Identificación de células para comprender mejor el comportamiento sano y enfermo
Los investigadores de Georgia Tech utilizan un marco de modelo gráfico para descubrir una mejor manera de identificar células y comprender las actividades neuronales en el cerebro. Crédito: Christopher Moore, Georgia Tech
En la investigación de las causas y los tratamientos potenciales para condiciones degenerativas como el Alzheimer o la enfermedad de Parkinson, los neurocientíficos con frecuencia tienen dificultades para identificar con precisión las células necesarias para comprender la actividad cerebral que da lugar a cambios de comportamiento como la disminución de la memoria o alteración del equilibrio y temblores.
Un equipo multidisciplinario de investigadores de neurociencia del Instituto de Tecnología de Georgia, tomando prestadas herramientas existentes, como modelos gráficos, ha descubierto una mejor manera de identificar células y comprender los mecanismos de las enfermedades, lo que podría conducir a una mejor comprensión, diagnóstico y tratamiento.
Los hallazgos de su investigación se publicaron el 24 de febrero en la revista eLife. La investigación fue apoyada por los Institutos Nacionales de Salud y la Fundación Nacional de Ciencias.
El campo de la neurociencia estudia cómo funciona el sistema nervioso y cómo los genes y el medio ambiente influyen en el comportamiento. Mediante el uso de nuevas tecnologías para comprender los estados naturales y disfuncionales de los sistemas biológicos, los neurocientíficos esperan finalmente traer curas para las enfermedades. Antes de que eso pueda suceder, los neurocientíficos primero deben comprender qué células del cerebro están impulsando el comportamiento, pero mapear la actividad cerebral célula por célula no es tan simple como parece.
No hay dos células cerebrales iguales
Tradicionalmente, los científicos establecieron un sistema de coordenadas para mapear la ubicación de cada célula comparando imágenes con un atlas, pero la noción en la literatura de que «todos los cerebros tienen el mismo aspecto no es del todo cierta», dijo Hang Lu, profesor de Love Family de Ingeniería Química y Biomolecular en la Escuela de Ingeniería Química y Biomolecular de Georgia Tech.
Adoptar un enfoque coordinado presenta dos desafíos principales: primero, la gran cantidad de células en las que ninguna se ve tan distinta; en segundo lugar, las células varían de un individuo a otro.
«Este es un gran cuello de botella actual: puede registrar las actividades de las neuronas todo lo que quiera, pero si no comprende qué células están haciendo qué, es difícil comparar entre cerebros o condiciones y sacar conclusiones significativas», dijo Lu.
Según el investigador graduado Shivesh Chaudhary, también hay ruidos en los datos que dificultan establecer la correspondencia entre dos regiones diferentes del cerebro. «Es posible que existan algunas deformaciones en los datos o que falten algunas partes de la forma», dijo.
El profesor de Georgia Tech, Hang Lu, está entusiasmado con el potencial de esta herramienta para ser de colaboración colectiva, por lo que otros investigadores trabajan en el mismo problema. puede compartir ideas. Crédito: Christopher Moore, Georgia Tech
Enfocándose en las relaciones celulares, no solo en la geografía
Para superar estos desafíos, los investigadores de Georgia Tech tomaron prestados modelos gráficos de dos disciplinas en el enfoque de aprendizaje automático y geometría métrica para emparejar formas en matemáticas y construyó un método computacional para identificar células en su organismo modelo, el nematodo C.elegans.
El equipo usó marcos de trabajo de otros campos, como el procesamiento del lenguaje natural, para construir su propio software de modelado. En el procesamiento del lenguaje natural, la computadora puede determinar el significado de las oraciones capturando las dependencias entre las palabras en una declaración.
Los investigadores adoptaron un modelo similar pero en lugar de capturar las dependencias entre las palabras, «las capturamos entre las neuronas para identificar las celdas», dijo Chaudhary, señalando que este enfoque limita la propagación de errores en comparación con otros métodos que examinan la ubicación geográfica de cada celda.
«Usar las relaciones entre las celdas en realidad fue más útil para definir el identidad», dijo Lu. «Si define una, tendrá las implicaciones de la identidad de las otras células».
El enfoque, dice el equipo de investigación, es significativamente más preciso que el método actual de identificación. El algoritmo, aunque no es perfecto, funciona significativamente mejor frente a datos imperfectos y «se altera menos» por el ruido o los errores, dijo Lu.
El algoritmo tiene enormes implicaciones para muchas enfermedades del desarrollo, ya que una vez los científicos pueden entender el mecanismo de una enfermedad, pueden encontrar intervenciones.
«Puedes usar esto para hacer exámenes genéticos y de drogas para evaluar los riesgos genéticos. Puedes tomar los antecedentes genéticos de alguien y examinar cómo estos antecedentes hacen que las células se comportan de manera diferente al trasfondo genético de referencia estándar», dijo Lu.
«Una cosa interesante de este enfoque es que está basado en datos y, por lo tanto, captura las variaciones entre gusanos individuales. Este método tiene un alto potencial para ser aplicable a una amplia gama de estudios sobre el desarrollo y la función en condiciones normales y similares a las de una enfermedad», dijo Yun Zhang, profesor del Departamento de Biología Orgánica y Evolutiva del Centro de Ciencias del Cerebro de la Universidad de Harvard.
investigación de posgrado er Shivesh Chaudhary cultivando C. elegans, un poderoso organismo modelo para la neurociencia. Crédito: Christopher Moore, Georgia Tech
Análisis de datos más rápido
El algoritmo acelera enormemente la velocidad de análisis de datos de todo el cerebro. Los investigadores explicaron que antes de este avance, su laboratorio podía tardar 20 minutos en registrar un conjunto de datos, pero les llevaría semanas identificar las células y analizar los datos. Con el algoritmo, el análisis se lleva a cabo «durante la noche como máximo en un escritorio», dijo Chaudhary.
La técnica también es compatible con el crowdsourcing, plataformas colaborativas en línea que abren el algoritmo a una comunidad más grande, que puede probar el algoritmo. y construir atlas.
«Cada investigador que trabaje en el mismo problema podría hacer grabaciones y contribuir a seguir construyendo estos atlas que serán ampliamente utilizables en todos los contextos», dijo Lu.
El Los investigadores atribuyen el éxito del proyecto a la posibilidad de recurrir a múltiples disciplinas de la física, la biología, las matemáticas y la química. Chaudhary, que tiene una licenciatura en ingeniería química, aprovechó los avances en informática y matemáticas para resolver este problema particular de neurociencia.
«En nuestros laboratorios, tenemos un físico que trabaja en la construcción de microscopios, tenemos biólogos, tenemos gente como yo que se inclina más por la informática. También colaboramos con un matemático puro”, explicó. «El campo de la neurociencia lo tiene todo. Puedes ir en la dirección que quieras».
Explore más
Una herramienta a gran escala para investigar la función de los genes del trastorno del espectro autista Más información: Shivesh Chaudhary et al, Marco de modelo gráfico para la anotación automatizada de identidades celulares en densidad imágenes celulares, eLife (2021). DOI: 10.7554/eLife.60321 Información del diario: eLife
Proporcionado por el Instituto de Tecnología de Georgia Cita: Identificación de células para comprender mejor el comportamiento saludable y enfermo (marzo de 2021 17) obtenido el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-03-cells-healthy-diseased-behavior.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.