la inmunoterapia contra el c\u00e1ncer analizada por el m\u00e9todo presentado. Cr\u00e9dito: Profesor YongKeun Park y Profesor Chan Hyuk Kim, KAIST <\/p>\n
El seguimiento y an\u00e1lisis en vivo de la din\u00e1mica de las c\u00e9lulas T del receptor de ant\u00edgeno quim\u00e9rico (CAR) que se dirigen a las c\u00e9lulas cancerosas puede abrir nuevas v\u00edas para el desarrollo de la inmunoterapia contra el c\u00e1ncer. Sin embargo, la obtenci\u00f3n de im\u00e1genes a trav\u00e9s de enfoques de microscop\u00eda convencional puede provocar da\u00f1o celular, y las evaluaciones de las interacciones de c\u00e9lula a c\u00e9lula son extremadamente dif\u00edciles y laboriosas. Sin embargo, cuando los investigadores aplicaron el aprendizaje profundo y la microscop\u00eda hologr\u00e1fica tridimensional a la tarea, no solo evitaron estas dificultades, sino que descubrieron que la IA era mejor que los humanos. <\/p>\n
La inteligencia artificial (IA) est\u00e1 ayudando a los investigadores a descifrar im\u00e1genes de una nueva t\u00e9cnica de microscop\u00eda hologr\u00e1fica necesaria para investigar un proceso clave en la inmunoterapia contra el c\u00e1ncer ‘en vivo’ mientras se lleva a cabo. La IA transform\u00f3 el trabajo que, si los cient\u00edficos realizaran manualmente, ser\u00eda incre\u00edblemente laborioso y lento en uno que no solo no requiere esfuerzo, sino que se hace mejor de lo que podr\u00edan haberlo hecho ellos mismos. La investigaci\u00f3n, realizada por cient\u00edficos de KAIST, apareci\u00f3 en la revista eLife en diciembre pasado.<\/p>\n
Una etapa cr\u00edtica en el desarrollo de la capacidad del sistema inmunitario humano para responder no solo a cualquier invasor (como pat\u00f3genos o c\u00e1ncer) c\u00e9lulas) sino espec\u00edficamente a ese tipo particular de invasor y recuerde que si intenta invadir nuevamente es la formaci\u00f3n de una uni\u00f3n entre una c\u00e9lula inmune llamada c\u00e9lula T y una c\u00e9lula que presenta el ant\u00edgeno, o parte del invasor que est\u00e1 causando el problema, a \u00e9l. Este proceso es como cuando se env\u00eda una foto de un sospechoso a un coche de polic\u00eda para que los oficiales puedan reconocer al criminal que est\u00e1n tratando de localizar. La uni\u00f3n entre las dos c\u00e9lulas, llamada sinapsis inmunol\u00f3gica, o IS, es el proceso clave para ense\u00f1arle al sistema inmunitario c\u00f3mo reconocer un tipo espec\u00edfico de invasor.<\/p>\n
Dado que la formaci\u00f3n de la uni\u00f3n IS es un paso cr\u00edtico para el inicio de una respuesta inmune espec\u00edfica de ant\u00edgeno, se han utilizado varias t\u00e9cnicas que permiten a los investigadores observar el proceso a medida que ocurre para estudiar su din\u00e1mica. La mayor\u00eda de estas t\u00e9cnicas de im\u00e1genes en vivo se basan en la microscop\u00eda de fluorescencia, donde el ajuste gen\u00e9tico hace que parte de una prote\u00edna de una c\u00e9lula emita fluorescencia, lo que a su vez permite rastrear al sujeto a trav\u00e9s de la fluorescencia en lugar de la luz reflejada que se usa en muchas t\u00e9cnicas de microscop\u00eda convencionales.<\/p>\n
Sin embargo, las im\u00e1genes basadas en fluorescencia pueden sufrir efectos como fotoblanqueamiento y fototoxicidad, lo que impide la evaluaci\u00f3n de cambios din\u00e1micos en el proceso de uni\u00f3n IS a largo plazo. Las im\u00e1genes basadas en fluorescencia todav\u00eda implican iluminaci\u00f3n, con lo cual los fluor\u00f3foros (compuestos qu\u00edmicos que causan la fluorescencia) emiten luz de un color diferente. El fotoblanqueo o la fototoxicidad ocurren cuando el sujeto se expone a demasiada iluminaci\u00f3n, lo que resulta en una alteraci\u00f3n qu\u00edmica o da\u00f1o celular.<\/p>\n
Una opci\u00f3n reciente que elimina el etiquetado fluorescente y, por lo tanto, evita tales problemas es 3- D microscop\u00eda hologr\u00e1fica u holotomograf\u00eda (HT). En esta t\u00e9cnica, el \u00edndice de refracci\u00f3n (la forma en que la luz cambia de direcci\u00f3n 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.<\/p>\n
3- D Din\u00e1mica de c\u00e9lulas inmunitarias analizada con el m\u00e9todo presentado Cr\u00e9dito: Profesor YongKeun Park y Profesor Chan Hyuk Kim <\/p>\n
Hasta ahora, la HT se ha utilizado para estudiar c\u00e9lulas individuales, pero nunca las interacciones c\u00e9lula-c\u00e9lula implicadas en las respuestas inmunitarias. Una de las principales razones es la dificultad de \u00absegmentaci\u00f3n\u00bb, o distinguir las diferentes partes de una c\u00e9lula y, por lo tanto, distinguir entre las c\u00e9lulas que interact\u00faan; en otras palabras, descifrar qu\u00e9 parte pertenece a qu\u00e9 celda.<\/p>\n
