No podrás conectarte si excedes diez intentos fallidos.
La Agencia SINC ofrece servicios diferentes dependiendo de tu perfil.
Selecciona el tuyo:
Un estudio, publicado en Nature Machine Intelligence, muestra el desarrollo de una tecnología capaz de detectar diversas patologías con gran detalle y rapidez. El sistema permite el diagnostico precoz de enfermedades y abre el camino a nuevos tratamientos.
Investigadores de distintas instituciones han desarrollado una inteligencia artificial que puede diferenciar las células cancerosas de las normales, así como detectar las fases más tempranas de la infección viral en el interior de las células. Los hallazgos, publicados hoy en la revista Nature Machine Intelligence, abren el camino para desarrollar nuevas técnicas de diagnóstico y estrategias de seguimiento de enfermedades.
La herramienta, AINU (AI of the NUcleus), escanea fotografías de alta resolución de las células. Estas se obtienen con una técnica especial de microscopía llamada STORM, que crea una imagen que captura muchos más detalles de los que pueden ver los microscopios normales. Las instantáneas de alta definición revelan estructuras con una resolución a escala nanométrica.
Un nanómetro (nm) es una milmillonésima parte de un metro, y un pelo individual de cabello humano tiene unos 100 000 nm de ancho. La IA puede detectar reordenamientos dentro de las células tan pequeños como 20 nm, es decir, 5 000 veces más pequeños que el ancho de un cabello humano. Estas alteraciones son demasiado pequeñas y sutiles para que los observadores humanos las visualicen con los métodos tradicionales.
“La resolución de estas imágenes es lo suficientemente potente como para que nuestra IA reconozca patrones específicos y diferencias con una precisión notable, incluidos los cambios en la forma en que se organiza el ADN dentro de las células, lo que ayuda a hallar alteraciones muy pronto después de que se produzcan”, afirma Pia Cosma, coautora principal del estudio e investigadora del Centro de Regulación Genómica (CRG) en Barcelona.
“Creemos que, algún día, este tipo de información permitirá a los médicos ganar tiempo para controlar la enfermedad, personalizar los tratamientos y mejorar los resultados de los pacientes”, añade.
AINU es una red neuronal convolucional, un tipo de IA diseñada específicamente para analizar datos visuales como las imágenes. Algunos ejemplos incluyen herramientas de IA que permiten a los usuarios desbloquear teléfonos inteligentes con su cara u otras que utilizan los coches autónomos para comprender y navegar por entornos mediante el reconocimiento de objetos en la carretera.
En medicina, las redes neuronales convolucionales se utilizan para analizar fotografías médicas como las mamografías o las tomografías computarizadas e identificar signos de cáncer que el ojo humano podría pasar por alto. También pueden ayudar detectar anomalías en resonancias magnéticas o imágenes de rayos X, lo que ayuda a realizar un diagnóstico más rápido y preciso.
AINU analiza estructuras diminutas dentro de las células a escala molecular. El equipo entrenó al modelo alimentándolo con imágenes de resolución nanométrica del núcleo de muchos tipos diferentes de células. El modelo aprendió a reconocer patrones celulares específicos al analizar cómo se distribuyen y organizan los componentes nucleares en el espacio tridimensional.
Por ejemplo, las células cancerosas tienen cambios distintivos en su estructura nuclear en comparación con las células normales, como alteraciones en la forma en que se organiza su ADN o la distribución de enzimas dentro del núcleo. Después del entrenamiento, AINU pudo analizar nuevas imágenes de núcleos celulares y clasificarlas como cancerosas o normales basándose solo en estas características.
La resolución nanométrica de las imágenes permitió que la IA hallara cambios en el núcleo de una célula solo una hora después de que fuera infectada por el virus del herpes simple tipo 1. El modelo puede detectar la presencia del virus al encontrar pequeñas diferencias en la densidad del ADN, lo que ocurre cuando un virus comienza a alterar la estructura del núcleo de la célula.
