Investigadores del National Eye Institute (NEI) y del National Institute of Standards and Technology (NIST) utilizan inteligencia artificial para el control de calidad de tejidos derivados de células madre.

Es una técnica clave para ampliar la fabricación de terapias a partir de células madre pluripotentes inducidas.

Los investigadores utilizaron la inteligencia artificial (IA) para evaluar los “parches” de tejido del epitelio pigmentario de la retina (EPR) derivados de células madre para implantar en los ojos de pacientes con degeneración macular relacionada con la edad (DMAE), una de las principales causas de ceguera.

El estudio de prueba de concepto contribuye a preparar el camino para el control de calidad de las células y tejidos terapéuticos basado en la Inteligencia Artificial (IA). El método fue desarrollado por investigadores del Instituto Nacional del Ojo (NEI) y del Instituto Nacional de Estándares y Tecnología (NIST) y se describe en un informe que aparece hoy en internet en el Journal of Clinical Investigation. El NEI forma parte de los Institutos Nacionales de Salud.

“Este método de validación de tejidos derivados de células madre basado en la IA es una mejora significativa con respecto a los ensayos convencionales, que son de bajo rendimiento, caros y requieren un usuario capacitado”, dijo el Dr. Kapil Bharti, investigador principal de la Sección de Investigación Traslacional de Células Madre y Oculares del NEI.

“Nuestro método ayudará a ampliar la fabricación y acelerará la distribución de los tejidos a los centros hospitalarios”, agregó Bharti, quien dirigió la investigación junto con el Dr. Carl Simon Jr. y el Dr. Peter Bajcsy, del NIST.

Las células del EPR nutren a los fotorreceptores sensibles a la luz en el ojo y son los primeros en morir de atrofia geográfica, comúnmente conocida como DMAE “seca”. Los fotorreceptores mueren sin el EPR, pudiendo ocasionar pérdida de la visión y ceguera.

El equipo de Bharti está trabajando en una técnica para hacer parches de reemplazo del EPR a partir de las propias células de los pacientes con DMAE. En el laboratorio se induce a las células sanguíneas del paciente para que se conviertan en células madre pluripotentes inducidas (IPSC), que pueden convertirse en cualquier tipo de célula en el cuerpo. Las células IPS se siembran en un andamio biodegradable donde son inducidas a diferenciarse en células del EPR maduras. El “parche” scaffold-RPE se implanta en la parte posterior del ojo, detrás de la retina, para rescatar fotorreceptores y preservar la visión.

El parche conservó con éxito la visión en un modelo animal, y se planea un ensayo clínico.

El método de validación basado en la IA de los investigadores empleó redes neuronales profundas, una técnica de IA que realiza cálculos matemáticos destinados a detectar patrones en datos no etiquetados y no estructurados. El algoritmo funciona con imágenes del EPR obtenidas mediante microscopio óptico de campo brillante o campo luminoso. Las redes fueron entrenadas para identificar indicaciones visuales de maduración del EPR que se correlacionaban con la función positiva del EPR.

Estas características visuales unicelulares se introdujeron en los algoritmos tradicionales de Aprendizaje Automático, que a su vez ayudaron a los ordenadores a aprender a detectar características celulares discretas cruciales para la predicción de la función del tejido del EPR.

El método fue validado usando EPR derivado de células madre de un donante sano. Su eficacia se probó comparando el iPSC-RPE derivado de donantes sanos con el iPSC-RPE de donantes con trastorno de albinismo oculocutáneo y con el ERP derivado de células madre de donantes con DMAE.

En particular, el método de análisis de imágenes basado en la IA detectó con precisión marcadores conocidos de la madurez y función del EPR: resistencia transepitelial, una medida de las uniones entre el ERP vecino  y la secreción de factores de crecimiento endotelial. El método también puede hacer coincidir una muestra de tejido iPSC-RPE concreto con otras muestras del mismo donante, lo que ayuda a confirmar la identidad de los tejidos durante su fabricación para uso clínico.

“Múltiples métodos de IA y hardware avanzado nos permitieron analizar terabytes y terabytes de datos de imagenología para cada paciente individual, y hacerlo de manera más precisa y mucho más rápida que en el pasado”, dijo Bajcsy.

“Este trabajo demuestra cómo un microscopio de uso común, si se usa cuidadosamente, puede hacer una medición precisa y reproducible de la calidad de los tejidos”, dijo Simon.

Inteligencia artificial para el control de calidad de tejidos derivados de células madre.

Traducción: Asociación Mácula Retina.

Web Relacionada