La segmentaci\u00f3n manual, o marcar las diferentes partes manualmente, es una opci\u00f3n, pero es dif\u00edcil y lleva mucho tiempo, especialmente en tres dimensiones. Para superar este problema, se ha desarrollado la segmentaci\u00f3n autom\u00e1tica en la que simples algoritmos inform\u00e1ticos realizan la identificaci\u00f3n.<\/p>\n
\u00abPero estos algoritmos b\u00e1sicos a menudo cometen errores\u00bb, explic\u00f3 el profesor YongKeun Park del Departamento de F\u00edsica, \u00abparticularmente con respecto a la segmentaci\u00f3n contigua, que por supuesto es exactamente lo que est\u00e1 ocurriendo aqu\u00ed en la respuesta inmunitaria que m\u00e1s nos interesa\u00bb.<\/p>\n
Entonces, los investigadores aplicaron un marco de aprendizaje profundo al problema de la segmentaci\u00f3n HT. El aprendizaje profundo es un tipo de aprendizaje autom\u00e1tico 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 autom\u00e1tico regular requiere datos como una entrada que ya ha sido etiquetada. La IA \u00abaprende\u00bb 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 im\u00e1genes de gatos etiquetados como ‘gato’ deber\u00eda poder reconocer un gato la pr\u00f3xima vez que encuentre una imagen con un gato en ella. El aprendizaje profundo implica m\u00faltiples capas de redes neuronales artificiales que atacan conjuntos de datos mucho m\u00e1s grandes, pero sin etiquetar, en los que la IA desarrolla sus propias \u00abetiquetas\u00bb para los conceptos que encuentra.<\/p>\n
En esencia, el marco de aprendizaje profundo que desarrollaron los investigadores de KAIST , llamado DeepIS, ide\u00f3 sus propios conceptos mediante los cuales distingue las diferentes partes del proceso de uni\u00f3n IS. Para validar este m\u00e9todo, el equipo de investigaci\u00f3n lo aplic\u00f3 a la din\u00e1mica de una uni\u00f3n IS particular formada entre las c\u00e9lulas T del receptor de ant\u00edgeno quim\u00e9rico (CAR) y las c\u00e9lulas cancerosas diana. Luego compararon los resultados con lo que normalmente habr\u00edan hecho: el laborioso proceso de realizar la segmentaci\u00f3n manualmente. Descubrieron que DeepIS no solo pod\u00eda definir \u00e1reas dentro del IS con alta precisi\u00f3n, sino que la t\u00e9cnica incluso pod\u00eda capturar informaci\u00f3n sobre la distribuci\u00f3n total de prote\u00ednas dentro del IS que puede no haberse medido f\u00e1cilmente con t\u00e9cnicas convencionales.<\/p>\n
\u00abAdem\u00e1s de permitirnos evitar el trabajo pesado de la segmentaci\u00f3n manual y los problemas de fotodecoloraci\u00f3n y fototoxicidad, descubrimos que la IA en realidad hizo un mejor trabajo\u00bb, agreg\u00f3 Park.<\/p>\n
El siguiente paso ser\u00e1 combinar la t\u00e9cnica con m\u00e9todos para medir cu\u00e1nta fuerza f\u00edsica se aplica en diferentes partes de la uni\u00f3n IS, como pinzas \u00f3pticas hologr\u00e1ficas o microscop\u00eda de fuerza de tracci\u00f3n. <\/p>\n
Explore m\u00e1s<\/p>\n
Nuevo m\u00e9todo utiliza inteligencia artificial para estudiar c\u00e9lulas vivas M\u00e1s informaci\u00f3n:<\/strong> Moosung Lee et al, An\u00e1lisis y seguimiento tridimensional sin etiquetas basado en aprendizaje profundo de sinapsis inmunol\u00f3gicas de c\u00e9lulas CAR-T, eLife (2020). DOI: 10.7554\/eLife.49023 Informaci\u00f3n de la revista:<\/strong> eLife <\/p>\n Proporcionado por el Instituto Avanzado de Ciencia y Tecnolog\u00eda de Corea (KAIST) Cita<\/strong>: tecnolog\u00eda de microscop\u00eda hologr\u00e1fica 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 est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" la inmunoterapia contra el c\u00e1ncer analizada por el m\u00e9todo presentado. Cr\u00e9dito: Profesor YongKeun Park y Profesor Chan Hyuk Kim, KAIST El seguimiento y an\u00e1lisis en vivo de la din\u00e1mica de las c\u00e9lulas T del receptor de ant\u00edgeno quim\u00e9rico (CAR) que se dirigen a las c\u00e9lulas cancerosas puede abrir nuevas v\u00edas para el desarrollo de la … Continuar leyendo \u00abLa microscop\u00eda hologr\u00e1fica tridimensional impulsada por el aprendizaje profundo descifra la din\u00e1mica de las c\u00e9lulas inmunitarias 3D\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-14721","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/14721","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=14721"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/14721\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=14721"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=14721"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=14721"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}