dimensiones. Para superar este problema, se ha desarrollado la segmentación automática en la que simples algoritmos informáticos realizan la identificación.
«Pero estos algoritmos básicos a menudo cometen errores», explicó el profesor YongKeun Park del Departamento de Física, «particularmente con respecto a la segmentación contigua, que por supuesto es exactamente lo que está ocurriendo aquí en la respuesta inmunitaria que más nos interesa».
Entonces, los investigadores aplicaron un marco de aprendizaje profundo al problema de la segmentación HT. El aprendizaje profundo es un tipo de aprendizaje automático en el que las redes neuronales artificiales basadas en el cerebro humano reconocen patrones de una manera similar a como lo hacen los humanos. El aprendizaje automático regular requiere datos como una entrada que ya ha sido etiquetada. La IA «aprende» al comprender los datos etiquetados y luego reconoce el concepto que ha sido etiquetado cuando se alimenta con datos nuevos. Por ejemplo, la IA entrenada con mil imágenes de gatos etiquetados como ‘gato’ debería poder reconocer un gato la próxima vez que encuentre una imagen con un gato en ella. El aprendizaje profundo implica múltiples capas de redes neuronales artificiales que atacan conjuntos de datos mucho más grandes, pero sin etiquetar, en los que la IA desarrolla sus propias «etiquetas» para los conceptos que encuentra.
En esencia, el marco de aprendizaje profundo que desarrollaron los investigadores de KAIST , llamado DeepIS, ideó sus propios conceptos mediante los cuales distingue las diferentes partes del proceso de unión IS. Para validar este método, el equipo de investigación lo aplicó a la dinámica de una unión IS particular formada entre las células T del receptor de antígeno quimérico (CAR) y las células cancerosas diana. Luego compararon los resultados con lo que normalmente habrían hecho: el laborioso proceso de realizar la segmentación manualmente. Descubrieron que DeepIS no solo podía definir áreas dentro del IS con alta precisión, sino que la técnica incluso podía capturar información sobre la distribución total de proteínas dentro del IS que puede no haberse medido fácilmente con técnicas convencionales.
«Además de permitirnos evitar el trabajo pesado de la segmentación manual y los problemas de fotodecoloración y fototoxicidad, descubrimos que la IA en realidad hizo un mejor trabajo», agregó Park.
El siguiente paso será combinar la técnica con métodos para medir cuánta fuerza física se aplica en diferentes partes de la unión IS, como pinzas ópticas holográficas o microscopía de fuerza de tracción.
Explore más
Nuevo método utiliza inteligencia artificial para estudiar células vivas Más información: Moosung Lee et al, Análisis y seguimiento tridimensional sin etiquetas basado en aprendizaje profundo de sinapsis inmunológicas de células CAR-T, eLife (2020). DOI: 10.7554/eLife.49023 Información de la revista: eLife
Proporcionado por el Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST) Cita: tecnología de microscopía holográfica 3-D by deep-learning deciphers cancer immunotherapy (2021, 24 de febrero) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-02-d-holographic-microscopy-powered-deep-learning.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.