Las células sanas tienen propiedades mecánicas diferentes a las de las células patológicas. Las mediciones biomecánicas realizadas con un microscopio de fuerza atómica (AFM) han demostrado que es posible distinguir células cancerosas de células normales. Los resultados de estas mediciones podrían utilizarse para el diagnóstico, siempre que la tecnología AFM sea capaz de funcionar con un alto rendimiento.
Para enfrentar este desafío, un equipo del LAAS-CNRS en colaboración con el polo de mecanobiología del laboratorio Restore (CNRS/Établissement français du sang/Inserm/Universidad Toulouse Paul Sabatier) ha diseñado un dispositivo automatizado de mediciones biomecánicas por AFM que realiza un gran número de mediciones en un tiempo limitado.
El primer paso consiste en inmovilizar las células en un chip microestructurado. Las mediciones biomecánicas se realizan de manera automática, gracias a un software de control que mueve el AFM de una célula a otra. Para estandarizar las mediciones, se han optimizado y fijado parámetros como la distribución de las células en el chip, la geometría de la sonda del AFM y la velocidad de movimiento. Con este dispositivo, el equipo del LAAS ha podido medir cerca de mil células en dos horas, mientras que con un AFM estándar se necesita un día completo para medir solo unas pocas decenas de células.
Para cada célula, el AFM registra 16 curvas de fuerza (variaciones de la fuerza en función de la distancia entre la sonda del AFM y la pared de la célula), lo que permite medir y calcular siete características mecánicas, relevantes para la clasificación de células sanas o cancerosas. La gran cantidad de datos recopilados (más de 100,000 características) permite entonces el uso de técnicas de aprendizaje automático para discriminar células sanas y cancerosas.
A la izquierda: células organizadas en micropatrones de fibronectina, el recuadro en la parte inferior derecha muestra un zoom de una célula. La palanca del AFM es el triángulo negro, la sonda se encuentra en el extremo inferior del triángulo.
En el centro, imagen en fluorescencia de un cultivo mixto de células cancerosas (en verde) y células sanas (las demás). Este procedimiento permite verificar las predicciones del algoritmo.
A la derecha, resultado de la clasificación por el algoritmo de lógica difusa LAMDA, entrenado para diferenciar células sanas y células cancerosas.
© Étienne Dague
Utilizando una herramienta de inteligencia artificial basada en un algoritmo de lógica difusa, desarrollado en el LAAS, el aprendizaje automático y luego la prueba del sistema se realizaron en líneas celulares prostáticas no malignas y cancerosas, y luego en líneas celulares de fibroblastos cutáneos no malignos y cancerosos.
Las pruebas demostraron la capacidad del dispositivo para clasificar correctamente el 73 % de las células. Según los umbrales de clasificación impuestos, el sistema producirá más o menos falsos positivos (célula sana clasificada como patológica) o falsos negativos (célula cancerosa clasificada como sana). Por eso los investigadores destacan que será necesario realizar un ajuste, con clínicos, según la aplicación deseada (diagnóstico, seguimiento de quimioterapia...).
El equipo del LAAS continúa desarrollando el sistema, probando otros algoritmos de aprendizaje automático, para mejorar la tasa de clasificaciones exactas. Otro proyecto se dedica a la discriminación de células cancerosas de páncreas. Además, se está estudiando una nueva aplicación: el control de calidad de células madre mesenquimales destinadas a la regeneración tisular en colaboración con Restore.