La IA chequea la calidad de los organoides mejor que los humanos
También conocidos como miniórganos, los organoides son cruciales para la medicina regenerativa, el descubrimiento de fármacos y la investigación básica. Ahora, los modelos de aprendizaje profundo pueden predecir si se están «fabricados» correctamente.
Por Enrique Coperías
Organoides cerebrales humanos que muestran neuronas y sus dendritas (verde), células telencéfalas —prosencéfalo— (azul) y una especie de contacto célula-célula llamada uniones estrechas (rojo). Ahora una IA es capaz de detectar si un organoide se esta desarrollando correctamente. Crédito: Noelia Antón Bolaños e Irene Faravelli
Los organoides son estructuras tridimensionales creadas en el laboratorio a partir de células madre que imitan la organización y función de órganos reales a pequeña escala, y que están transformando la investigación biomédica. En efecto, prometen grandes avances en la personalización de trasplantes, la mejora de la modelización de enfermedades como el alzhéimer y el cáncer, y la obtención de datos más precisos sobre los efectos de los fármacos.
Ahora, investigadores de la Universidad de Kyushu y la Universidad de Nagoya, en Japón, han desarrollado un modelo que utiliza la inteligencia artificial (IA) para predecir el desarrollo de organoides en una fase temprana. El modelo, más rápido y preciso que el de los investigadores expertos en estos miniórganos, podría mejorar la eficacia y reducir el coste del cultivo de estas estructuras biológicas en 3D.
En este estudio, publicado en la revista Communications Biology, los científicos japoneses se centraron en predecir el desarrollo de organoides hipotalámico-hipofisarios. Estos imitan las funciones de la hipófisis, incluida la producción de la hormona adrenocorticotrópica (ACTH) por parte de la también llamada glándula pituitaria.
Una hormona crucial para regular el estrés y la inflamación
La ACTH es una hormona crucial para regular el estrés, el metabolismo, la presión arterial y la inflamación. La deficiencia de ACTH puede provocar fatiga, anorexia y otros problemas potencialmente mortales.
«En nuestro laboratorio, nuestros estudios en ratones demuestran que el trasplante de organoides hipotalámico-hipofisarios tiene el potencial de tratar la deficiencia de ACTH en humanos», afirma Hidetaka Suga, profesorde la Facultad de Medicina de la Universidad de Nagoya y coautor del estudio.
Sin embargo, un reto clave para los investigadores es determinar si los organoides se están desarrollando correctamente. Derivados de células madre suspendidas en un líquido, los organoides son sensibles a minúsculos cambios ambientales, lo que provoca una gran variabilidad en su desarrollo y calidad final.
Proteína de buena salud
Los investigadores descubrieron que un signo de buena progresión es la notable expresión —o sea, producción— de una proteína llamada RAX en una fase temprana del desarrollo, que suele dar lugar a organoides con una fuerte secreción de ACTH más adelante.
«Podemos seguir el desarrollo modificando genéticamente los organoides para que la proteína RAX sea fluorescente— explica Suga. Y añade—: Sin embargo, los organoides destinados a usos clínicos, como es el caso de los trasplantes de órganos, no pueden modificarse genéticamente para que sean fluorescentes. Así que nuestros investigadores deben juzgar en su lugar basándose en lo que ven con sus ojos: un proceso lento e impreciso».
Por eso, Suga y sus colegas de la Universidad de Nagoya colaboraron con Hirohiko Niioka, profesor de la Iniciativa de Innovación Basada en Datos de la Universidad de Kyushu, para entrenar modelos de aprendizaje profundo.
Un tipo de IA que imita la forma en que el cerebro humano
«Los modelos de aprendizaje profundo son un tipo de IA que imita la forma en que el cerebro humano procesa la información, lo que les permite analizar y categorizar grandes cantidades de datos mediante el reconocimiento de patrones», explica Niioka.
