Química Orgánica, Cáncer de pulmón, Bioquímica, Baterías, cáncer, linfoma

Default @ December 24, 2012

Imágenes 2D como nueva herramienta para la prevención del cáncer

Advertisement

Investigadores portugueses han desarrollado un nuevo método, que a partir de imágenes de una proteína en una población de células cuantifica su distribución (lo que hay, y donde en la célula) para esa población. El descubrimiento realizado por investigadores João Sanches, Raquel Seruca y colegas tiene implicaciones médicas importantes puesto que la localización celular de una proteína está directamente vinculada a su función.

Imágenes 2D como nueva herramienta para la prevención del cáncer


Imágenes 2D identificar mutaciones propensas al cáncer gástrico.

Crédito: Imagen cortesía de Ciência Viva - Agência Nacional para la Cultura Científica e Tecnológica

Esto fue claro cuando el nuevo algoritmo fue probado en células con e-cadherina mutada (una proteína supresora de tumor) en la que definía las mutaciones que producen mal funcionamiento e-cadherina humana que causa cáncer gástrico difuso (CGDH), la identificación efectiva de los pacientes con riesgo de la enfermedad. El resultado es particularmente importante porque CGDH es asintomática y, por el momento, su detección precoz no es fiable lo que significa que la enfermedad todavía tiene extremadamente alta mortalidad. El nuevo algoritmo con su capacidad para identificar a los pacientes con alto riesgo, con suerte, va a cambiar eso.

El estudio, en el European Journal of Human Genetics, es una colaboración entre João Sanches del Instituto de Sistemas y Robótica y el Departamento de Bioingeniería del Instituto Superior Técnico de la Universidad Técnica de Lisboa que se desarrolló el algoritmo, y el grupo de Raquel Seruca del Departamento de Genética del Cáncer de IPATIMUP - Instituto de Patología Molecular e Inmunología de la Universidad de Oporto que funciona en el cáncer.

El cáncer gástrico es la cuarta causa más común de cáncer en el mundo, y cáncer gástrico difuso hereditario (CGDH) hace que hasta el 3% de todos los casos. Aunque no es muy frecuente, la enfermedad es sumamente problemático para los médicos debido a su elevada mortalidad, que es el resultado de varias cuestiones.

En primer lugar, el hecho de que CGDH es causada por anormalidades / mutaciones funcionales en e-cadherina, una proteína de adhesión de células epiteliales (los que cubren las superficies y en el interior del cuerpo). E-cadherina mantiene las células epiteliales juntas por mentir a través de la membrana celular, uno de los extremos unidos a E-cadherinas de las células vecinas y la otra para el esqueleto de la célula epitelial. Cuando e-cadherina deja de funcionar, las células se aflojan. En el caso de CGDH, esto significa que no hay tumor sólido, pero, en cambio, una capa suelta de células cancerosas, que se mueven fácilmente propagación de la enfermedad y su control haciendo imposible a menos que la detección se produce al principio. Esta es también la razón por e-cadherina se conoce como una importante molécula de supresor de tumor.

El segundo problema al intentar controlar la enfermedad es la dificultad de detectar CGDH temprano. De hecho sus síntomas iniciales son muy inespecíficos (acidez de estómago y eructos por ejemplo), por lo que es fácil perderse. Y sin sintomatología clara, la detección temprana se basa en la búsqueda de las células gástricas por falta de e-cadherina en la membrana (un e-cadherina mal funcionamiento también deja la membrana que ir dentro de la célula para ser destruidos) con resultados que no siempre son fiables.

Como consecuencia ha habido un esfuerzo importante para mejorar la detección de CGDH, y es aquí donde pasos de algoritmo Sanches 'en este nuevo método tiene muchas ventajas -. Es semiautomático lo permite, por un lado, los operadores humanos a recurrir a su experiencia para elegir a las células más representativas, y por el otro a confiar en el equipo para normalizar los resultados de las células con muy diferentes tamaños y formas, y funciona incluso con poblaciones de células muy heterogéneos. Recurriendo a las imágenes aseguró que las células fueron apenas alterados. Todos ellos aseguraron que los resultados eran exactos y representativos.

Pero, ¿cómo realmente funciona? El software fue diseñado para calcular los datos de imágenes de fluorescencia de la proteína en una población de células, para generar "mapas" de la distribución de las proteínas en esa población. De estos, se construye imágenes virtuales en 2D de una "célula típica" en esa población, y también calcula un nuevo parámetro llamado proporción media máxima (MMR), que cuantifica la nitidez de la pico de fluorescencia de proteínas (así efectivamente mide la cantidad de proteína) . En experimentos CGDH, una alta TMM significaba que el e-cadherina tiene una alta expresión de la membrana (como debe ser), y bajos niveles en el interior de la célula

Para ver si esta información podría ser utilizada para mejorar el manejo clínico de CGDH, siguiente, los investigadores utilizaron el algoritmo para comparar las células con el trabajo e-cadherinas, con esas mutaciones que llevan que hizo que la proteína no funcional / inútil (para el cáncer de decúbito prono) . La idea era, que desde e-cadherina normal es en la membrana y su forma de mal funcionamiento se mueve dentro de la célula para ser destruido, el nuevo algoritmo, dando lugar e-cadherina, debe ser capaz de identificar a los individuos en riesgo de CGDH.

Y de hecho, después de construir imágenes 2D de los dos tipos de células, la distinción es clara. Mientras que las células normales (o aquellos con mutaciones neutrales / inocuos) produjo una imagen de un círculo de fluorescencia con un centro claro (que representa la ausencia de la proteína dentro de la célula), aquellos con un mal funcionamiento e-cadherina (que puede conducir a CGDH) mostró una círculo de fluorescencia completa (la fluorescencia en el centro representado e-cadherina dentro de la célula). Además, estos últimos células tenían mucho menor MMR de lo normal, lo que significa menos e-cadherina por la membrana y, en consecuencia, una adhesión más débil de célula a célula lo que estaba de acuerdo con su propensión a cáncer. "Nuestro algoritmo no sólo fue capaz de identificar la localización de proteínas, sino también para cuantificar en cada compartimento celular. Mientras que el valor MMR nos dio la dispersión de proteína." - Dice Seruca

En conclusión, con una combinación de imágenes en 2D y "mapas" cuantitativos ahora debería ser mucho más fácil para los investigadores (y en el futuro los médicos) para identificar de forma rápida y fiable a los individuos con mutaciones que conducen e-cadherina a perder su función, y que, como resultado, son propensos a desarrollar CGDH, y que debe ser sometido a una estrecha vigilancia para detectar signos tempranos de la enfermedad.

"Nuestro algoritmo se puede utilizar ahora como un enfoque complementario para evaluar la patogenicidad de E-cadherina." - Dice Seruca - "Por otra parte, se puede aplicar a una amplia gama de proteínas y, más importante, a las enfermedades caracterizadas por la proteína aberrante expresión o desregulación trata ".

Y aunque el estudio se ha centrado en CGDH, las mutaciones de E-cadherina se sabe que están implicados en una variedad de otros tipos de cáncer incluyendo cáncer de mama, colorrectal, de tiroides y de ovario así que estos nuevos resultados también podrían aplicarse a ellos.