Descripción del proyecto
El metabolismo celular es esencial para mantener la función normal de los tejidos. Un metabolismo anómalo, en muchos casos, es una característica distintiva de diversas patologías como el cáncer y los trastornos neurodegenerativos o inmunológicos. La imagen metabólica es una herramienta de vanguardia en la medicina de precisión, puesto que ofrece una perspectiva única sobre los aspectos bioquímicos y funcionales que caracterizan tanto la salud como la enfermedad. La obtención de imágenes no invasivas, combinada con alta sensibilidad y resolución, mejora nuestra comprensión del estado de la enfermedad sin generar fototoxicidad.
Nuestro grupo ha desarrollado METAPHOR (Metabolic Evaluation through Phasor-based Hyperspectral Imaging and Object Recognition for Mammalian Blastocysts and Oocytes). Este novedoso método de obtención de imágenes combina iluminación hiperespectral con inteligencia artificial para extraer huellas metabólicas y evaluar la distribución mitocondrial dentro de muestras biológicas, utilizando exclusivamente autofluorescencia. Nuestro éxito en el desarrollo de un dispositivo de imagen y un software de clasificación asociado para evaluar la calidad de embriones y ovocitos nos ha llevado a ampliar la aplicación de nuestra tecnología para abordar nuevas necesidades en investigación y práctica clínica.
El sistema METAPHOR se basa en la imagen hiperespectral (HS), una técnica que permite capturar el espectro autofluorescente completo en cada píxel de una imagen, codificando así una gran cantidad de información metabólica de la muestra viva. En nuestro sistema, las imágenes multidimensionales HS se transforman en un histograma normalizado del espectro y en un phasor plot. Ambas representaciones permiten manejar de forma sencilla datos complejos multidimensionales debido a su reducción de dimensiones. Después, estas representaciones se introducen en un clasificador de aprendizaje automático supervisado, entrenado para discriminar células en distintos estados metabólicos. METAPHOR es capaz de identificar más de seis metabolitos in vivo que presentan autofluorescencia natural, incluidos aquellos esenciales en rutas metabólicas clave (como la glucólisis y la fosforilación oxidativa) y marcadores de estrés oxidativo.
El objetivo principal del proyecto es desarrollar un software de confianza basado en inteligencia artificial para la obtención de imágenes metabólicas no invasivas en múltiples tipos celulares, con especial enfoque en células inmunes como los PBMCs (Peripheral Blood Mononuclear Cells) y en todos los subconjuntos celulares diagnóstico en el presente en el presente. Aquí proponemos aprovechar nuestra experiencia en el uso de imágenes HS de tejidos vivos para desarrollar una herramienta diagnóstica de detección precoz no invasiva de la endometriosis, basada en el análisis de poblaciones celulares del efluente menstrual.
El efluente menstrual contiene una muestra representativa de diversas poblaciones celulares del endometrio, que están involucradas en funciones homeostáticas y reproductivas, como las células madre mesenquimales endometriales (enMSC) y las células uterinas asesinas naturales (uNK). Las enMSC tienen capacidad de autorrenovación y desempeñan un papel fisiológico en la remodelación del endometrio, aunque también pueden encontrarse en lesiones en el endometrio. Por su parte, las células uNK son reguladores clave en el proceso de decidualización y durante el embarazo; sin embargo, en la endometriosis su número está significativamente reducido.
Dado que la endometriosis es un trastorno inflamatorio caracterizado por niveles exacerbados de especies reactivas de oxígeno (ROS), lo que afecta a los tipos celulares con funciones homeostáticas, el metabolismo alterado podría ser un biomarcador de interés. Proponemos utilizar esta metodología para caracterizar el contexto metabólico endometrial a través de células aisladas del efluente menstrual, desarrollando un algoritmo de IA personalizado capaz de distinguir entre muestras de pacientes sanas y con endometriosis. Además, planeamos aplicar esta tecnología en el estudio de los PBMCs, donde el equilibrio redox es fundamental para la activación y el fenotipo metabólico. Esta caracterización sería innovadora y podría dar lugar a una nueva plataforma de cribado de fármacos para células T, macrófagos, entre otros.
