ARRIBA: Representaci\u00f3n 3D de una c\u00e9lula HeLa: membrana plasm\u00e1tica (marr\u00f3n), ER (verde), mitocondrias (naranja), n\u00facleo (p\u00farpura), aparato de Golgi (azul), endosomas (cian), ves\u00edculas (rojo), lisosomas (amarillo), gotitas de l\u00edpidos (rosa), microt\u00fabulos (barras oscuras) y ribosomas (neblina rosa) CORTES\u00cdA DE STEPHAN SAALFELD <\/p>\n
Para comprender completamente c\u00f3mo funcionan las c\u00e9lulas, los cient\u00edficos necesitan saber c\u00f3mo se relacionan entre s\u00ed sus partes m\u00f3viles en el espacio y el tiempo. Sin embargo, debido a su tama\u00f1o y la cantidad de datos involucrados, ha resultado dif\u00edcil visualizar estructuras celulares en tres dimensiones. Ahora, en un tr\u00edo de nuevos estudios, dos equipos de cient\u00edficos moleculares se han propuesto facilitar que todos puedan ver el interior de las c\u00e9lulas. Al incorporar datos experimentales cuidadosamente recopilados y asociarse con bi\u00f3logos computacionales, est\u00e1n brindando un enfoque m\u00e1s n\u00edtido a las visualizaciones 3D de org\u00e1nulos y cromosomas. <\/p>\n
Los investigadores tambi\u00e9n est\u00e1n 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 c\u00f3mo la forma celular afecta la funci\u00f3n. Como dice Karissa Sanbonmatsu, bi\u00f3loga estructural del Laboratorio Nacional de Las \u00c1lamos y coautora de uno de los art\u00edculos: Est\u00e1bamos tratando de hacer Google Earth para los cromosomas.<\/p>\n
Usando las t\u00e9cnicas de estos tres art\u00edculos, el bi\u00f3logo computacional Robert Murphy de la Universidad Carnegie Mellon, que no particip\u00f3 en la investigaci\u00f3n, dice que los cient\u00edficos podr\u00edan comparar diferentes tipos de c\u00e9lulas, por ejemplo, una c\u00e9lula cancerosa y una c\u00e9lula sana, para comenzar a comprender qu\u00e9 papel juega la organizaci\u00f3n de las estructuras celulares en la fisiolog\u00eda y la enfermedad. Esa es una de las primeras cosas que querr\u00eda hacer.<\/p>\n
Durante la \u00faltima d\u00e9cada, el cient\u00edfico del Instituto M\u00e9dico Howard Hughes (HHMI) Shan Xu ha trabajado para adaptar la microscop\u00eda electr\u00f3nica de barrido de haz de iones enfocados (FIB-SEM), una t\u00e9cnica de microscop\u00eda desarrollada originalmente para aplicaciones de ciencia de materiales a la investigaci\u00f3n biol\u00f3gica. FIB-SEM funciona tomando una imagen SEM de objetos incrustados en resina, luego cortando una peque\u00f1a astilla de la muestra usando el haz de iones y tomando otra imagen. Al repetir este proceso una y otra vez, los cient\u00edficos pueden apilar todas las im\u00e1genes para crear una representaci\u00f3n 3D. Pero las m\u00e1quinas deben apagarse despu\u00e9s de 3 a 5 d\u00edas para recargar el haz de iones, y cuando se encienden de nuevo, la cantidad de material que el haz elimina y la resoluci\u00f3n de la imagen no son tan precisas. Para reducir la imprecisi\u00f3n despu\u00e9s de cada apagado y lograr la claridad necesaria para mapear el interior de las c\u00e9lulas, Xu agreg\u00f3 un hardware de haz de iones m\u00e1s estable que permiti\u00f3 una corriente m\u00e1s alta, solucion\u00f3 los problemas del control del haz y aceler\u00f3 la generaci\u00f3n de im\u00e1genes del SEM. Xu construye cada una de las m\u00e1quinas \u00e9l mismo. Los construyo uno por uno, por lo que [son] como mis hijos, dice. <\/p>\n
Esos ajustes, detallados en uno de sus equipos dos art\u00edculos de Nature<\/em> de octubre, mejoraron la Resoluci\u00f3n 3D a 4 nm desde 8 nm, lo que a menudo significaba la diferencia entre organelos que parec\u00edan estructuras claras y detalladas y nubes borrosas.