Técnica de microscopía permite más biopsias informativas

En este método ExM, una muestra de tejido se expande hasta 100 veces su volumen original, antes de empezar a ver las imágenes.

Esta expansión permite a los científicos ver las características, con un microscopio de luz convencional, que normalmente sólo se podrían ver con un microscopio electrónico costoso. También revela información molecular adicional que el microscopio electrónico no puede proporcionar.

Los científicos del Instituto Tecnológico de Massachusetts (Cambridge, MA, EUA) y sus colegas, desarrollaron una forma clínicamente optimizada de ExM que permite ver las imágenes en nanoescala de muestras de tejidos humanos que se han fijado con formol, han sido incluidas en parafina, coloreadas con hematoxilina y eosina, y/o se han mantenido congeladas o frescas. El método, que denominan patología de expansión (ExPath), convierte las muestras clínicas en un estado compatible con ExM, luego aplica un protocolo ExM con anclaje de proteínas y pasos de homogeneización mecánica optimizados para muestras clínicas.

El equipo ensayó este método en muestras de tejidos de pacientes con lesiones mamarias en etapas tempranas. Una forma de predecir si estas lesiones se convertirán en malignas es evaluar la apariencia de los núcleos de las células. Las lesiones benignas con núcleos atípicos tienen aproximadamente una probabilidad cinco veces mayor de progresar a cáncer que aquellas que muestran núcleos típicos. Sin embargo, los estudios han revelado discrepancias significativas entre las evaluaciones de las atipias nucleares realizadas por diferentes patólogos, que pueden conducir potencialmente a un diagnóstico inexacto y cirugía innecesaria. ExPath permite obtener imágenes con ~ 70 nm de resolución de diversas biomoléculas en tejidos intactos usando microscopios convencionales de difracción limitada, anticuerpos estándar y reactivos de hibridación fluorescente in situ.

Después de expandir las muestras de tejido, los científicos las analizaron con un algoritmo de aprendizaje automático que puede clasificar los núcleos con base en docenas de características, incluyendo orientación, diámetro y cuánto se desvían de la circularidad verdadera. Este algoritmo fue capaz de diferenciar entre las lesiones que tenían mucha probabilidad de convertirse en invasoras y las que no lo eran, con una exactitud del 93% en las muestras expandidas, en comparación con sólo el 71% en el tejido pre-expandido. También analizaron muestras de tejido renal de pacientes con síndrome nefrótico y cuando mostraron las imágenes de las muestras de tejido expandido a un grupo de científicos que incluía patólogos y no patólogos, el grupo fue capaz de identificar el tejido enfermo con un 90% de exactitud, en comparación con solo 65% de exactitud en las muestras de tejidos no expandidas.

Edward S. Boyden, PhD, un profesor de Ingeniería Biológica y coautor principal del estudio, dijo: “Ahora usted puede diagnosticar la enfermedad renal nefrótica sin necesidad de un microscopio electrónico, una máquina muy cara. Usted puede hacerlo con unos pocos productos químicos y un microscopio de luz. Si se puede ampliar un tejido por cien veces en volumen, manteniendo todas las demás cosas iguales, obtendrá 100 veces la cantidad de información”. El estudio fue publicado el 17 de julio de 2017 en la revista Nature Biotechnology.