Nuevos estudios permiten una visión más clara del interior de las células

ARRIBA: Representación 3D de una célula HeLa: membrana plasmática (marrón), ER (verde), mitocondrias (naranja), núcleo (púrpura), aparato de Golgi (azul), endosomas (cian), vesículas (rojo), lisosomas (amarillo), gotitas de lípidos (rosa), microtúbulos (barras oscuras) y ribosomas (neblina rosa) CORTESÍA DE STEPHAN SAALFELD

Para comprender completamente cómo funcionan las células, los científicos necesitan saber cómo se relacionan entre sí sus partes móviles en el espacio y el tiempo. Sin embargo, debido a su tamaño y la cantidad de datos involucrados, ha resultado difícil visualizar estructuras celulares en tres dimensiones. Ahora, en un trío de nuevos estudios, dos equipos de científicos moleculares se han propuesto facilitar que todos puedan ver el interior de las células. Al incorporar datos experimentales cuidadosamente recopilados y asociarse con biólogos computacionales, están brindando un enfoque más nítido a las visualizaciones 3D de orgánulos y cromosomas.

Los investigadores también están generando sus datos 3D, publicados en estudios separados a principios de octubre. , disponible gratuitamente para que cualquiera pueda explorar con el fin de permitir que los investigadores de todo el mundo investiguen sus propias preguntas sobre cómo la forma celular afecta la función. Como dice Karissa Sanbonmatsu, bióloga estructural del Laboratorio Nacional de Las Álamos y coautora de uno de los artículos: Estábamos tratando de hacer Google Earth para los cromosomas.

Usando las técnicas de estos tres artículos, el biólogo computacional Robert Murphy de la Universidad Carnegie Mellon, que no participó en la investigación, dice que los científicos podrían comparar diferentes tipos de células, por ejemplo, una célula cancerosa y una célula sana, para comenzar a comprender qué papel juega la organización de las estructuras celulares en la fisiología y la enfermedad. Esa es una de las primeras cosas que querría hacer.

Mejorar la claridad de los orgánulos, con un poco de ayuda de la IA

Durante la última década, el científico del Instituto Médico Howard Hughes (HHMI) Shan Xu ha trabajado para adaptar la microscopía electrónica de barrido de haz de iones enfocados (FIB-SEM), una técnica de microscopía desarrollada originalmente para aplicaciones de ciencia de materiales a la investigación biológica. FIB-SEM funciona tomando una imagen SEM de objetos incrustados en resina, luego cortando una pequeña astilla de la muestra usando el haz de iones y tomando otra imagen. Al repetir este proceso una y otra vez, los científicos pueden apilar todas las imágenes para crear una representación 3D. Pero las máquinas deben apagarse después de 3 a 5 días para recargar el haz de iones, y cuando se encienden de nuevo, la cantidad de material que el haz elimina y la resolución de la imagen no son tan precisas. Para reducir la imprecisión después de cada apagado y lograr la claridad necesaria para mapear el interior de las células, Xu agregó un hardware de haz de iones más estable que permitió una corriente más alta, solucionó los problemas del control del haz y aceleró la generación de imágenes del SEM. Xu construye cada una de las máquinas él mismo. Los construyo uno por uno, por lo que [son] como mis hijos, dice.

Esos ajustes, detallados en uno de sus equipos dos artículos de Nature de octubre, mejoraron la Resolución 3D a 4 nm desde 8 nm, lo que a menudo significaba la diferencia entre organelos que parecían estructuras claras y detalladas y nubes borrosas.

Pero el volumen de datos resultante significaba que los investigadores necesitaban una forma más rápida de identificar y trazar un mapa de los orgánulos dentro de las células: entrar en el aprendizaje automático. Durante dos años, dos personas trabajaron a tiempo completo para identificar manualmente organelos y delinear sus límites en imágenes 3D de FIB-SEM. Luego, Larissa Heinrich, científica informática del HHMI Janelia Research Campus, usó esas anotaciones para entrenar una red neuronal para mapear estructuras dentro de las células, como se informó en el segundo artículo de Nature del equipo. </p

Heinrich dice que la red usa las imágenes anotadas manualmente para aprender reglas, tratando de ajustarlas de manera que la salida que produce sea la misma que hicieron los humanos. La red no solo mira cada píxel y hace una llamada sobre si es parte de un orgánulo; examina los píxeles a su alrededor para determinar si la llamada es lógica. Los científicos estiman que a una persona le habría llevado 60 años identificar manualmente la misma cantidad de orgánulos que los algoritmos pueden mapear en unas pocas horas.

Murphy dice que los resultados de los dos estudios muestran un avance fundamental en la instrumentación, y agrega que el uso de esa tecnología para producir las colecciones de datos a gran escala que han hecho es importante. Él dice que el trabajo de aprendizaje automático es vital, pero señala que los algoritmos aún no pueden identificar cada tipo de orgánulo con un alto nivel de precisión. La discrepancia en la identificación a menudo se relaciona con la abundancia de orgánulos en los conjuntos de entrenamiento etiquetados por humanos. Por ejemplo, los centrosomas son raros en cada célula, por lo que la IA no tiene tantas posibilidades de aprender cómo se ven a partir de los conjuntos de entrenamiento. Heinrich dice que más conjuntos de entrenamiento y algoritmos ayudarán a mejorar la precisión del mapeo de todos los orgánulos y estructuras presentes dentro de las células.

