Los investigadores de la EPFL han desarrollado un microscopio «autónomo» que puede predecir la aparición de agregaciones de proteínas mal plegadas (un sello distintivo de las enfermedades neurodegenerativas), así como analizar las propiedades biomecánicas de estos agregados.
La acumulación de proteínas mal plegadas en el cerebro es fundamental para la progresión de enfermedades neurodegenerativas como la enfermedad de Huntington, el Alzheimer y el Parkinson. Sin embargo, a simple vista, las proteínas destinadas a formar agregados dañinos no se diferencian en nada de las proteínas normales. La formación de estos agregados también suele ocurrir de forma aleatoria y relativamente rápida, en cuestión de minutos. La capacidad de identificar y caracterizar los agregados proteicos es esencial para comprender y combatir las enfermedades neurodegenerativas.
Ahora, mediante aprendizaje profundo, investigadores de la EPFL han desarrollado un sistema de imágenes autónomo que aprovecha múltiples métodos de microscopía para rastrear y analizar la agregación de proteínas en tiempo real, e incluso anticiparla antes de que comience. Además de maximizar la eficiencia de la imagen, este enfoque minimiza el uso de marcadores fluorescentes, que pueden alterar las propiedades biofísicas de las muestras celulares y dificultar un análisis preciso.
“Esta es la primera vez que hemos podido prever con precisión la formación de estos agregados proteicos”, afirma Khalid Ibrahim, recién graduado de doctorado de la EPFL. “Dado que sus propiedades biomecánicas están vinculadas a enfermedades y a la alteración de la función celular, comprender cómo evolucionan estas propiedades a lo largo del proceso de agregación nos permitirá obtener una comprensión fundamental, esencial para el desarrollo de soluciones”.
Ibrahim ha publicado este trabajo en Nature Communications con Aleksandra Radenovic, jefa del Laboratorio de Biología a Nanoescala de la Facultad de Ingeniería, e Hilal Lashuel, de la Facultad de Ciencias de la Vida, en colaboración con Carlo Bevilacqua y Robert Prevedel, del Laboratorio Europeo de Biología Molecular de Heidelberg (Alemania). El proyecto es fruto de una larga colaboración entre los laboratorios de Lashuel y Radenovic, que aúna conocimientos complementarios en neurodegeneración y tecnologías avanzadas de imagenología de células vivas. «Este proyecto nació de la motivación de desarrollar métodos que revelen nuevos conocimientos biofísicos, y es emocionante ver cómo esta visión ha dado sus frutos», afirma Radenovic.
Presenciando el nacimiento de un agregado proteico
En su primer esfuerzo colaborativo, liderado por Ibrahim, el equipo desarrolló un algoritmo de aprendizaje profundo capaz de detectar agregados de proteínas maduras al presentar imágenes sin etiquetar de células vivas. El nuevo estudio se basa en este trabajo con una versión de clasificación de imágenes del algoritmo que analiza dichas imágenes en tiempo real: cuando este algoritmo detecta un agregado de proteína madura, activa un microscopio Brillouin, que analiza la luz dispersa para caracterizar las propiedades biomecánicas de los agregados, como la elasticidad.
Normalmente, la baja velocidad de captura de imágenes de un microscopio Brillouin lo convertiría en una mala opción para estudiar agregados proteicos de rápida evolución. Pero gracias al enfoque basado en IA del equipo de la EPFL, el microscopio Brillouin solo se activa cuando se detecta un agregado proteico, lo que acelera todo el proceso y abre nuevas vías en la microscopía inteligente.
“Esta es la primera publicación que muestra el impresionante potencial de los sistemas autónomos para incorporar métodos de microscopía sin etiquetas, lo que debería permitir que más biólogos adopten técnicas de microscopía inteligente en rápida evolución”, afirma Ibrahim.
Dado que el algoritmo de clasificación de imágenes solo se centra en los agregados de proteínas maduras, los investigadores aún necesitaban ir más allá si querían detectar la formación de agregados en el acto. Para ello, desarrollaron un segundo algoritmo de aprendizaje profundo y lo entrenaron con imágenes de proteínas marcadas con fluorescencia en células vivas. Este algoritmo de detección del inicio de la agregación puede diferenciar entre imágenes casi idénticas para identificar correctamente cuándo ocurrirá la agregación con una precisión del 91 %. Una vez detectado este inicio, el sistema autónomo activa de nuevo la imagen Brillouin para ofrecer una ventana nunca antes vista a la agregación de proteínas. Por primera vez, la biomecánica de este proceso puede capturarse dinámicamente en el momento en que ocurre.
Lashuel enfatiza que, además de impulsar la microscopía inteligente, este trabajo tiene importantes implicaciones para el descubrimiento de fármacos y la medicina de precisión. «Los métodos de imagenología sin marcadores crean formas completamente nuevas de estudiar y dirigirse a pequeños agregados proteicos llamados oligómeros tóxicos, que se cree que desempeñan un papel central en la neurodegeneración», afirma. «Nos entusiasma seguir desarrollando estos logros y sentar las bases para plataformas de desarrollo de fármacos que acelerarán terapias más efectivas para las enfermedades neurodegenerativas».
Referencias
La microscopía autónoma detecta el inicio de la agregación proteica y permite la obtención inteligente de imágenes Brillouin. Khalid A. Ibrahim, Camille Cathala, Carlo Bevilacqua, Lely Feletti, Robert Prevedel, Hilal A. Lashuel y Aleksandra Radenovic. https://doi.org/10.1038/s41467-025-60912-0
Ibrahim, KA, Grußmayer, KS, Riguet, N. et al. Identificación sin etiquetas de agregados de proteínas mediante aprendizaje profundo. Nat Commun 14, 7816 (2023). https://doi.org/10.1038/s41467-023-43440-7
EPFL News. C. L. Traducido al español