<\/p>\n Pero el volumen de datos resultante significaba que los investigadores necesitaban una forma m\u00e1s r\u00e1pida de identificar y trazar un mapa de los org\u00e1nulos dentro de las c\u00e9lulas: entrar en el aprendizaje autom\u00e1tico. Durante dos a\u00f1os, dos personas trabajaron a tiempo completo para identificar manualmente organelos y delinear sus l\u00edmites en im\u00e1genes 3D de FIB-SEM. Luego, Larissa Heinrich, cient\u00edfica inform\u00e1tica del HHMI Janelia Research Campus, us\u00f3 esas anotaciones para entrenar una red neuronal para mapear estructuras dentro de las c\u00e9lulas, como se inform\u00f3 en el segundo art\u00edculo de Nature<\/em> del equipo. <\/p <\/p>\n Heinrich dice que la red usa las im\u00e1genes 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 p\u00edxel y hace una llamada sobre si es parte de un org\u00e1nulo; examina los p\u00edxeles a su alrededor para determinar si la llamada es l\u00f3gica. Los cient\u00edficos estiman que a una persona le habr\u00eda llevado 60 a\u00f1os identificar manualmente la misma cantidad de org\u00e1nulos que los algoritmos pueden mapear en unas pocas horas.<\/p>\n Murphy dice que los resultados de los dos estudios muestran un avance fundamental en la instrumentaci\u00f3n, y agrega que el uso de esa tecnolog\u00eda para producir las colecciones de datos a gran escala que han hecho es importante. \u00c9l dice que el trabajo de aprendizaje autom\u00e1tico es vital, pero se\u00f1ala que los algoritmos a\u00fan no pueden identificar cada tipo de org\u00e1nulo con un alto nivel de precisi\u00f3n. La discrepancia en la identificaci\u00f3n a menudo se relaciona con la abundancia de org\u00e1nulos en los conjuntos de entrenamiento etiquetados por humanos. Por ejemplo, los centrosomas son raros en cada c\u00e9lula, por lo que la IA no tiene tantas posibilidades de aprender c\u00f3mo se ven a partir de los conjuntos de entrenamiento. Heinrich dice que m\u00e1s conjuntos de entrenamiento y algoritmos ayudar\u00e1n a mejorar la precisi\u00f3n del mapeo de todos los org\u00e1nulos y estructuras presentes dentro de las c\u00e9lulas.<\/p>\n A\u00fan as\u00ed, con las im\u00e1genes de alta resoluci\u00f3n y los org\u00e1nulos identificados por humanos y por IA, los investigadores pudieron construir atlas 3D de acceso abierto de varias c\u00e9lulas y tejidos, incluidas las c\u00e9lulas HeLa de uso com\u00fan, las c\u00e9lulas T inmunitarias que atacan las c\u00e9lulas de c\u00e1ncer de ovario y las c\u00e9lulas beta pancre\u00e1ticas.<\/p>\n En el tercer estudio, publicado en PNAS<\/em>, un grupo de investigaci\u00f3n independiente utiliz\u00f3 enfoques computacionales para inferir la estructura 3D de los cromosomas. <\/p>\n En el pasado, para inferir Estructuras de ADN 3D, los cient\u00edficos utilizaron por primera vez una t\u00e9cnica llamada Hi-C para determinar las interacciones 2D entre secciones de ADN. Hi-C implica el entrecruzamiento f\u00edsico de tramos de ADN que interact\u00faan y luego fusionarlos. De esa manera, todos los tramos de ADN que interact\u00faan, incluso si est\u00e1n muy separados en el cromosoma, aparecer\u00e1n uno al lado del otro en los datos de secuenciaci\u00f3n. Estos datos 2D luego se usar\u00edan para construir modelos 3D, pero esto requer\u00eda muchas suposiciones sobre lo que suceder\u00eda en funci\u00f3n de la secuencia de ADN y las prote\u00ednas que mantienen unidos los bucles de ADN. Los investigadores detr\u00e1s del nuevo estudio no quer\u00edan hacer tantas suposiciones. Todo lo que quer\u00edamos hacer era crear una estructura que siguiera las reglas de los experimentos, dice la primera autora del estudio, Anna Lappala, f\u00edsica de pol\u00edmeros del Hospital General de Massachusetts.<\/p>\n Entonces, los investigadores incorporaron datos experimentales de interacci\u00f3n 2D, fuerzas f\u00edsicas 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 inactivaci\u00f3n del cromosoma X (XCI), agregando as\u00ed la cuarta dimensi\u00f3n a su an\u00e1lisis. El modelado de alta resoluci\u00f3n, que requiri\u00f3 el an\u00e1lisis de enormes conjuntos de datos, fue posible gracias al uso de supercomputadoras en el Laboratorio Nacional de Los \u00c1lamos.