Classificate le cellule immunitarie chiave con l'apprendimento automatico

La nuova tecnica di apprendimento automatico per classificare le cellule immunitarie chiave ha implicazioni per una serie di malattie

I ricercatori del Trinity College di Dublino hanno sviluppato una nuova tecnica basata sull'apprendimento automatico per classificare accuratamente lo stato dei macrofagi, che sono cellule immunitarie chiave. La classificazione dei macrofagi è importante perché possono modificare il loro comportamento e agire come agenti pro o antinfiammatori nella risposta immunitaria. Di conseguenza, il lavoro ha una serie di implicazioni per la ricerca e ha il potenziale per avere un giorno un grande impatto sulla società.

Ad esempio, questo nuovo approccio potrebbe essere utile per i progettisti di farmaci che cercano di creare terapie mirate a malattie e condizioni autoimmuni come diabete, cancro e artrite reumatoide, che sono tutte influenzate dal metabolismo cellulare e dalla funzione dei macrofagi.

Poiché la classificazione dei macrofagi consente agli scienziati di distinguere direttamente tra gli stati dei macrofagi, in base solo alla loro risposta metabolica in determinate condizioni, queste nuove informazioni potrebbero essere utilizzate come strumento diagnostico o per evidenziare il ruolo di un particolare tipo di cellula in un ambiente patologico.

La ricerca fondamentale, che ha utilizzato i macrofagi umani negli esperimenti, è stata guidata dal dottor Michael Monaghan (1) (2), professore associato di ingegneria biomedica al Trinity. Il lavoro ha riunito ingegneri biomedici, informatici e immunologi ed è stato pubblicato sulla rivista leader eLife. (3)

Il professor Monaghan commenta: «Attualmente, non ci sono altri metodi che impieghino approcci di apprendimento automatico basati sull'intelligenza artificiale per la classificazione dei macrofagi. Attualmente vengono utilizzate numerose tecniche diverse per classificare i macrofagi, ma tutte presentano svantaggi significativi. Il nostro metodo utilizza un microscopio per imaging a fluorescenza a 2 fotoni (2P-FLIM), unico per Trinity e in Irlanda. 2P-FLIM non richiede il pretrattamento del campione, può essere utilizzato per seguire i cambiamenti del metabolismo in modo non invasivo e in tempo reale – il che apre le porte al monitoraggio della progressione della malattia e/o della risposta fisiologica alle terapie – e richiede anche una riduzione del numero di cellule rispetto alle tecniche convenzionali».

Il dottor Nuno G. B. Neto (4), dottorando della Facoltà di Ingegneria, ha aggiunto: «Sta diventando sempre più chiaro che per risolvere molti dei più grandi problemi della società, dobbiamo adottare approcci multidisciplinari per sfruttare le competenze di persone che lavorano in diversi campi. Il Trinity College Dublin è giustamente conosciuto come leader nella ricerca sull'immunometabolismo, con molti dei nostri scienziati che si concentrano su come regola la risposta delle cellule immunitarie e su come il metabolismo delle cellule immunitarie è influenzato dalle malattie. Questo studio beneficia di tale esperienza, ma collega anche l'uso di approcci informatici avanzati e utilizza un microscopio avanzato del Dipartimento di ingegneria biomedica con un regime mai segnalato in precedenza. Serve quindi come un ottimo esempio di collaborazione interdipartimentale in un campo multidisciplinare».

Gli studi di dottorato di Nuno Neto sono supportati da un PhD Award del Trinity College Dublin Provost e il professor Monaghan è un ricercatore finanziato nei centri AMBER e CÚRAM della Science Foundation Ireland (SFI). L'unità centrale FLIM del Trinity diretta dal professor Monaghan è stata istituita utilizzando un programma per le infrastrutture SFI: bando di fondi opportunistici di categoria D.

Riferimenti:

(1) Michael Monaghan

(2) The Monaghan Lab

(3) Non-invasive classification of macrophage polarisation by 2P-FLIM and machine learning

(4) Nuno G. B. Neto

Descrizione foto: Nuno Neto, Dottorando presso la Facoltà di Ingegneria. - Credit: Trinity College Dublin.

Autore traduzione riassuntiva e adattamento linguistico: Edoardo Capuano / Articolo originale: New machine-learning technique for classifying key immune cells