Cr\u00e9dito: CC0 Dominio p\u00fablico <\/p>\n
Investigadores del Instituto de F\u00edsica y Tecnolog\u00eda de Mosc\u00fa, el Instituto Ivannikov de Programaci\u00f3n de Sistemas y el Instituto de Investigaci\u00f3n Ocular Schepens, afiliado a la Facultad de Medicina de Harvard, han desarrollado una red neuronal capaz de reconocer tejidos retinianos durante el proceso de su diferenciaci\u00f3n en una placa. A diferencia de los humanos, el algoritmo logra esto sin la necesidad de modificar las c\u00e9lulas, lo que hace que el m\u00e9todo sea adecuado para cultivar tejido retiniano para desarrollar terapias de reemplazo celular para tratar la ceguera y realizar investigaciones sobre nuevos medicamentos. El estudio fue publicado en Frontiers in Cellular Neuroscience. <\/p>\n
Esto permitir\u00eda expandir las aplicaciones de la tecnolog\u00eda a m\u00faltiples campos, incluido el descubrimiento de f\u00e1rmacos y el desarrollo de terapias de reemplazo celular para tratar la ceguera<\/p>\n
En los organismos multicelulares, las c\u00e9lulas que componen diferentes \u00f3rganos y tejidos no son lo mismo. Tienen distintas funciones y propiedades, adquiridas en el curso del desarrollo. Comienzan igual, como las llamadas c\u00e9lulas madre, que tienen el potencial de convertirse en cualquier tipo de c\u00e9lula que incorpore el organismo maduro. Luego se diferencian mediante la producci\u00f3n de prote\u00ednas espec\u00edficas para ciertos tejidos y \u00f3rganos.<\/p>\n
La t\u00e9cnica m\u00e1s avanzada para replicar la diferenciaci\u00f3n de tejidos in vitro se basa en agregados de c\u00e9lulas tridimensionales llamados organoides. El m\u00e9todo ya ha demostrado su eficacia para estudiar el desarrollo de la retina, el cerebro, el o\u00eddo interno, el intestino, el p\u00e1ncreas y muchos otros tipos de tejidos. Dado que la diferenciaci\u00f3n basada en organoides imita de cerca los procesos naturales, el tejido resultante es muy similar al de un \u00f3rgano biol\u00f3gico real.<\/p>\n
Algunas de las etapas en la diferenciaci\u00f3n celular hacia la retina tienen una naturaleza estoc\u00e1stica (aleatoria), dando lugar a variaciones considerables en el n\u00famero de c\u00e9lulas con una funci\u00f3n determinada incluso entre \u00f3rganos artificiales del mismo lote. La discrepancia es a\u00fan mayor cuando est\u00e1n involucradas diferentes l\u00edneas celulares. Como resultado, es necesario tener un medio para determinar qu\u00e9 c\u00e9lulas ya se han diferenciado en un momento dado. De lo contrario, los experimentos no ser\u00e1n realmente replicables, lo que har\u00e1 que las aplicaciones cl\u00ednicas tambi\u00e9n sean menos confiables.<\/p>\n
Para detectar c\u00e9lulas diferenciadas, los ingenieros de tejidos usan prote\u00ednas fluorescentes. Al insertar el gen responsable de la producci\u00f3n de dicha prote\u00edna en el ADN de las c\u00e9lulas, los investigadores se aseguran de que se sintetice y produzca una se\u00f1al una vez que se haya alcanzado una determinada etapa en el desarrollo celular. Si bien esta t\u00e9cnica es altamente sensible, espec\u00edfica y conveniente para evaluaciones cuantitativas, no es adecuada para c\u00e9lulas destinadas a trasplantes o modelos de enfermedades hereditarias.<\/p>\n
Para abordar ese escollo, los autores del estudio reciente en Frontiers in La neurociencia celular ha propuesto un enfoque alternativo basado en la estructura de los tejidos. Hasta el momento no se han formulado criterios fiables y objetivos para predecir la calidad de las c\u00e9lulas diferenciadas. Los investigadores propusieron que los mejores tejidos retinianos, los m\u00e1s adecuados para el trasplante, la detecci\u00f3n de f\u00e1rmacos o el modelado de enfermedades, deber\u00edan seleccionarse utilizando redes neuronales e inteligencia artificial.<\/p>\n
\u00abUno de los principales enfoques de nuestro laboratorio es aplicar los m\u00e9todos de la bioinform\u00e1tica , aprendizaje autom\u00e1tico e inteligencia artificial para tareas pr\u00e1cticas en gen\u00e9tica y biolog\u00eda molecular. Y esta soluci\u00f3n tambi\u00e9n se encuentra en la interfaz entre las ciencias. En ella, las redes neuronales, que se encuentran entre las cosas en las que MIPT tradicionalmente sobresale, abordan un problema importante para la biomedicina. : predecir la diferenciaci\u00f3n de c\u00e9lulas madre en la retina\u00bb, dijo el coautor del estudio Pavel Volchkov, quien dirige el Laboratorio de ingenier\u00eda del genoma en MIPT.<\/p>\n
