Dicen que una imagen vale más que mil palabras.
Un nuevo método, desarrollado por investigadores de la Universidad de Michigan, genera imágenes con un valor de muchos gigabytes de datos, lo que podría revolucionar la forma en que los biólogos estudian la expresión genética. Seq-Scope, desarrollado por Jun Hee Lee, PhD, Hyun Min Kang, PhD, y sus colegas, se describió en 2021 como el primer método para analizar la expresión genética con una resolución espacial submicrométrica en células.
A modo de comparación, un solo cabello humano tiene entre 20 y 200 micrómetros de ancho.
Desde entonces, el equipo ha mejorado Seq-Scope, haciéndolo más versátil, escalable y accesible, como se acaba de publicar en Nature Protocols. Además, el mismo grupo desarrolló un algoritmo, llamado FICTURE, para analizar datos espaciales de alta resolución de Sec-Scope y otras tecnologías. El método de la naturaleza.
“Básicamente, estamos pirateando máquinas de secuenciación de ADN y permitiéndoles hacer todo el trabajo duro”, dijo Kang, profesor de bioestadística en la Escuela de Salud Pública de la UM.
Los investigadores utilizan estas máquinas para generar lecturas del transcriptoma, la colección de todo el ARN transcrito de genes en una célula o tejido determinado. Tradicionalmente, los biólogos que estudian genes dentro de una célula o tejido deben lidiar con el hecho de que un transcriptoma contiene varios miles o más de genes expresados, lo que hace demasiadas cosas sin la ayuda de una computadora cuando se trata de millones de células.
“El problema es que tradicionalmente no ha habido métodos computacionales que nos permitan comprender este conjunto de datos con resolución microscópica”, dijo Lee, profesor de fisiología molecular e integrativa en la Facultad de Medicina de la UM.
El método de prueba de concepto de Li y Kang, Seq-Scope, demostró que una máquina de secuenciación podría reutilizarse para resolver espacialmente perfiles del transcriptoma, lo que permitiría a los científicos ver cómo y dónde se expresa un gen con resolución microscópica. Posteriormente, el equipo desarrolló Sec-Scope. La creación de perfiles de transcriptomas espaciales de alta resolución, aún más asequible, ha reducido el costo de 10.000 dólares a aproximadamente 500 dólares.
Además, el nuevo método FICTURE permite a los investigadores analizar grandes cantidades de datos combinando los datos circundantes para realizar estimaciones más precisas a nivel micrométrico. Al hacer esto, demuestran, se puede ver dónde se encuentran las transcripciones celulares sin sesgos.
El método produce imágenes increíblemente detalladas de tejidos y células a partir de su análisis de resolución microscópica.
Por ejemplo, con el análisis tradicional, “incluso si hay división celular, si no se sabe exactamente qué células se replican y tiñen, el análisis puede ser engañoso o ambiguo”, dice Kang.
“Por ejemplo, utilizando FICTURE, se puede ver el tejido del músculo esquelético de un embrión de ratón en desarrollo diferenciándose de los mioblastos a las células musculares estriadas largas”.
“Estamos recibiendo muchos correos electrónicos de empresas y otros investigadores que previamente asumieron que no podían realizar este tipo de pruebas y análisis. Ahora están en el ámbito de las posibilidades”, dijo Lee.
Fue coautor del artículo del protocolo Advanced Genomics Core Seq-Scope de la UM, que contribuye a optimizar el uso de secuenciadores de ADN. La instalación ahora está trabajando para hacer que el método Sec-Scope sea más accesible, con el objetivo de difundir la tecnología a la UM y a la comunidad científica en general.
“Este es exactamente el tipo de tecnología que queremos llevar a tantos laboratorios como sea posible, aquí en la UM y más allá”, dijo la directora de AGC, Olivia Kues, Ph.D.
“Nuestro objetivo es dotar a más investigadores de capacidades de transcriptómica espacial de vanguardia”.
Lee y Kang esperan ahora desarrollar una forma de hacer que el método sea más accesible para los investigadores, permitiéndoles estudiar la expresión genómica de principio a fin.
Kang dice: “Creo que es importante que los investigadores experimentales y computacionales trabajen juntos para generar nuevos tipos de datos y métodos. Este es un buen ejemplo de ese tipo de colaboración”.