Aprendizaje profundo avanza en espectrometría de masas de imágenes con detalles histológicos virtuales

Sin embargo, la IMS se ve limitada por una resolución espacial relativamente baja y la falta de detalle morfológico celular, ambos cruciales para interpretar con precisión los perfiles moleculares dentro del contexto estructural del tejido.

Los flujos de trabajo convencionales también requieren una tinción química laboriosa y un registro de imágenes complejo, lo cual consume tiempo y compromete la integridad del tejido. Ahora, un novedoso método de tinción virtual basado en la difusión puede transformar datos IMS de baja resolución en imágenes histológicas de alta resolución, mejorando la claridad de la estructura del tejido sin sacrificar la muestra original.

La técnica basada en inteligencia artificial (IA), desarrollada por un equipo internacional de investigadores de la Universidad de California en Los Ángeles (UCLA, Los Ángeles, CA, EUA), la Universidad de Vanderbilt (Nashville, TN, EUA) y la Universidad Tecnológica de Delft (TU Delft, Delft, Países Bajos), utiliza un modelo generativo basado en la difusión para teñir imágenes IMS prácticamente sin marcadores. Este modelo produce imágenes digitales que se asemejan mucho a la tinción histoquímica tradicional, en particular a la tinción de ácido peryódico de Schiff (APS), que resalta polisacáridos, glucoproteínas y mucinas, a pesar de que los datos originales de IMS tienen tamaños de píxel casi diez veces mayores que los de la microscopía óptica.

Al optimizar el proceso de muestreo de ruido durante la inferencia de la IA, los investigadores mejoraron la fiabilidad y la consistencia de la tinción virtual. El método permite la transformación digital de datos IMS en imágenes de microscopía de campo claro de alta resolución, eliminando la necesidad de tinción química y preservando muestras de tejido para su posterior análisis molecular.

El equipo de investigación probó la solución en evaluaciones a ciegas en tejidos renales humanos, donde las imágenes con tinción virtual permitieron a los patólogos identificar estructuras renales críticas y características de la enfermedad con una precisión comparable a la de las imágenes con tinción convencional. Los resultados, publicados en Nature Communications, demuestran que la técnica mejora significativamente la interpretabilidad de los datos de IMS y tiene potencial para amplias aplicaciones clínicas y de investigación.

Al introducir virtualmente detalles histológicos a nivel microscópico, el método facilita la histología molecular basada en IMS, a la vez que optimiza los flujos de trabajo. Los investigadores prevén que su enfoque basado en IA abrirá nuevas posibilidades en biología espacial y diagnóstico clínico, y planean expandir su uso a otros tipos de tejidos y modalidades de tinción.

“Este enfoque basado en la difusión mejora drásticamente la interpretabilidad de las imágenes de espectrometría de masas. Introduce prácticamente detalles histológicos a nivel microscópico, acortando la distancia entre la especificidad molecular y la morfología celular, todo ello sin teñir químicamente el tejido”, afirmó el profesor Aydogan Ozcan, autor correspondiente en la UCLA.

Enlaces relacionados:
Universidad de California en Los Ángeles (UCLA)
Universidad de Vanderbilt
Universidad Técnica de Delft