La inflamación es un sello distintivo de muchas afecciones de salud, pero cuantificar cómo la biología subyacente de la inflamación contribuye a enfermedades específicas ha sido difícil. Por primera vez, los investigadores y colegas de la Facultad de Medicina de la UNC ahora informan el desarrollo de una nueva tecnología para identificar el blancocélulas sanguíneas llamadas neutrófilos que se preparan para expulsar ADN inflamatorio a la circulación a través de un proceso llamado NETosis.
Los resultados, publicados en Informes científicos , marca la primera vez que los científicos han utilizado herramientas de aprendizaje automático para el análisis celular cuantitativo y cualitativo rápido en ciencias básicas.
"Esta nueva prueba permitirá a los investigadores medir la NETosis en diferentes enfermedades y probar medicamentos que pueden inhibir o promover el proceso", dijo la autora principal Leslie Parise, PhD, profesora y presidenta del Departamento de Bioquímica y Biofísica de la UNC.
Cuando los invasores extraños como virus o bacterias ingresan a nuestros cuerpos, los glóbulos blancos se apresuran a combatir a los invasores de varias maneras. Un tipo de glóbulo blanco, el neutrófilo, expulsa su ADN al torrente sanguíneo para atrapar bacterias y virus y ayudar asu muerte para prevenir infecciones. Este ADN de neutrófilos tiene una apariencia similar a una red y se llama trampas extracelulares de neutrófilos, o NET. El proceso por el cual este ADN es empujado hacia el espacio extracelular se llama NETosis. Estos llamados ADN NETcontribuyen a la inflamación en numerosas enfermedades, como enfermedades autoinmunes, sepsis, artritis, cánceres, anemia falciforme y trombosis.
NETosis puede ser activada por diferentes estímulos químicos, pero a la vista, el neutrófilo NETotic final se ve igual. Para ayudar a distinguir los neutrófilos activados por diferentes estímulos y de manera muy rápida, el laboratorio Parise se apoyó en el aprendizaje automático, una rama artificialinteligencia basada en la idea de que las computadoras pueden adquirir conocimiento a través de datos y observaciones sin programación explícita. Luego, las computadoras pueden aprender a generalizar a partir de ejemplos y hacer predicciones.
El aprendizaje automático se ha utilizado en el análisis de genómica, descubrimiento de fármacos, modelado de estructuras de proteínas y diagnóstico de enfermedades. Pocos estudios han utilizado tecnologías de imagen automatizadas con aprendizaje automático en esfuerzos no diagnósticos y exploratorios centrados en la investigación, como la cuantificación celular en animalesmodelos.
"La revolución del aprendizaje automático se produjo solo en los últimos años debido a los rápidos desarrollos en computación paralela y teoría de optimización matemática", dijo el coautor Joshua Cooper, PhD, profesor en el Departamento de Matemáticas de la Universidad de Carolina del Sur"La mayor parte del trabajo científico que utiliza estas herramientas extraordinariamente potentes hasta ahora se ha centrado en la construcción de modelos predictivos, y generalmente en equipos muy costosos. Hemos demostrado que también es posible implementar estas herramientas en hardware básico para avanzar en la ciencia fundamental mediante la automatización de análisis que anteriormente requerían enormes cantidadesdel trabajo humano y transformando la morfología biológica cualitativa en características cuantitativas cuantificables ".
La clasificación celular es laboriosa, ya que depende de herramientas de análisis de imágenes altamente supervisadas con la necesidad de una interacción continua del usuario. Aunque las tasas de error reducidas y las velocidades de aprendizaje excepcionales del aprendizaje automático tienen el potencial de transformar el campo de la imagen celular, no han sido ampliamenteadoptado en las ciencias biológicas, en parte debido a la falta de pruebas y validación de dichos métodos debido a la escasez de grandes conjuntos de datos para la capacitación.
Las redes neuronales convolucionales CNN son algoritmos de aprendizaje profundo comúnmente utilizados en el reconocimiento y clasificación de imágenes. Su estructura se inspiró en la estructura de la corteza visual de los mamíferos, cuya función es el reconocimiento de patrones y el cálculo de atributos de objetos complejos.
en el Informes científicos artículo, primer autor Laila Elsherif, PhD, y colegas, incluidos los coautores Noah Sciaky de UNC y Joshua Cooper, PhD, de la Universidad de Carolina del Sur, demostraron por primera vez la viabilidad de diseñar diferentes CNN para abordar preguntas clave relacionadasa la NETosis de neutrófilos.
Elsherif, quien ahora es miembro de la facultad de la Universidad de Tennessee, aplicó esta nueva tecnología a la enfermedad de células falciformes SCD porque la inflamación crónica y la hipercoagulabilidad son complicaciones bien conocidas en pacientes con SCD, y se cree que los NET son importantes tanto para la inflamación como para la inflamación.coagulación de la sangre. Además, estudios previos encontraron que el plasma de pacientes con SCD causó la producción de NET en neutrófilos de individuos sanos, lo que llevó a la conclusión de que NETosis está asociada con la fisiopatología de SCD.
Sin embargo, ambos estudios utilizaron indicadores sustitutos para NETosis y no midieron NETosis directamente en neutrófilos aislados de pacientes con SCD.
"Nuestra tecnología nos permite evaluar cuantitativamente NETosis en neutrófilos de pacientes con SCD donde los pacientes no experimentan dolor y otros síntomas asociados con la crisis", dijo Elsherif.
Los investigadores aplicaron su nueva tecnología para encontrar que una vía de NETosis parece estar ausente en los pacientes evaluados.
"La disminución del potencial de NETosis en neutrófilos de pacientes con SCD podría explicar su mayor susceptibilidad a ciertas infecciones bacterianas invasivas, ya que sus neutrófilos no pueden NETose y atrapar y matar bacterias de manera eficiente", dijo Elsherif. "Nuestros resultados también podrían reflejar elrespuesta de neutrófilos de pacientes con SCD a hidroxiurea u otras intervenciones farmacológicas. Estudios adicionales con una cohorte de pacientes más grande ciertamente están justificados y podrían dilucidar aspectos importantes en los mecanismos de la enfermedad de SCD ".
Este trabajo fue apoyado por subvenciones de la Fundación Doris Duke, un premio de desarrollo de la facultad junior de la UNC IBM y los Institutos Nacionales de Salud.
Otros autores incluyen Carrington A. Metts, Md. Modasshir, Ioannis Rekleitis, Christine Burris, Joshua Walker, Nadeem Ramadan, Tina Leisner, Stephen Holly, Martis Cowles y Kenneth Ataga.
Fuente de la historia :
Materiales proporcionado por Cuidado de la salud de la Universidad de Carolina del Norte . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :