Nuevo método revoluciona el diagnóstico del cáncer

La tecnología "Proteómica Visual Profunda" proporciona información específica de las células que ayuda a analizar las enfermedades del cáncer

20. Mayo 2022

¿Cómo surge el cáncer? ¿Cómo influye la composición celular en la neoplasia maligna del tumor? Estas preguntas son profundas y difíciles de responder, pero son cruciales para comprender la enfermedad y encontrar la cura adecuada. Ahora, un equipo germano-danés dirigido por Matthias Mann ha desarrollado una tecnología innovadora llamada 'Deep Visual Proteomics'. Este método proporciona a los investigadores y médicos una lectura de proteínas para comprender el cáncer a una resolución de tipo celular único. La tecnología demuestra su potencial en una primera aplicación a las células cancerosas.

Las proteínas se encuentran entre los actores más importantes en una variedad de enfermedades. Conocidos como los "caballos de batalla moleculares de la célula", su función adecuada a menudo determina la aptitud de una célula y la de un individuo por extensión. "Cuando algo sale mal dentro de nuestras células y nos enfermamos, las proteínas están involucradas de diversas maneras. Debido a esto, el mapeo del panorama de las proteínas puede ayudarnos a determinar por qué un tumor podría desarrollarse en un paciente en particular, qué vulnerabilidades tiene ese tumor y también qué estrategia de tratamiento podría resultar la más beneficiosa", explica Matthias Mann del Instituto Max Planck de Bioquímica en Munich y el Centro de Investigación de Proteínas de la Fundación Novo Nordisk de la Universidad de Copenhague.



Concepto y flujo de trabajo de Deep Visual Proteomics en el sentido de las agujas del reloj: Deep Visual Proteomics (DVP) combina imágenes de alta resolución, análisis de imágenes guiadas por inteligencia artificial (IA) para la clasificación y el aislamiento de una sola célula con un nuevo flujo de trabajo de proteómica ultrasensible. DVP vincula imágenes ricas en datos de cultivos celulares o tejidos de biobancos de pacientes archivados con segmentación celular basada en aprendizaje profundo e identificación basada en aprendizaje automático de tipos y estados celulares. Los objetos celulares o subcelulares de interés (no supervisados clasificados por IA) se someten a perfiles proteómicos automatizados basados en microdisección láser y espectrometría de masas (EM). El análisis de datos bioinformáticos posterior permite la minería de datos para descubrir firmas de proteínas que proporcionan información molecular sobre la variación del proteoma en los estados de salud y enfermedad a nivel de células individuales.

Aumentar imagen

Concepto y flujo de trabajo de Deep Visual Proteomics en el sentido de las agujas del reloj: Deep Visual Proteomics (DVP) combina imágenes de alta resolución, análisis de imágenes guiadas por inteligencia artificial (IA) para la clasificación y el aislamiento de una sola célula con un nuevo flujo de trabajo de proteómica ultrasensible. DVP vincula imágenes ricas en datos de cultivos celulares o tejidos de biobancos de pacientes archivados con segmentación celular basada en aprendizaje profundo e identificación basada en aprendizaje automático de tipos y estados celulares. Los objetos celulares o subcelulares de interés (no supervisados clasificados por IA) se someten a perfiles proteómicos automatizados basados en microdisección láser y espectrometría de masas (EM). El análisis de datos bioinformáticos posterior permite la minería de datos para descubrir firmas de proteínas que proporcionan información molecular sobre la variación del proteoma en los estados de salud y enfermedad a nivel de células individuales.

[menos]

Intrigados por estas preguntas, un equipo de científicos multidisciplinarios de los grupos de investigación encabezados por Matthias Mann han inventado un método innovador llamado 'Proteómica Visual Profunda'. El estudio combina las características visuales de un tumor con una tecnología de perfilado profundo para visualizar las firmas de proteínas en las células aberrantes que están adyacentes a las células sanas circundantes. Esto daría a los investigadores una visión sin precedentes de la enfermedad y guiaría a los oncólogos a desarrollar estrategias inteligentes para el diagnóstico y el tratamiento.

