[ad_1]
(noticias nanowerk) El hecho de que los humanos y otros seres vivos puedan desarrollarse y crecer a partir de una sola célula se debe a un proceso llamado desarrollo embrionario. Para que se forme tejido sano, las células del embrión deben organizarse correctamente y en el lugar adecuado y en el momento adecuado. Si este proceso no se desarrolla correctamente, puede provocar defectos de nacimiento, problemas de regeneración de tejidos o cáncer. Todo esto hace que comprender cómo se organizan los diferentes tipos de células en una arquitectura tisular compleja sea una de las cuestiones más fundamentales en la biología del desarrollo.
Si bien los investigadores aún están lejos de comprender completamente el proceso, un grupo de científicos de la Universidad de Brown ha ayudado a acercarse a este campo en los últimos años. ¿Tu secreto? Una rama de las matemáticas llamada topología.
El equipo de investigación de ingenieros biomédicos y matemáticos aplicados de Brown utilizó la topología computacional para desarrollar un algoritmo de aprendizaje automático que perfila formas y patrones espaciales en embriones para estudiar cómo estas células se organizan en arquitecturas similares a tejidos. En un nuevo estudio, llevan este sistema al siguiente nivel, allanando el camino para estudiar cómo se ensamblan múltiples tipos de células.
La obra se describe en Biología y aplicaciones de sistemas npj. (“Análisis de datos topológicos de patrones espaciales en poblaciones celulares heterogéneas: agrupamiento y clasificación con diferente adhesión célula-célula”).
«En los tejidos, puede haber diferencias en cómo una célula se une al mismo tipo de célula versus cómo se une a un tipo de célula diferente», dijo Ian Y. Wong, profesor asociado de la Escuela de Ingeniería de Brown que ayudó a desarrollar el algoritmo. . «Surge la interesante pregunta de cómo estas células saben exactamente dónde terminan en un tejido particular, que a menudo está dividido espacialmente en diferentes regiones».
Por ejemplo, en un embrión animal, la capa externa de células forma la piel, la capa intermedia forma músculos y huesos, mientras que la capa más interna forma el hígado o los pulmones. Las células dentro de cada capa se adhieren preferentemente entre sí y se separan de las células de otras capas, para luego formar otras partes del cuerpo.
En la década de 1970, los científicos descubrieron que las células de los embriones de rana se pueden separar cuidadosamente y, cuando se vuelven a mezclar, se reorganizan espontáneamente en su organización original. Esto se debe a que las células tienen diferentes afinidades entre sí y, a medida que se ensamblan y agrupan, se mantienen ciertos patrones topológicos de enlaces y bucles.
«En el contexto de esta disposición espacial de los tejidos, se puede aprender mucho de lo que está ahí, pero al mismo tiempo también de lo que no está», dijo Dhananjay Bhaskar, reciente estudiante de doctorado de Brown. Graduado que dirigió el trabajo y ahora es becario postdoctoral en la Universidad de Yale.
Los investigadores de Brown mostraron en 2021 (Materia blanda“Análisis de datos topológicos de células epiteliales colectivas e individuales utilizando homología persistente de bucles”) cómo su enfoque podría perfilar y hacer predicciones sobre las características topológicas de un tipo de célula que se organiza en diferentes configuraciones espaciales.
El problema con el sistema original era que era un proceso lento y laborioso. El algoritmo comparó cuidadosamente estas características topológicas individualmente con las de otros conjuntos de ubicaciones de celdas para determinar cuán topológicamente diferentes o similares son. El proceso tomó varias horas y esencialmente impidió que el algoritmo alcanzara su máximo potencial para comprender cómo se ensamblan las células y poder comparar con facilidad y precisión lo que sucede cuando las condiciones cambian: una clave para desentrañar esto, qué sucede si algo sale mal.
En el nuevo estudio, el equipo de investigación comienza a abordar esta limitación con las llamadas imágenes de persistencia. Estas imágenes son un formato similar a una imagen estandarizado para mostrar características topológicas, lo que permite una comparación rápida de grandes conjuntos de datos de ubicaciones de celdas.
Luego utilizaron estas imágenes para entrenar otros algoritmos para generar «huellas digitales» que capturen características topológicas clave de los datos. Esto reduce el tiempo de cálculo de horas a segundos y permite a los investigadores comparar miles de simulaciones de organización celular, utilizando las huellas dactilares para clasificarlas en patrones similares sin intervención humana.
Los investigadores dicen que el objetivo es trabajar hacia atrás y derivar las reglas que describen cómo se organizan los diferentes tipos de células en función del patrón final. Por ejemplo, al experimentar cómo ciertas células son más o menos adherentes, los investigadores pueden ver cómo y cuándo ocurren cambios dramáticos en la arquitectura del tejido.
El enfoque se puede utilizar para comprender qué sucede cuando el proceso de desarrollo se desvía y para experimentos de laboratorio para probar cómo diferentes fármacos pueden alterar la migración y la adhesión celular.
«Si ve un patrón particular, podemos usar nuestro algoritmo para identificar por qué ocurre ese patrón», dijo Bhaskar. «En cierto modo, nos indica las reglas del juego en lo que respecta al autoensamblaje de células».
[ad_2]