La Universidad Johns Hopkins reconstruye la arquitectura del tejido en 3D para revelar precursores ocultos del cáncer
Investigadores integran, segmentan y visualizan con precisión miles de imágenes histológicas para estudios avanzados de cáncer y biología del desarrollo
“Utilizamos múltiples lenguajes de codificación en nuestro trabajo, pero MATLAB fue una opción excelente para el desarrollo de CODA debido a sus numerosos conjuntos de herramientas bien documentados para el procesamiento y la visualización de imágenes”.
Resultados principales
- Se descubrieron nuevas revelaciones sobre la prevalencia y morfología de los precursores del cáncer al integrar conjuntos de datos de imágenes a gran escala con flujos de trabajo de análisis avanzados
- Se logró una reconstrucción 3D de alta exactitud de muestras de tejido utilizando Image Processing Toolbox, facilitando la visualización de la arquitectura compleja del tejido
- Segmentación y cuantificación automatizadas de estructuras celulares y anatómicas con Deep Learning Toolbox, mejorando el rendimiento y la capacidad de reproducción
Reconstrucción en 3D de tejido pancreático utilizando CODA y MATLAB revela la estructura compleja y la diversidad de las lesiones PanIN.
En la Universidad Johns Hopkins, un equipo multidisciplinario de ingenieros, biólogos de cáncer y patólogos se propuso enfrentar una limitación importante en la investigación del cáncer: la incapacidad de visualizar y analizar lesiones precoces microscópicas en 3D. La neoplasia intraepitelial pancreática (PanIN), un precursor común del cáncer de páncreas, es demasiado pequeña para ser detectada por técnicas de captura de imágenes convencionales y se ha estudiado tradicionalmente utilizando deslizadores histológicos en 2D. Este enfoque restringió la comprensión de la verdadera estructura, frecuencia y relevancia biológica de estas lesiones.
Para superar estos desafíos, el equipo desarrolló CODA, una plataforma computacional que reconstruye modelos de tejido en 3D a partir de secciones histológicas en serie. El proceso requirió resolver desafíos complejos de alineación de imágenes, ya que el corte físico del tejido introduce artefactos como desgarros, pliegues y distorsiones. CODA utiliza Image Processing Toolbox™ y Deep Learning Toolbox™ para implementar el registro de imágenes no lineales, la detección de coordenadas nucleares y la segmentación basada en Deep Learning utilizando el algoritmo DeepLabv3+ con un eje central ResNet-50. El flujo de trabajo comprende reducir la tasa de muestreo de imágenes, anotar los datos de entrenamiento de forma manual y aplicar Deep Learning para segmentar automáticamente estructuras anatómicas. Las matrices de transformación calculadas en imágenes de menor resolución se utilizan para registrar imágenes segmentadas de alta resolución, posibilitando reconstrucciones 3D precisas.
Con CODA, el equipo generó mapas anatómicos del tejido pancreático humano, revelando que las lesiones de PanIN son más prevalentes y morfológicamente complejas de lo que se había reconocido anteriormente. CODA también posibilitó la integración de datos histológicos con el perfilado genómico, proteómico y transcriptómico, proporcionando una visión integral de la arquitectura del tejido y las características moleculares. A través de la integración de la morfología 3D y la genómica, el equipo descubrió que los PanINs se desarrollan de manera independiente unos de otros, con cada PanIN anatómicamente separado poseyendo una mutación diferente en el oncogén KRAS. La flexibilidad de la plataforma ha permitido su aplicación a otros órganos y áreas de investigación, incluyendo la correspondencia entre el riñón en desarrollo, las trompas de Falopio y el núcleo, así como el diseño de modelos organoides biomiméticos.
Los planes futuros abarcan la expansión de las capacidades de CODA con segmentación nuclear, interpolación de diapositivas, tinción virtual y desarrollo de apps fáciles de usar para apoyar aún más la investigación en biología del cáncer y del desarrollo.
Productos utilizados
Recursos relacionados