\u00abLa retina humana tiene una capacidad de regeneraci\u00f3n muy limitada\u00bb, continu\u00f3 el genetista. . \u00abEsto significa que cualquier p\u00e9rdida progresiva de neuronas, por ejemplo, en el glaucoma, conduce inevitablemente a la p\u00e9rdida completa de la visi\u00f3n. Y no hay nada que un m\u00e9dico pueda recomendar, salvo comenzar a aprender Braille. Nuestra investigaci\u00f3n lleva a la biomedicina un paso m\u00e1s cerca de crear un sistema celular\u00bb. terapia para enfermedades de la retina que no solo detendr\u00eda la progresi\u00f3n sino que revertir\u00eda la p\u00e9rdida de la visi\u00f3n\u00bb.<\/p>\n
El equipo entren\u00f3 una red neuronal, es decir, un algoritmo inform\u00e1tico que imita la forma en que funcionan las neuronas en el cerebro humano para identificar los tejidos en un retina en desarrollo a partir de fotograf\u00edas realizadas con un microscopio de luz convencional. Primero, los investigadores hicieron que varios expertos identificaran las c\u00e9lulas diferenciadas en 1200 im\u00e1genes a trav\u00e9s de una t\u00e9cnica precisa que implica el uso de un indicador fluorescente. La red neuronal se entren\u00f3 en 750 im\u00e1genes, con otras 150 utilizadas para validaci\u00f3n y 250 para probar predicciones. En esta \u00faltima etapa, la m\u00e1quina pudo detectar c\u00e9lulas diferenciadas con una precisi\u00f3n del 84 %, en comparaci\u00f3n con el 67 % logrado por humanos.<\/p>\n
\u00abNuestros hallazgos indican que los criterios actuales utilizados para la selecci\u00f3n de tejido retiniano en etapa temprana pueden ser subjetivos. Dependen del experto que toma la decisi\u00f3n. Sin embargo, planteamos la hip\u00f3tesis de que la morfolog\u00eda del tejido, su estructura, contiene pistas que permiten predecir la diferenciaci\u00f3n retiniana, incluso en etapas muy tempranas. Y a diferencia de un humano, el programa de computadora puede extraer eso \u00a1informaci\u00f3n!\u00bb coment\u00f3 Evgenii Kegeles del MIPT Laboratory for Orphan Disease Therapy and Schepens Eye Research Institute, EE. UU.<\/p>\n
\u00abEste enfoque no requiere im\u00e1genes de muy alta calidad, indicadores fluorescentes o colorantes, lo que hace que sea relativamente f\u00e1cil de implementar \u201d, agreg\u00f3 el cient\u00edfico. \u00abNos lleva un paso m\u00e1s cerca del desarrollo de terapias celulares para enfermedades de la retina como el glaucoma y la degeneraci\u00f3n macular, que hoy en d\u00eda conducen invariablemente a la ceguera. Adem\u00e1s, el enfoque puede transferirse no solo a otras l\u00edneas celulares, sino tambi\u00e9n a otras c\u00e9lulas artificiales humanas\u00bb. \u00f3rganos\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
El estudio arroja luz sobre por qu\u00e9 las c\u00e9lulas ganglionares de la retina son vulnerables al glaucoma M\u00e1s informaci\u00f3n:<\/strong> Evgenii Kegeles et al, Convolutional Neural Networks Can Predict Retinal Differentiation in Retinal Organoids, Frontiers in Cellular Neurociencia (2020). DOI: 10.3389\/fncel.2020.00171 Proporcionado por el Instituto de F\u00edsica y Tecnolog\u00eda de Mosc\u00fa Cita<\/strong>: El aprendizaje autom\u00e1tico ayuda a cultivar \u00f3rganos artificiales (7 de julio de 2020) consultado el 31 de agosto de 2022 en https:\/\/medicalxpress.com\/news \/2020-07-machine-artificial.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":" Cr\u00e9dito: CC0 Dominio p\u00fablico Investigadores del Instituto de F\u00edsica y Tecnolog\u00eda de Mosc\u00fa, el Instituto Ivannikov de Programaci\u00f3n de Sistemas y el Instituto de Investigaci\u00f3n Ocular Schepens, afiliado a la Facultad de Medicina de Harvard, han desarrollado una red neuronal capaz de reconocer tejidos retinianos durante el proceso de su diferenciaci\u00f3n en una placa. A … Continuar leyendo \u00abEl aprendizaje autom\u00e1tico ayuda a desarrollar \u00f3rganos artificiales\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-32734","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/32734","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=32734"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/32734\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=32734"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=32734"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=32734"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}