Identifican interacciones genéticas mediante imagenología de células únicas

La imagenología celular suministra una gran cantidad de datos sobre la forma como las células responden a los estímulos, pero poder usar la técnica para estudiar los sistemas biológicos es un inmenso desafío. En un estudio reciente, los investigadores han desarrollado un método innovador para interpretar datos de imágenes de una sola célula, con el fin de identificar interacciones genéticas y ofrecer una visión rápida del futuro del análisis de imagenología celular de alta eficiencia.

Por años, los científicos han estado mirando a través del microscopio a células a medida que cambian de apariencia en respuesta a diferentes tratamientos, sin embargo, la recolección de datos es engorrosa, realizada principalmente cualitativamente por observación. Por otro lado, desarrollos tecnológicos recientes han conducido al desarrollo de métodos de tamización de imágenes, de alta eficiencia, que pueden producir grandes cantidades de datos de cientos de características morfológicas diferentes.

Con la capacidad de recolectar grandes cantidades de datos de imagenología, investigadores del Instituto Tecnológico de Massachusetts (MIT; Cambridge, MA, EUA) y la Escuela Médica Harvard (Boston, MA, EUA) reconocieron una oportunidad de explorar las redes celulares que regulan la morfología celular. "Estas imágenes son una fuente enorme de datos que apenas se está explorando”, dijo la investigadora en MIT, Dra. Bonnie Berger, autora principal del estudio, publicado en línea el 9 de febrero de 2010, en la revista Genome Research. "Nos dimos cuenta que teníamos suficientes datos para ir más allá de la clasificación y empezar a entender el mecanismo detrás de las diferencias en la forma”.

Para poder cumplir con el reto de interpretar los datos de las imágenes celulares, la Dra. Berger y el estudiante de postgrado, Oaz Nir desarrollaron un modelo computacional novedoso para identificar las interacciones genéticas usando datos morfológicos de alta dimensión. El modelo, que integra el conocimiento de una vía, mapea las interacciones potenciales dentro de una red, estudiando características morfológicas similares a la perturbación genética.

El grupo demostró el método analizando la red de señalización Rho en las moscas de la fruta, una red que regula la adhesión celular y la motilidad en los organismos eucarióticos. En colaboración con el Dr. Chris Bakal y el Dr. Norbert Perrimon en la Escuela Médica Harvard, "eliminaron” componentes de la red de señalización Rho usando interferencia de ARN y después tomaron imágenes de miles de moscas de fruta, recolectando mediciones del perímetro celular, el área nuclear y más de 150 características morfológicas adicionales para cada célula. Los datos fueron pasados a través de un marco computacional para generar un conjunto de interacciones de alta confianza apoyados por la confirmación de interacciones conocidas previamente.

Los investigadores descubrieron que haciendo eliminaciones combinadas de los componentes de la red Rho, su método computacional podía inferir con exactitud las interacciones de la red de señalización Rho, con más precisión que usando solamente datos de eliminaciones únicas. La Dra. Berger anotó que este hallazgo resalta la importancia de los experimentos de combinación para inferir redes complejas, necesarias para superar la redundancia natural en las vías de señalización. Como se ha involucrado la perturbación de la vía en Rho, en los humanos en el cáncer y otras enfermedades, los científicos creen que estas interacciones predichas serán candidatos excelentes para estudios futuros.

La Dra. Berger espera que en combinación con otras fuentes de datos, la imagenología como una fuente nueva de datos de alta eficiencia, debiera aumentar apreciablemente la exactitud de redes de señalización conocidas. "Este trabajo permite echar una visión rápida al futuro”, añadió la Dra. Berger, donde mirar manualmente por el microscopio a células una-a-una, se reemplaza con el procesamiento automatizado de alta eficiencia de muchas imágenes celulares”.

Enlaces relacionados:
Massachusetts Institute of Technology
Harvard Medical School