La expresión génica es el proceso que la célula utiliza para producir las moléculas que necesita, mediante la lectura del código genético escrito en el ADN. Para ello, la célula interpreta el código genético; por cada grupo de tres letras, inserta uno de los 20 aminoácidos diferentes que son las unidades básicas necesarias para construir las proteínas.
Secuenciar todo el ARN de una célula proporciona valiosa información sobre su función y actividad en un momento específico. Sin embargo, este proceso tradicional de secuenciación destruye la célula, dificultando la observación de cambios en la expresión genética en tiempo real. En este contexto, investigadores del MIT han desarrollado un enfoque alternativo basado en la espectroscopia Raman, una técnica de imágenes no invasiva que no daña las células y permite observaciones repetidas. Se trata de una técnica no invasiva que revela la composición química de tejidos o células al iluminarlos con luz visible o infrarroja cercana.
ESPECTROSCOPIA RAMAN
Este nuevo método permitió a los investigadores rastrear cambios en células madre embrionarias a medida que se diferenciaban en otros tipos celulares durante varios días. "Con las imágenes Raman se pueden medir muchos más puntos temporales, lo que puede ser importante para estudiar la biología del cáncer, la biología del desarrollo y una serie de enfermedades degenerativas", dice Peter So, profesor de ingeniería biológica y mecánica en el MIT, según Peter So, profesor de ingeniería biológica y mecánica en el MIT. El Centro de Investigación Biomédica Láser del MIT ha estado trabajando en espectroscopia Raman biomédica desde 1985 y, recientemente, So y otros en el centro han desarrollado técnicas basadas en espectroscopia Raman que podrían usarse para diagnosticar cáncer de mama o medir la glucosa en sangre.
A pesar de sus ventajas, la espectroscopia Raman carece de la sensibilidad necesaria para detectar cambios tan sutiles como variaciones en los niveles de moléculas de ARN individuales. Para abordar este desafío, los científicos recurren a la secuenciación de ARN unicelular, una técnica capaz de identificar la actividad génica en distintos tipos celulares dentro de una muestra de tejido. En este proyecto, el equipo del MIT se propuso combinar las fortalezas de la secuenciación de ARN unicelular y la espectroscopia Raman mediante la capacitación de un modelo computacional para traducir las señales Raman en estados de expresión de ARN.
“La secuenciación de ARN proporciona información extremadamente detallada, pero es destructiva. Raman no es invasivo, pero no dice nada sobre el ARN. Entonces, la idea de este proyecto era utilizar el aprendizaje automático para combinar la fuerza de ambas modalidades, permitiendo así comprender la dinámica de los perfiles de expresión genética a nivel de una sola célula a lo largo del tiempo”, dice Koseki Kobayashi-Kirschvink, autor principal del estudio.
"Importante para estudiar la biología del cáncer, la biología del desarrollo y una serie de enfermedades degenerativas"
En su investigación, los científicos del MIT utilizaron células de fibroblastos de ratón y las trataron con factores de reprogramación para convertirlas en células madre pluripotentes, observando su diferenciación en distintos tipos celulares, como células neurales y epiteliales. Emplearon la espectroscopía Raman para capturar imágenes de estas células en 36 momentos a lo largo de 18 días durante el proceso de diferenciación. Posteriormente, analizaron cada célula mediante hibridación fluorescente in situ de una sola molécula (smFISH), buscando moléculas de ARN específicas relacionadas con nueve genes cuyos patrones de expresión varían según el tipo celular.
Estos datos de smFISH sirvieron como vínculo entre las imágenes Raman y la secuenciación de ARN unicelular. Los investigadores entrenaron un modelo de aprendizaje profundo para predecir la expresión de esos nueve genes basándose en las imágenes Raman. Luego, utilizando un programa computacional llamado Tangram, vincularon los patrones de expresión génica de smFISH con los perfiles del genoma completo obtenidos mediante secuenciación de ARN unicelular. La integración de ambos modelos resultó en el Raman2RNA, capaz de predecir perfiles genómicos completos de células individuales a partir de imágenes Raman.
Los investigadores evaluaron la eficacia de su algoritmo Raman2RNA al seguir la diferenciación de células madre embrionarias de ratón en diversos tipos celulares. Realizaron imágenes Raman de las células cuatro veces al día durante tres días y utilizaron el modelo computacional para prever los perfiles de expresión de ARN de cada célula. Confirmaron estas predicciones comparándolas con mediciones de secuenciación de ARN. Este enfoque permitió observar las transiciones en células individuales durante la diferenciación de células madre embrionarias, destacando su capacidad para seguir cambios genómicos en la reprogramación de fibroblastos de ratón en células madre pluripotentes inducidas a lo largo de dos semanas. Según Peter So, estas imágenes ópticas ofrecen información adicional para rastrear directamente el linaje celular y la evolución de la transcripción.
Los investigadores ahora planean utilizar esta técnica para estudiar otros tipos de poblaciones de células que cambian con el tiempo, como las células envejecidas y las células cancerosas. Ahora están trabajando con células cultivadas en una placa de laboratorio, pero en el futuro esperan que este enfoque pueda desarrollarse como un diagnóstico potencial para su uso en pacientes. “Aún queda un largo camino por recorrer”, afirma Jeon Woong Kang, científico investigador del MIT y autor del estudio.