<\/p>\n Cuando dos cromosomas X est\u00e1n presentes en una c\u00e9lula, la mayor\u00eda de los genes en un X son desactivado a trav\u00e9s de XCI para prevenir anomal\u00edas en el desarrollo. Este silenciamiento se inicia cuando una X expresa un ARN no codificante llamado Xist <\/em>que recubre el cromosoma.<\/p>\n Los resultados del modelo estructural muestran que a medida que el cromosoma X experimenta XCI, forma un n\u00facleo denso con una superficie m\u00e1s suelta. Varios genes que se sabe que escapan de XCI est\u00e1n ubicados en la superficie, lo que los investigadores sugieren que podr\u00eda permitir un mejor acceso a la maquinaria molecular que expresa genes. Lo realmente innovador de este art\u00edculo 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, bi\u00f3loga molecular de Harvard. Facultad de Medicina y coautor del art\u00edculo. <\/strong>Los autores tambi\u00e9n pudieron rastrear la propagaci\u00f3n de Xist <\/em>ARN en el cromosoma a lo largo del tiempo, lo que muestran en un video. <\/p>\n LOS ALAMOS NATIONAL LAB<\/p>\n Sanbonmatsu, tambi\u00e9n autor del art\u00edculo, dice que su enfoque computacional para modelar la estructura 3D tambi\u00e9n podr\u00eda aplicarse al resto de los cromosomas en el genoma.<\/p>\n Lo que creo que es m\u00e1s significativo acerca de este tipo de trabajo [en el art\u00edculo de PNAS <\/em>] es el intento de explicar algo muy complejo, como la estructura del genoma y especialmente los procesos din\u00e1micos en el genoma, basados en los primeros principios fundamentales de la f\u00edsica, dice el ingeniero biom\u00e9dico eer Vadim Backman de la Universidad Northwestern, que no particip\u00f3 en ninguno de los tres estudios. <\/p>\n En los tres art\u00edculos, un punto importante a destacar es cu\u00e1n cr\u00edticos son el an\u00e1lisis computacional y el modelado para esta \u00e1rea, agrega Murphy. En los tres nuevos art\u00edculos, poderosas computadoras permitieron a los cient\u00edficos tomar grandes conjuntos de datos experimentales y aprender algo nuevo sobre org\u00e1nulos, cromosomas y otras estructuras sin a\u00f1os y a\u00f1os de trabajo manual.<\/p>\n Para acelerar el an\u00e1lisis de datos y la progresi\u00f3n de la investigaci\u00f3n en biolog\u00eda celular 3D a\u00fan m\u00e1s, los autores de todos los art\u00edculos est\u00e1n comprometidos con el acceso abierto a los datos. Es mucho mejor dejar que el mundo vea en qu\u00e9 hemos invertido, dice Xu. Xu ha patentado la nueva tecnolog\u00eda de microscopio, pero su uso es gratuito para universidades y organizaciones sin fines de lucro, y el atlas de datos de c\u00e9lulas 3D est\u00e1 disponible gratuitamente para explorar. Sanbonmatsu quiere eventualmente permitir que los bi\u00f3logos observen la estructura 3D de cualquier cromosoma o gen que les interese usando un navegador de apuntar y hacer clic. <\/p>\n Est\u00e1bamos tratando de democratizar todo este proceso, dice ella. <\/p>\n","protected":false},"excerpt":{"rendered":" ARRIBA: Representaci\u00f3n 3D de una c\u00e9lula HeLa: membrana plasm\u00e1tica (marr\u00f3n), ER (verde), mitocondrias (naranja), n\u00facleo (p\u00farpura), aparato de Golgi (azul), endosomas (cian), ves\u00edculas (rojo), lisosomas (amarillo), gotitas de l\u00edpidos (rosa), microt\u00fabulos (barras oscuras) y ribosomas (neblina rosa) CORTES\u00cdA DE STEPHAN SAALFELD Para comprender completamente c\u00f3mo funcionan las c\u00e9lulas, los cient\u00edficos necesitan saber c\u00f3mo se relacionan … Continuar leyendo \u00abNuevos estudios permiten una visi\u00f3n m\u00e1s clara del interior de las c\u00e9lulas\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-37514","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/37514","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=37514"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/37514\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=37514"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=37514"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=37514"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Agregando la cuarta dimensi\u00f3n<\/h2>\n
Computando el futuro de la biolog\u00eda<\/h2>\n