Nuestro método detecta infecciones virales al instante observando cambios en el núcleo celular, mientras que los métodos tradicionales dependen de síntomas visibles
“Nuestro método puede encontrar células que han sido infectadas por un virus muy pronto después de que comience la infección. Normalmente, los médicos tardan un tiempo en detectar una infección porque se basan en síntomas visibles o cambios más grandes en el cuerpo. Pero con AINU, podemos ver pequeños cambios en el núcleo de la célula de inmediato”, afirma Ignacio Arganda-Carreras, coautor e investigador asociado en la Universidad del País Vasco.
“Se puede usar esta tecnología para ver cómo los virus afectan a las células casi inmediatamente después de entrar en el cuerpo, lo que podría ayudar a desarrollar mejores tratamientos y vacunas. En hospitales y en la clínica, AINU podría utilizarse para diagnosticar infecciones a partir de una simple muestra de sangre o tejido, lo que hace que el proceso sea más rápido y preciso”, añade Limei Zhong, coautora principal e investigadora del Hospital Popular Provincial de Guangdong (China).
Los autores avisan que aún tienen que superar importantes limitaciones antes de que la tecnología esté lista para ser probada o implementada en un entorno clínico. Por ejemplo, las imágenes STORM solo se pueden tomar con equipos especializados que normalmente solo se encuentran en laboratorios de investigación biomédica. La instalación y el mantenimiento de los sistemas de imágenes que requiere la IA es una inversión importante tanto en equipos como en competencias técnicas.
Otra limitación es que las imágenes STORM analizan pocas células a la vez. Para fines de diagnóstico, especialmente en entornos clínicos donde la velocidad y la eficiencia son cruciales, los médicos necesitarían capturar muchas más células en una sola imagen para poder detectar o monitorear una enfermedad.
Nuestro modelo de IA detecta células madre de alta calidad con solo una muestra teñida, lo que reduce pruebas en animales y acelera los ritmos de la investigación
"Hay muchos avances rápidos en el campo de las imágenes STORM, lo que significa que los microscopios pronto podrán estar disponibles en laboratorios más pequeños o menos especializados y, finalmente, incluso en la clínica. Las limitaciones de accesibilidad y rendimiento son problemas más manejables de lo que pensábamos y esperamos realizar experimentos preclínicos pronto", explica Cosma.
Aunque los beneficios clínicos pueden tardar años en llegar, se espera que, a corto plazo, la AINU acelere la investigación científica. Los autores descubrieron que la tecnología también puede identificar células madre con una precisión muy alta. Estas células se pueden convertir en cualquier tipo de célula del cuerpo y se estudian por su potencial para reparar o reemplazar tejidos dañados.
La AINU puede hacer que el proceso de detección de células madre sea más rápido y preciso, y ayudaría que las terapias resultantes sean más seguras y efectivas.
“Los métodos actuales para detectar células madre de alta calidad se basan en pruebas con animales. Sin embargo, todo lo que nuestro modelo de IA necesita para funcionar es una muestra que se tiñe con marcadores específicos que resaltan las características nucleares clave. Además de ser más fácil y rápido, puede acelerar la investigación con células madre y, al mismo tiempo, contribuir al cambio en la reducción del uso de animales en la ciencia”, concluye Davide Carnevali, primer autor e investigador del CRG.
Referencia:
Carnevali et al. "A deep learning method that identifies cellular heterogeneity using nanoscale nuclear features". Nature Machine Intelligence, 2024
Un equipo internacional con participación del CSIC ha complicado la información disponible para identificar in vivo las células senescentes del organismo. Los datos podrán ser utilizados para crear fármacos frente a enfermedades relacionadas con el envejecimiento.
Gracias a la sincronización de la 'amígdala extendida' del cerebro, este tipo de música produce un efecto antidepresivo. Esta es la conclusión principal de un estudio realizado en pacientes con depresión resistente al tratamiento, mediante mediciones de ondas cerebrales y técnicas de imagen neuronal.
