\n
![](\"https:\/\/news.mit.edu\/sites\/default\/files\/styles\/news_article__cover_image__original\/public\/images\/202401\/MIT-Genomic-Imaging-01-press.jpg?itok=uwcmMHxT\")
<\/p>\n [ad_1]
\n<\/p>\n
Secuenciar todo el ARN de una c\u00e9lula puede revelar una gran cantidad de informaci\u00f3n sobre la funci\u00f3n de esa c\u00e9lula y lo que est\u00e1 haciendo en un momento determinado. Sin embargo, el proceso de secuenciaci\u00f3n destruye la c\u00e9lula, lo que dificulta el estudio de los cambios en curso en la expresi\u00f3n gen\u00e9tica.<\/p>\n
Un enfoque alternativo desarrollado en el MIT podr\u00eda permitir a los investigadores rastrear tales cambios durante largos per\u00edodos de tiempo. El nuevo m\u00e9todo, que se basa en una t\u00e9cnica de im\u00e1genes no invasiva conocida como espectroscopia Raman, no da\u00f1a las c\u00e9lulas y puede realizarse repetidamente.<\/p>\n
Utilizando esta t\u00e9cnica, los investigadores demostraron que pod\u00edan monitorear las c\u00e9lulas madre embrionarias a medida que se diferenciaban en otros tipos de c\u00e9lulas durante varios d\u00edas. Esta t\u00e9cnica podr\u00eda permitir estudios de procesos celulares a largo plazo, como la progresi\u00f3n del c\u00e1ncer o el desarrollo embrionario, y alg\u00fan d\u00eda podr\u00eda usarse para el diagn\u00f3stico del c\u00e1ncer y otras enfermedades.<\/p>\n
\"Con las im\u00e1genes Raman se pueden medir muchos m\u00e1s puntos temporales, lo que puede ser importante para estudiar la biolog\u00eda del c\u00e1ncer, la biolog\u00eda del desarrollo y una serie de enfermedades degenerativas\", dice Peter So, profesor de ingenier\u00eda biol\u00f3gica y mec\u00e1nica en el MIT, director del Laboratorio L\u00e1ser del MIT. Centro de Investigaci\u00f3n Biom\u00e9dica, y uno de los autores del art\u00edculo.<\/p>\n
Koseki Kobayashi-Kirschvink, postdoctorado en el MIT y el Broad Institute de Harvard y el MIT, es el autor principal del estudio, que aparece hoy en Biotecnolog\u00eda de la naturaleza. <\/em>Los autores principales del art\u00edculo son Tommaso Biancalani, ex cient\u00edfico del Broad Institute; Jian Shu, profesor asistente de la Facultad de Medicina de Harvard y miembro asociado del Broad Institute; y Aviv Regev, vicepresidente ejecutivo de Genentech Research and Early Development, que est\u00e1 de licencia en sus puestos docentes en el Broad Institute y el Departamento de Biolog\u00eda del MIT.<\/p>\n Im\u00e1genes de expresi\u00f3n gen\u00e9tica <\/strong><\/p>\n La espectroscopia Raman es una t\u00e9cnica no invasiva que revela la composici\u00f3n qu\u00edmica de tejidos o c\u00e9lulas al iluminarlos con luz visible o infrarroja cercana. El Centro de Investigaci\u00f3n Biom\u00e9dica L\u00e1ser del MIT ha estado trabajando en espectroscopia Raman biom\u00e9dica desde 1985 y, recientemente, So y otros en el centro han desarrollado t\u00e9cnicas basadas en espectroscopia Raman que podr\u00edan usarse para diagnosticar el c\u00e1ncer de mama<\/a> o medir la glucosa en sangre<\/a>.<\/p>\n Sin embargo, la espectroscopia Raman por s\u00ed sola no es lo suficientemente sensible como para detectar se\u00f1ales tan peque\u00f1as como cambios en los niveles de mol\u00e9culas de ARN individuales. Para medir los niveles de ARN, los cient\u00edficos suelen utilizar una t\u00e9cnica llamada secuenciaci\u00f3n de ARN unicelular, que puede revelar los genes que est\u00e1n activos dentro de diferentes tipos de c\u00e9lulas en una muestra de tejido.<\/p>\n En este proyecto, el equipo del MIT intent\u00f3 combinar las ventajas de la secuenciaci\u00f3n de ARN unicelular y la espectroscopia Raman entrenando un modelo computacional para traducir se\u00f1ales Raman en estados de expresi\u00f3n de ARN.<\/p>\n \u201cLa secuenciaci\u00f3n de ARN proporciona informaci\u00f3n extremadamente detallada, pero es destructiva. Raman no es invasivo, pero no dice nada sobre el ARN. Entonces, la idea de este proyecto era utilizar el aprendizaje autom\u00e1tico para combinar la fuerza de ambas modalidades, permitiendo as\u00ed comprender la din\u00e1mica de los perfiles de expresi\u00f3n gen\u00e9tica a nivel de una sola c\u00e9lula a lo largo del tiempo\u201d, dice Kobayashi-Kirschvink.<\/p>\n Para generar datos para entrenar su modelo, los investigadores trataron c\u00e9lulas de fibroblastos de rat\u00f3n, un tipo de c\u00e9lula de la piel, con factores que reprograman las c\u00e9lulas para que se conviertan en c\u00e9lulas madre pluripotentes. Durante este proceso, las c\u00e9lulas tambi\u00e9n pueden pasar a otros tipos de c\u00e9lulas, incluidas las c\u00e9lulas neurales y epiteliales.<\/p>\n Utilizando espectroscop\u00eda Raman, los investigadores tomaron im\u00e1genes de las c\u00e9lulas en 36 puntos temporales durante 18 d\u00edas mientras se diferenciaban. Despu\u00e9s de tomar cada imagen, los investigadores analizaron cada c\u00e9lula mediante hibridaci\u00f3n fluorescente in situ de una sola mol\u00e9cula (smFISH), que se puede utilizar para visualizar mol\u00e9culas de ARN espec\u00edficas dentro de una c\u00e9lula. En este caso, buscaron mol\u00e9culas de ARN que codificaran nueve genes diferentes cuyos patrones de expresi\u00f3n var\u00edan seg\u00fan el tipo de c\u00e9lula.<\/p>\n Estos datos de smFISH pueden actuar como un v\u00ednculo entre los datos de im\u00e1genes Raman y los datos de secuenciaci\u00f3n de ARN unicelular. Para establecer ese v\u00ednculo, los investigadores primero entrenaron un modelo de aprendizaje profundo para predecir la expresi\u00f3n de esos nueve genes bas\u00e1ndose en las im\u00e1genes Raman obtenidas de esas c\u00e9lulas.<\/p>\n Luego, utilizaron un programa computacional llamado Tangram, desarrollado previamente en el Broad Institute, para vincular los patrones de expresi\u00f3n del gen smFISH con perfiles del genoma completo que hab\u00edan obtenido realizando la secuenciaci\u00f3n de ARN unicelular en las c\u00e9lulas de muestra.<\/p>\n Luego, los investigadores combinaron esos dos modelos computacionales en uno al que llamaron Raman2RNA, que puede predecir los perfiles gen\u00f3micos completos de las c\u00e9lulas individuales bas\u00e1ndose en im\u00e1genes Raman de las c\u00e9lulas.<\/p>\n Seguimiento de la diferenciaci\u00f3n celular<\/strong><\/p>\n Los investigadores probaron su algoritmo Raman2RNA rastreando c\u00e9lulas madre embrionarias de rat\u00f3n a medida que se diferenciaban en diferentes tipos de c\u00e9lulas. Tomaron im\u00e1genes Raman de las c\u00e9lulas cuatro veces al d\u00eda durante tres d\u00edas y utilizaron su modelo computacional para predecir los perfiles de expresi\u00f3n de ARN correspondientes de cada c\u00e9lula, que confirmaron compar\u00e1ndolos con mediciones de secuenciaci\u00f3n de ARN.<\/p>\n Utilizando este enfoque, los investigadores pudieron observar las transiciones que ocurrieron en c\u00e9lulas individuales a medida que se diferenciaban de las c\u00e9lulas madre embrionarias en tipos de c\u00e9lulas m\u00e1s maduras. Tambi\u00e9n demostraron que pod\u00edan rastrear los cambios gen\u00f3micos que ocurren cuando los fibroblastos de rat\u00f3n se reprograman en c\u00e9lulas madre pluripotentes inducidas, durante un per\u00edodo de dos semanas.<\/p>\n \"Es una demostraci\u00f3n de que las im\u00e1genes \u00f3pticas brindan informaci\u00f3n adicional que permite rastrear directamente el linaje de las c\u00e9lulas y la evoluci\u00f3n de su transcripci\u00f3n\", dice So.<\/p>\n Los investigadores ahora planean utilizar esta t\u00e9cnica para estudiar otros tipos de poblaciones de c\u00e9lulas que cambian con el tiempo, como las c\u00e9lulas envejecidas y las c\u00e9lulas cancerosas. Ahora est\u00e1n trabajando con c\u00e9lulas cultivadas en una placa de laboratorio, pero en el futuro esperan que este enfoque pueda desarrollarse como un diagn\u00f3stico potencial para su uso en pacientes.<\/p>\n \u201cUna de las mayores ventajas de Raman es que es un m\u00e9todo sin etiquetas. A\u00fan queda un largo camino por recorrer, pero existe potencial para la traducci\u00f3n humana, que no podr\u00eda realizarse utilizando las t\u00e9cnicas invasivas existentes para medir perfiles gen\u00f3micos\u201d, afirma Jeon Woong Kang, investigador del MIT y autor del estudio.<\/p>\n La investigaci\u00f3n fue financiada por la beca posdoctoral de la Sociedad Japonesa para la Promoci\u00f3n de la Ciencia para investigadores extranjeros, la beca posdoctoral en el extranjero de la Fundaci\u00f3n Naito, la beca MathWorks, la Fundaci\u00f3n Helen Hay Whitney, los Institutos Nacionales de Salud de EE. UU., el Instituto Nacional de Im\u00e1genes Biom\u00e9dicas de EE. UU. y Bioingenier\u00eda, HubMap, el Instituto M\u00e9dico Howard Hughes y el Observatorio Celular Klarman.<\/p>\n<\/p><\/div>\n