Los investigadores han desarrollado una nueva y poderosa herramienta que facilita el estudio de la mezcla de tipos de células en el tejido humano, lo cual es crucial para comprender enfermedades como el cáncer.
Desarrollada por investigadores del Oregon Health & Science University’s Knight Cancer Institute, la herramienta, denominada OmicsTweezer, utiliza técnicas avanzadas de aprendizaje automático para analizar datos biológicos a una escala lo suficientemente grande como para estimar la composición de los tipos de células en una muestra de tejido que pueda tomarse de una biopsia. Este proceso permite a los científicos mapear la composición celular de los tumores y los tejidos circundantes, un área conocida como microambiente tumoral.
Publicaron sus hallazgos hoy en Cell Genomics.
“El microambiente tumoral, compuesto por diversos tipos de células que dan forma al desarrollo del tumor y los resultados del paciente, ha sido una prioridad de investigación de larga data en el Knight Cancer Institute”, dijo el autor principal Zheng Xia, Ph.D., profesor asociado de ingeniería biomédica en la School of Medicine de OHSU y miembro del Knight Cancer Institute de OHSU.
“Nuestro objetivo es inferir la composición de los tipos de células utilizando datos masivos de muestras clínicas de gran tamaño”.
Generalmente, los científicos utilizan datos de todo el tejido (llamados "datos en masa") e intentan compararlos con datos de células individuales para estimar la composición de los tipos de células. Pero estos dos tipos de datos a menudo no coinciden porque se recopilan de maneras diferentes. Este desajuste, llamado “efecto de lote”, puede dificultar la obtención de resultados precisos.
OmicsTweezer compara patrones conocidos de datos de una sola célula (donde los investigadores pueden estudiar una célula a la vez) con datos mixtos más complejos de muestras masivas. Esto se logra alineando ambos tipos de datos en un espacio digital compartido, lo que facilita la comparación de patrones y la reducción de errores causados por diferencias en cómo se recopilaron los datos, lo que conduce a resultados más confiables.
Superar los límites de los datos de una sola célula
Si bien las tecnologías de células individuales pueden proporcionar vistas detalladas de células individuales, siguen siendo costosas y técnicamente difíciles de aplicar a grandes cantidades de células dentro de muestras de tejido de pacientes. Como resultado, los científicos a menudo dependen de datos masivos más accesibles, que promedian las señales de muchas células.
“Aún es muy costoso elaborar perfiles de muestras clínicas de gran tamaño utilizando tecnología de células individuales”, afirmó Xia. “Pero existe una gran cantidad de datos masivos, y al integrar datos de células individuales y masivos, podemos construir una imagen mucho más clara”.
Las herramientas tradicionales utilizan un modelo lineal más simple para estimar los tipos de células según la expresión genética. Pero OmicsTweezer adopta un enfoque más sofisticado, utilizando aprendizaje profundo (una rama del aprendizaje automático que encuentra patrones no lineales en datos complejos) y un método llamado transporte óptimo para alinear diferentes tipos de datos.
“Utilizamos un transporte óptimo para alinear dos distribuciones diferentes (datos de células individuales y datos masivos) en el mismo espacio”, dijo Xia. “De esta manera, podemos reducir el efecto lote, que durante mucho tiempo ha sido un desafío al trabajar con datos de diferentes fuentes”.
Nuevas posibilidades en la investigación del cáncer
Los investigadores probaron OmicsTweezer en conjuntos de datos simulados y en muestras de tejido reales de pacientes con cáncer de próstata y de colon. Identificó con éxito subtipos de células sutiles y estimó cambios en la población celular entre grupos de pacientes, lo que podría ayudar a los científicos a identificar posibles objetivos terapéuticos.
"Con esta herramienta, ahora podemos estimar las fracciones de aquellas poblaciones definidas por datos de células individuales en datos masivos de grupos de pacientes", afirmó Xia. “Eso podría ayudarnos a comprender qué poblaciones celulares están cambiando durante la progresión de la enfermedad y orientar las decisiones de tratamiento”.
OmicsTweezer se desarrolló como parte de una colaboración multidisciplinaria en el Knight Cancer Institute de OHSU, en asociación con Lisa Coussens, Ph.D., FAACR, FAIO, el Dr. Gordon Mills, Ph.D., y el proyecto SMMART. SMMART significa mediciones seriales de respuestas moleculares y arquitectónicas a la terapia. Es el proyecto insignia del programa de oncología de precisión del Knight Cancer Institute, que ayuda a identificar nuevos tratamientos que duran más y mejoran la calidad de vida de los pacientes con cáncer avanzado.
"Este tipo de trabajo no sería posible sin la colaboración", dijo Xia. “Realmente refleja la fortaleza del equipo del Knight Cancer Institute”.
Además de Xia, Coussens y Mills, los coautores de OHSU en este estudio incluyen a Xinxing Yang, Ph.D., Faming Zhao, Ph.D., Tao Ren, Ph.D., Canping Chen, M.S., Katelyn Byrne, Ph.D., Rosalie Sears, Ph.D., así como el Dr. Peter Nelson, del Fred Hutch Cancer Center y el Dr. Alexey Danilov, Ph.D., del City of Hope National Medical Center.
Esta investigación fue apoyada por el Instituto Nacional de Ciencias Médicas Generales, de los Institutos Nacionales de la Salud, con el número de subvención R01GM147365, el Instituto Nacional del Cáncer, de los Institutos Nacionales de la Salud, con los números de subvención U01CA253472, U01CA281902, U24CA264128, P50CA097186, R01CA266452, U01CA294548, U01CA278923, R01CA244576, R01CA283171. Este trabajo también fue apoyado por USAMRAA, bajo el Departamento de Defensa, número de subvención W81XWH2110539, el Prostate Cancer Data Science Award número HT94252410551, así como el Silver Family Innovation Foundation Award, The Susan G. Komen Foundation, la National Foundation for Cancer Research, la Cátedra Hildegard Lamfrom en Investigación Básica y la Fundación del Cáncer de Próstata. El contenido es responsabilidad exclusiva de los autores y no necesariamente representa las opiniones oficiales de los Institutos Nacionales de Salud (sigla en inglés, NHI), el Departamento de Defensa de EUA ni de ningún otro proveedor de financiación.
Con el fin de garantizar la integridad de nuestra investigación y como parte de nuestro compromiso con la transparencia pública, OHSU regula, sigue y gestiona las relaciones que nuestros investigadores puedan tener con entidades ajenas a OHSU. En relación con esta investigación, Mills tiene un interés financiero en NanoString Technologies, Inc. Este posible conflicto de intereses ha sido revisado y gestionado por OHSU. Vea los detalles del programa sobre conflictos de interés de OHSU para más información sobre cómo gestionamos estas relaciones comerciales.