Los investigadores de Nagoya capturaron tanto imágenes fluorescentes como imágenes de microscopía de campo claro, que muestran el aspecto de los organoides bajo luz blanca normal sin fluorescencia, de organoides con proteínas RAX fluorescentes a los treinta días de desarrollo. Utilizando las imágenes fluorescentes como guía, clasificaron 1.500 imágenes de campo claro en tres categorías de calidad: A (expresión amplia de RAX, alta calidad); B (expresión media de RAX, calidad media) y C (expresión estrecha de RAX, baja calidad).
A continuación, Niioka entrenó dos modelos avanzados de aprendizaje profundo, EfficientNetV2-S y Vision Transformer, desarrollados por Google para el reconocimiento de imágenes, para predecir la categoría de calidad de los organoides. Utilizó 1.200 imágenes de campo claro (400 de cada categoría) como conjunto de entrenamiento.
Los investigadores utilizaron imágenes fluorescentes para clasificar las imágenes obtenidas con un microscopio de campo claro en función de la cantidad de proteína RAX que producían los organoides. Obtuvieron tres categorías: A (expresión de RAX amplia / alta calidad); B (expresión de RAX media / calidad media) y C (expresión de RAX pobre / calidad baja). Cortesía:
Asano et al. (2024) Commun Biol / https://doi.org/10.1038/s42003-024-07109-1
Tras el entrenamiento, Niioka combinó los dos modelos de aprendizaje profundo en un modelo de conjunto para mejorar aún más el rendimiento. El equipo de investigación utilizó las 300 imágenes restantes (100 de cada categoría) para probar el modelo de conjunto ahora optimizado, que clasificó las imágenes de campo claro de organoides con un 70 % de precisión.
En cambio, cuando investigadores con años de experiencia en el cultivo de organoides predijeron la categoría de las mismas imágenes de campo claro, su precisión fue inferior al 60%.
“Los modelos de aprendizaje profundo superaron a los expertos en todos los aspectos: en su precisión, en su sensibilidad y en su velocidad.”
El siguiente paso fue comprobar si el modelo de conjunto también era capaz de clasificar correctamente imágenes de campo claro de organoides sin modificación genética para hacer que RAX fuera fluorescente.
Los investigadores probaron el modelo de ensemble entrenado con imágenes de campo claro de organoides hipotalámico-hipofisarios sin proteínas RAX fluorescentes a los treinta días de desarrollo. Utilizando técnicas de tinción, descubrieron que los organoides que el modelo clasificó como A (alta calidad) mostraban efectivamente una alta expresión de RAX a los treinta días.
Cuando continuaron el cultivo, estos organoides mostraron posteriormente una elevada secreción de ACTH. Por su parte, los organoides clasificados como C (baja calidad) mostraron niveles bajos de RAX y, posteriormente, de ACTH.
Por primar vez en el mundo
«Nuestro modelo puede, por tanto, predecir en una fase temprana del desarrollo cuál será la calidad final del organoide, basándose únicamente en el aspecto visual —sostiene Niioka. Y añade—: Que sepamos, es la primera vez en el mundo que se utiliza el aprendizaje profundo para predecir el futuro del desarrollo de organoides».
De cara al futuro, los investigadores planean mejorar la precisión del modelo de aprendizaje profundo entrenándolo con un conjunto de datos mayor. Pero incluso con el nivel de precisión actual, el modelo tiene profundas implicaciones para la investigación actual sobre organoides.
«Podemos seleccionar rápida y fácilmente organoides de alta calidad para el trasplante y el modelado de enfermedades, y reducir el tiempo y los costes mediante la identificación y eliminación de organoides que se están desarrollando peor —concluye Suga—. Es un cambio radical». ▪️
Información facilitada por la Universidad de Kyushu
Fuente: Asano, T., Suga, H., Niioka, H. et al. A deep learning approach to predict differentiation outcomes in hypothalamic-pituitary organoids. Communication Biology (2024). DOI: https://doi.org/10.1038/s42003-024-07109-1