Deep Visual Proteomics une cuatro tecnologías

Deep Visual Proteomics integra los avances de cuatro tecnologías diferentes por primera vez en un solo flujo de trabajo: en primer lugar, la microscopía avanzada genera mapas de tejidos de alta resolución. En segundo lugar, el aprendizaje automático y los algoritmos de inteligencia artificial se utilizan para clasificar con precisión las células en forma, tamaño o localización de proteínas antes de que las células individuales se recolecten mediante microdisección de captura láser de alta precisión. Luego, después de clasificar los tipos normales o diferentes de células enfermas, las miles de proteínas presentes en las poblaciones celulares se detectan todas a la vez mediante el uso de instrumentos de espectrometría de masas de ultra alta sensibilidad a partir de esta pequeña cantidad de muestra. Por último, los sofisticados análisis bioinformáticos generan mapas de proteínas que proporcionan una resolución espacial de las firmas de proteínas en enfermedades altamente complejas como el cáncer. Tales paisajes de proteínas son herramientas valiosas para los médicos en la comprensión de los mecanismos en la salud y la enfermedad con mayor detalle.

"Nuestro nuevo concepto, 'Proteómica Visual Profunda', podría convertirse en un cambio de juego para la patología molecular en los hospitales. Con este método, tomamos una muestra de tejido con células tumorales, y podemos identificar y determinar miles de proteínas en un minuto de tiempo y esfuerzo. Estas firmas proteómicas revelan los mecanismos que impulsan el desarrollo del tumor y exponen directamente nuevas dianas terapéuticas de una sola rebanada de tejido de una biopsia de paciente con cáncer. Expone un cosmos de moléculas dentro de estas células cancerosas", dice Andreas Mund, profesor asociado en el Centro de Investigación de Proteínas y parte del equipo del profesor Matthias Mann, que encabezó este desarrollo.

Relevancia para la patología clínica

En el nuevo estudio en Nature Biotechnology, los investigadores aplicaron 'Proteómica Visual Profunda' a células de pacientes con carcinoma de células acínicas y con melanoma. Lise Mette Rahbek Gjerdrum, consultora y profesora asociada de investigación clínica en el Departamento de Patología del Hospital Universitario de Zelanda y el Departamento de Medicina Clínica de la Universidad de Copenhague, describe: "Este método único combina la arquitectura tisular con la expresión de miles de proteínas específicas para células seleccionadas. Permite a los investigadores investigar las interacciones entre las células cancerosas y sus células circundantes con importantes implicaciones para el futuro tratamiento clínico del cáncer. Recientemente, diagnosticamos un caso clínico altamente complejo utilizando 'Proteómica Visual Profunda'".

Fabian Coscia, coautor del estudio y, desde junio de 2021, jefe del grupo de investigación "Proteómica Espacial" en el Centro Max Delbrück de Medicina Molecular en la Asociación Helmholtz en Berlín, dice: "Pero, por supuesto, la técnica se puede usar para caracterizar todos los demás tipos de tumores con detalles similares". Su objetivo, dice, es aprovechar los biobancos de pacientes archivados y encontrar nuevos objetivos para terapias contra el cáncer individualizadas, es decir, adaptadas al paciente, incluso para tumores previamente resistentes al tratamiento.

Y no solo el cáncer se puede entender mejor utilizando la 'Proteómica Visual Profunda'. El método también se puede aplicar a otras enfermedades. "Por ejemplo, puede analizar las proteínas en las células nerviosas para averiguar exactamente qué sucede en las células en enfermedades neurodegenerativas como el Alzheimer o el Parkinson", dice Fabian Coscia. "Al fusionar el poder de la microscopía, la inteligencia artificial y la proteómica ultrasensible basada en espectrometría de masas, hemos desarrollado un método que es muy poderoso para comprender el cableado molecular de las células sanas frente a las de la enfermedad. Esto podría ayudar a los médicos a identificar objetivos para futuros medicamentos y diagnósticos", concluye Matthias Mann.