Aún así, con las imágenes de alta resolución y los orgánulos identificados por humanos y por IA, los investigadores pudieron construir atlas 3D de acceso abierto de varias células y tejidos, incluidas las células HeLa de uso común, las células T inmunitarias que atacan las células de cáncer de ovario y las células beta pancreáticas.

Agregando la cuarta dimensión

En el tercer estudio, publicado en PNAS, un grupo de investigación independiente utilizó enfoques computacionales para inferir la estructura 3D de los cromosomas.

En el pasado, para inferir Estructuras de ADN 3D, los científicos utilizaron por primera vez una técnica llamada Hi-C para determinar las interacciones 2D entre secciones de ADN. Hi-C implica el entrecruzamiento físico de tramos de ADN que interactúan y luego fusionarlos. De esa manera, todos los tramos de ADN que interactúan, incluso si están muy separados en el cromosoma, aparecerán uno al lado del otro en los datos de secuenciación. Estos datos 2D luego se usarían para construir modelos 3D, pero esto requería muchas suposiciones sobre lo que sucedería en función de la secuencia de ADN y las proteínas que mantienen unidos los bucles de ADN. Los investigadores detrás del nuevo estudio no querían hacer tantas suposiciones. Todo lo que queríamos hacer era crear una estructura que siguiera las reglas de los experimentos, dice la primera autora del estudio, Anna Lappala, física de polímeros del Hospital General de Massachusetts.

Entonces, los investigadores incorporaron datos experimentales de interacción 2D, fuerzas físicas simuladas y ecuaciones de movimiento de Newton para predecir la estructura 3D del cromosoma X. Sin embargo, no se detuvieron con 3D. Repitieron el proceso en diferentes puntos de tiempo durante un proceso llamado inactivación del cromosoma X (XCI), agregando así la cuarta dimensión a su análisis. El modelado de alta resolución, que requirió el análisis de enormes conjuntos de datos, fue posible gracias al uso de supercomputadoras en el Laboratorio Nacional de Los Álamos.

Cuando dos cromosomas X están presentes en una célula, la mayoría de los genes en un X son desactivado a través de XCI para prevenir anomalías en el desarrollo. Este silenciamiento se inicia cuando una X expresa un ARN no codificante llamado Xist que recubre el cromosoma.

Los resultados del modelo estructural muestran que a medida que el cromosoma X experimenta XCI, forma un núcleo denso con una superficie más suelta. Varios genes que se sabe que escapan de XCI están ubicados en la superficie, lo que los investigadores sugieren que podría permitir un mejor acceso a la maquinaria molecular que expresa genes. Lo realmente innovador de este artículo es que descubrimos una manera de visualizar la estructura 3D del cromosoma X en base a un mapa decididamente bidimensional que se obtiene de los conjuntos de datos de Hi-C, dice Jeannie Lee, bióloga molecular de Harvard. Facultad de Medicina y coautor del artículo. Los autores también pudieron rastrear la propagación de Xist ARN en el cromosoma a lo largo del tiempo, lo que muestran en un video.  

LOS ALAMOS NATIONAL LAB

Sanbonmatsu, también autor del artículo, dice que su enfoque computacional para modelar la estructura 3D también podría aplicarse al resto de los cromosomas en el genoma.

Computando el futuro de la biología

Lo que creo que es más significativo acerca de este tipo de trabajo [en el artículo de PNAS ] es el intento de explicar algo muy complejo, como la estructura del genoma y especialmente los procesos dinámicos en el genoma, basados en los primeros principios fundamentales de la física, dice el ingeniero biomédico eer Vadim Backman de la Universidad Northwestern, que no participó en ninguno de los tres estudios.

En los tres artículos, un punto importante a destacar es cuán críticos son el análisis computacional y el modelado para esta área, agrega Murphy.  En los tres nuevos artículos, poderosas computadoras permitieron a los científicos tomar grandes conjuntos de datos experimentales y aprender algo nuevo sobre orgánulos, cromosomas y otras estructuras sin años y años de trabajo manual.

Para acelerar el análisis de datos y la progresión de la investigación en biología celular 3D aún más, los autores de todos los artículos están comprometidos con el acceso abierto a los datos. Es mucho mejor dejar que el mundo vea en qué hemos invertido, dice Xu. Xu ha patentado la nueva tecnología de microscopio, pero su uso es gratuito para universidades y organizaciones sin fines de lucro, y el atlas de datos de células 3D está disponible gratuitamente para explorar. Sanbonmatsu quiere eventualmente permitir que los biólogos observen la estructura 3D de cualquier cromosoma o gen que les interese usando un navegador de apuntar y hacer clic.

Estábamos tratando de democratizar todo este proceso, dice ella.