Investigador de la UTNBA publicó un paper en un prestigioso sitio internacional

Se trata del paper “Aprendizaje de características para la clasificación de imágenes de células de cáncer de mama como vivas o muertas sin tinción” publicado por el Dr. Emmanuel Iarussi en la revista Scientific Reports, editada por Nature.

El Dr. Emmanuel Iarussi, investigador de la UTNBA, junto a las coautoras e investigadoras Gisela Pattarone, Laura Acion  y Marina Simian del Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), desarrollaron una investigación y posterior publicación de su trabajo en la revista Scientific Reports, journal editado por Nature, especializada en investigaciones en ciencias naturales, medicina e ingeniería.

Se trata del trabajo de investigación “Aprendizaje de características  para la clasificación de imágenes de  células de cáncer de mama como vivas o muertas sin tinción”. Link del paper completo aquí.

Al respecto, el Investigador Iarussi se refirió al proyecto de clasificación automática celular aplicada al cáncer; cómo se inició la investigación; el estado de la situación respecto a su aplicación en diagnósticos de la enfermedad y qué resultados se observaron:

“En este proyecto nos concentramos en un problema puntual que consiste en clasificar células de cáncer de mama como vivas o muertas basándonos en lo que podríamos decir es una foto de la célula. Esas fotos no son exactamente iguales a las que saca tu celular, son fotos en blanco y negro que obtenemos a partir de un microscopio en una resolución bastante alta (en el paper hay una muestra en la Figura 1). El proceso comienza plantando células en unos dispositivos que se llaman microdevices LOC (Lab On a Chip). Esos dispositivos tienen la capacidad de hacer circular un medio por entre las células, a través del cual vos las alimentas o les pasas alguna droga para probar terapias in vitro. Simultáneamente tenes la capacidad de ir fotografiando esas células con un microscopio que se programa para tomar distintas capturas a intervalos regulares de tiempo. Eso es lo que estuvo haciendo Gisela en el laboratorio Alemán: cultivando una línea celular de cáncer de mama que se conoce como JIMT-1 y probando el efecto de distintos tratamientos quimioterapéuticos. Esto le permitió coleccionar una base de datos enorme con fotografías de estas células. Ahora bien, para poder saber si la terapia está siendo o no efectiva, es necesario conocer si las células de tu cultivo están muriendo. Para determinarlo se disuelven en el medio de cultivo tinciones fluorescentes que, bajo una luz especial, revelan cuáles células han muerto. Algo similar a lo que pasa cuando iluminás un ambiente con luz negra y te resalta los colores fluorescentes. Gisela coleccionó una gran base de datos de imágenes pareadas: cada foto con su correspondiente imagen de tinción, que indica puntualmente para cada célula si había muerto o no. Lo que se nos ocurrió fue utilizar estos datos para entrenar un algoritmo automático que aprenda a hacer lo mismo que la tinción, pero sin ella. Es decir, que solo “mirando” la foto de la célula pueda reconocer si está viva o muerta. Por supuesto que no se nos ocurrió solo a nosotros, hay trabajos similares en microalgas, pero no pudimos dar con nada similar en cáncer, sobre todo por la falta de datos, algo que a Gisela le sobraba”, explicó el Dr. Iarussi.

Respecto al proceso de clasificación de células de cáncer de mama vivas y muertas sin tinción, el Investigador sostuvo:

“Evaluamos distintas arquitecturas de redes neuronales, algo estándar hoy en día. Estos modelos funcionan muy bien en imágenes, particularmente cuando contas con grandes cantidades de ellas. Por ejemplo, la cámara “inteligente” de tu celular que detecta si le sacas una foto a un perro o a un auto utiliza modelos similares a estos. Nuestro objetivo no era proponer un método nuevo de aprendizaje, sino evaluar las capacidades de los existentes en este contexto tan diferente, ya que en general fueron propuestos para imágenes “naturales” y la microscopía celular es un mundo muy distinto. Lo que vimos es que fueron altamente capaces de clasificar las imágenes correctamente. Además, pudimos establecer cierta conexión entre las características morfológicas observables en las fotografías de las células y el resultado de la clasificación. La forma en que entrenamos estos algoritmos se conoce como entrenamiento supervisado. En pocas palabras, le “mostrás” sucesivamente imágenes etiquetadas con el resultado de clasificación esperado, y el algoritmo va ajustando su capacidad de respuesta para intentar acertar. Es clave ser muy cuidadosos en este proceso para disminuir el impacto de posibles sesgos, por eso fuimos muy rigurosos con la evaluación”, explicó el Dr. Emmanuel Iarussi.

Por otro lado, en cuanto a la necesidad y utilización de la diferenciación automática entre células vivas y muertas, el ingeniero menciona que “hay múltiples aplicaciones” y que “la primera consecuencia lógica es que podrías prescindir de las tinciones”.

“Un microscopio más inteligente podría decirte si tu terapia in-vitro está funcionando o no, solo basándose en una clasificación automática de las células con cierto nivel de certeza. De esta manera podés mantener las células en sus condiciones de cultivo normales, sin ninguna intervención. Además, en base a esa información, una computadora podría decidir aumentar la dosis de droga en el cultivo, o disminuirla. Es una herramienta útil para automatizar ciertos procesos en ensayos preclínicos de fármacos y terapias. El tema de la clasificación automática de imágenes no es un tema reciente en la computación. Sin embargo, lo que sí tenemos desde hace relativamente poco es acceso a datos de manera masiva, que para los métodos de aprendizaje automático es fundamental: más datos implican más ejemplos a partir de los cuales aprender”.

Además, este método de clasificación automática podría “reducir el costo de los ensayos, al prescindir de las tinciones”. Sumado a ello: “hay una cuestión que involucra horas de trabajo humano. Actualmente, para calcular cuántas células mueren, se segmentan de manera semiautomática las imágenes de la tinción fluorescente. Eso es mucho trabajo cuando queres probar múltiples esquemas de dosificación en distintos ensayos. Pueden ser decenas o cientos de imágenes que hay que procesar de forma casi manual. Yo no soy un experto en el área biomédica, por lo que seguro que alguna de las coautoras del paper te pueden decir mejor esto. Lo que sí hemos charlado mucho es que hay una falta muy grande de herramientas de software que traiga las capacidades computacionales del 2021 al laboratorio. Este trabajo es un pasito en esa dirección. Como dije antes, esta no es mi área de expertise y el trabajo multidisciplinario fue clave”, subrayó Iarussi.

Al concluir, el Dr. Iarussi se refirió a la importancia de compartir el conocimiento de forma libre tal como lo permite la revista Scientific Reports y del acceso a los datos en ciencia, sobre todo cuando se trata de datos costosos y dificultosos de obtener, como es el caso de esta investigación:

“No me gusta la ciencia egoísta, ya bastante con el ego de los investigadores. Gisela pasó muchos meses fotografiando y curando este conjunto de imágenes. Hoy nosotros probamos su potencial para clasificación, pero mañana podrían venir otros y aprovecharlos para mejorar (por decir algo) un algoritmo de conteo de células. Imaginate si para eso tuvieran que volver a hacer toda la captura en el laboratorio, quizás ni lo intentarían. Este tipo de cosas te va rezagando todo un área. El acceso a los datos en ciencia es realmente una barrea que hay que empezar a levantar entre todos”, concluyó Iarussi.

 

 

 

 

AYUDANOS A COMPARTIR ESTE CONTENIDO