Marcadores en el control de calidad de iPSC: un nuevo enfoque para mejorar la estandarización
"El aprendizaje automático es una herramienta atractiva para agilizar los procesos"
IUF / Jochen Dobner
Aunque los controles de calidad de las iPSC son esenciales, aún no están totalmente estandarizados. Estos controles de calidad incluyen la evaluación de la morfología, la integridad del genoma nuclear y mitocondrial, y la pluripotencia, es decir, su capacidad para diferenciarse en las tres capas germinales primarias endodermo, ectodermo y mesodermo. Así pues, existe una necesidad acuciante de métodos de ensayo que sean fáciles, rápidos y rentables. En estudios anteriores, el laboratorio del Dr. Andrea Rossi, del IUF - Instituto de Investigación Leibniz de Medicina Ambiental, ya analizó la integridad del genoma mitocondrial. Un estudio publicado recientemente en Nature Communications por Dobner et al. se centra en la pluripotencia. Los autores utilizaron la secuenciación del transcriptoma con nanoporos de lectura larga para descubrir 172 genes relacionados con estados celulares no contemplados en las directrices actuales. Validaron 12 genes mediante qPCR (reacción en cadena de la polimerasa cuantitativa) como marcadores únicos de estados celulares específicos: iPSC pluripotentes indiferenciadas(CNMD, NANOG, SPP1), endodermo(CER1, EOMES, GATA6), mesodermo(APLNR, HAND1, HOXB7) y ectodermo(HES5, PAMR1, PAX6). Basándose en estos genes seleccionados, desarrollaron un sistema de puntuación basado en aprendizaje automático, "hiPSCore", que fue entrenado en 15 líneas iPSC y validado en 10 líneas iPSC adicionales. El hiPSCore clasifica con precisión las células pluripotentes y diferenciadas y predice su potencial para convertirse en células 2D especializadas y organoides 3D.
"Siempre nos esforzamos por mejorar los métodos que utilizamos", explica el Dr. Andrea Rossi, jefe de grupo del IUF, enfoque del estudio. "Tenemos previsto seguir desarrollando controles de calidad para el uso estandarizado de iPSC en los próximos años". El Dr. Jochen Dobner, primer autor del estudio añade: "El aprendizaje automático es una herramienta atractiva para racionalizar los procesos. Nuestro hiPSCore desarrollado mejora las pruebas de iPSC reduciendo el tiempo, la subjetividad y el uso de recursos, mejorando así la calidad de las iPSC para aplicaciones científicas y médicas."
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.