CellLENS revela patrones ocultos en el comportamiento celular dentro de los tejidos, ofreciendo conocimientos más profundos sobre la heterogeneidad celular, vital para avanzar en la inmunoterapia contra el cáncer.
Para producir terapias dirigidas efectivas contra el cáncer, los científicos necesitan aislar las características genéticas y fenotípicas de las células cancerosas, tanto dentro como entre diferentes tumores, porque esas diferencias afectan cómo los tumores responden al tratamiento.
Parte de este trabajo requiere una comprensión profunda de las moléculas de ARN o proteína que expresa cada célula cancerosa, dónde se ubica en el tumor y cómo se ve bajo un microscopio.
Tradicionalmente, los científicos han analizado uno o más de estos aspectos por separado, pero ahora, una nueva herramienta de IA de aprendizaje profundo, CellLENS (Cell Local Environment and Neighborhood Scan), fusiona los tres dominios mediante una combinación de redes neuronales convolucionales y redes neuronales de grafos para generar un perfil digital completo de cada célula. Esto permite al sistema agrupar células con biología similar, separando eficazmente incluso aquellas que parecen muy similares de forma aislada, pero que se comportan de forma diferente según su entorno.
El estudio, publicado recientemente en Nature Immunology , detalla los resultados de una colaboración entre investigadores del MIT, la Facultad de Medicina de Harvard, la Universidad de Yale, la Universidad de Stanford y la Universidad de Pensilvania, un esfuerzo dirigido por Bokai Zhu, un posdoctorado del MIT y miembro del Instituto Broad del MIT y Harvard y del Instituto Ragon del MGH, MIT y Harvard .
Zhu explica el impacto de esta nueva herramienta: «Al principio decíamos: «He encontrado una célula. Se llama linfocito T». Usando el mismo conjunto de datos, al aplicar CellLENS, ahora puedo decir que se trata de una célula T y que está atacando un límite tumoral específico en un paciente.
Puedo usar la información existente para definir mejor qué es una célula, cuál es su subpoblación, qué hace y cuál es su posible lectura funcional. Este método puede utilizarse para identificar un nuevo biomarcador que proporciona información específica y detallada sobre las células enfermas, lo que permite el desarrollo de terapias más específicas.
Este es un avance crucial, ya que las metodologías actuales a menudo pasan por alto información molecular o contextual crucial. Por ejemplo, las inmunoterapias pueden dirigirse a células que solo existen en el límite de un tumor, lo que limita su eficacia. Mediante el aprendizaje profundo, los investigadores pueden detectar múltiples capas de información con CellLENS, incluyendo la morfología y la ubicación espacial de la célula en un tejido.
Cuando se aplicó a muestras de tejido sano y de varios tipos de cáncer, incluido el linfoma y el cáncer de hígado, CellLENS descubrió subtipos raros de células inmunes y reveló cómo su actividad y ubicación se relacionan con procesos patológicos, como la infiltración tumoral o la supresión inmunitaria.
Estos descubrimientos podrían ayudar a los científicos a comprender mejor cómo interactúa el sistema inmunológico con los tumores y allanar el camino para diagnósticos de cáncer e inmunoterapias más precisos.
“Estoy sumamente entusiasmado con el potencial de las nuevas herramientas de IA, como CellLENS, para ayudarnos a comprender de manera más integral los comportamientos celulares aberrantes dentro de los tejidos”, dice el coautor Alex K. Shalek , director del Instituto de Ingeniería Médica y Ciencia (IMES), profesor JW Kieckhefer en IMES y Química, y miembro extramuros del Instituto Koch para la Investigación Integral del Cáncer en el MIT , así como miembro del Instituto Broad y miembro del Instituto Ragon. “Ahora podemos medir una enorme cantidad de información sobre células individuales y sus contextos tisulares con ensayos multiómicos de vanguardia. Aprovechar eficazmente esos datos para nominar nuevos líderes terapéuticos es un paso crítico en el desarrollo de intervenciones mejoradas. Cuando se combinan con los datos de entrada correctos y validaciones posteriores cuidadosas, estas herramientas prometen acelerar nuestra capacidad para impactar positivamente en la salud y el bienestar humanos”. MIT News. K. B. Traducido al español
