Archivo - Cromosomas y telómeros - NOPPARIT/ ISTOCK - Archivo
MADRID, 23 Mar. (EUROPA PRESS) -
Científicos del Instituto de Descubrimiento Médico Sanford Burnham Prebys (Estados Unidos) han desarrollado el modelo TLPath, una nueva herramienta computacional que analiza los cambios que ocurren en los extremos de los cromosomas que contienen ADN. En concreto, detecta alteraciones estructurales en células y tejidos capturadas en imágenes tomadas de biopsias médicas de rutina
El trabajo, publicados en 'Cell Reports Methods', se basa en la hipótesis de que las modificaciones en la forma y la estructura de las células y los tejidos podrían utilizarse para predecir la longitud de las secciones repetitivas de ADN llamadas telómeros.
"Cuando el ADN se replica a medida que nuestras células crecen y se dividen, la parte final del ADN no se puede replicar. Esto sería un problema si nuestro ADN se degradara poco a poco desde el nacimiento, pero en cambio nuestras células desarrollaron una solución única: proteger los extremos del ADN con regiones repetitivas llamadas telómeros, que pueden desgastarse en lugar de eliminar información genética más esencial", cuenta Sanju Sinha, profesor asistente en el Programa de Metabolismo del Cáncer y Microambiente en Sanford Burnham Prebys.
Sin embargo, los telómeros no son simples amortiguadores genéticos que se puedan desechar sin más. Si bien los científicos aún están determinando con exactitud cómo estos protectores de ADN afectan el proceso de envejecimiento, los investigadores han descubierto que la longitud de los telómeros se correlaciona con la edad cronológica de una persona a lo largo de su vida. Tras analizar los resultados de salud en grandes poblaciones, se observó que la longitud de los telómeros predice el riesgo de los pacientes de padecer enfermedades crónicas asociadas al envejecimiento.
"Estábamos bastante seguros de que los telómeros desempeñan un papel importante a medida que las células envejecen, y sabíamos que el campo necesitaba más formas de estudiar este fenómeno para aprender cómo se puede tratar en beneficio de los pacientes", incide Sinha.
El equipo de investigación obtuvo datos del Proyecto de Expresión Genotípica en Tejidos, una importante iniciativa del Fondo Común de los Institutos Nacionales de la Salud (NIH) que se puso en marcha en 2010 para crear un recurso que permitiera estudiar cómo las alteraciones genéticas hereditarias dan lugar a enfermedades comunes. Sinha y sus colaboradores pudieron entrenar su modelo computacional con escaneos de 5.263 portaobjetos de histopatología obtenidos a partir de muestras de biopsia rutinarias de 18 tipos de tejido donadas por 919 personas.
"El conjunto de datos combina estas imágenes de alta resolución con pruebas de laboratorio de la longitud de los telómeros, lo que nos permite entrenar a TLPath para encontrar características predictivas en las células y los tejidos", agrega Sinha. "Hay cientos de terabytes de datos de imágenes de este proyecto listos para ser estudiados con herramientas como TLPath, y no podríamos haber finalizado nuestro proyecto sin que estos datos estuvieran disponibles para los investigadores".
El modelo funciona segmentando cada portaobjetos de histopatología en un promedio de 1.387 fragmentos cuadrados. Cada fragmento, conocido como parche, se analiza minuciosamente para encontrar hasta 1.024 características estructurales. Al calcular un peso estadístico para cada característica en cada parche, el modelo compara una puntuación general para cada portaobjetos de histopatología con la longitud del telómero correspondiente para aprender a predecir esta última a partir de la primera.
Tras entrenar TLPath por separado en cada tipo de tejido, los científicos descubrieron que era capaz de predecir la longitud de los telómeros en muestras del Proyecto de Expresión Genotipo-Tejido que no se habían incluido en el conjunto de datos de entrenamiento.
"La clave de nuestro trabajo fue aprovechar los avances recientes en visión artificial para diapositivas de histopatología, es decir, la creación de modelos fundamentales", explica Sinha. "Estos modelos no se centran en píxeles individuales, sino que definen características de orden superior, algunas de las cuales pueden ser interpretadas por humanos y, a la vez, validadas por su capacidad predictiva".
IMPLICACIONES PARA LA SALUD Y LA INVESTIGACIÓN
En las pruebas, TLPath logró predecir la longitud de los telómeros con mayor precisión que si la predicción se basara únicamente en la edad de los pacientes al donar sus muestras. Los científicos evaluaron además la capacidad predictiva del modelo demostrando que podía identificar diferencias en la longitud de los telómeros entre individuos de la misma edad cronológica.
"Esto abre nuevas oportunidades basadas en el avance conceptual de que los cambios estructurales medibles en las células pueden predecir la longitud de los telómeros", explica Sinha. "Medir directamente la longitud de los telómeros requiere pruebas más complicadas y costosas que son difíciles de escalar. La única limitación para utilizar un método como TLPath es la disponibilidad de portaobjetos de histopatología escaneados."
Si bien estas muestras se crean habitualmente a partir de biopsias para que los patólogos las revisen en el curso de la atención clínica, rara vez se digitalizan y se ponen a disposición de los investigadores de manera similar al Proyecto de Expresión Genotípica en Tejidos financiado por los NIH.
"Ya se trate de nuevas diapositivas que se estén desarrollando hoy en día o de las que se conservan en biobancos, lo único que necesitamos es que se escaneen, almacenen y compartan adecuadamente para poder realizar estudios a gran escala", finaliza Sinha. Esto tiene el potencial de transformar nuestra capacidad para estudiar la biología de los telómeros, aprender más sobre el envejecimiento humano y, en última instancia, ayudar a las personas a mantener una mejor salud a medida que envejecen", explica.
