Investigadores de Yale utilizan el análisis de células individuales y el aprendizaje automático para identificar un objetivo importante de la COVID-19
Por el equipo editorial de LabMedica en español Actualizado el 31 May 2020 |
Imagen: El epitelio respiratorio (Fotografía cortesía de Wikimedia Commons)
Los científicos de la Facultad de Medicina de Yale (Nueva Haven, CT, EUA) utilizan la secuenciación de ARN unicelular de las células epiteliales bronquiales humanas (HBEC) infectadas para aprender cómo el SARS-CoV-2 infecta y altera las células sanas.
En el estudio, los científicos identificaron las células ciliadas como el objetivo principal de la infección por el SARS-CoV-2. El epitelio bronquial actúa como una barrera protectora contra alérgenos y patógenos. Los cilios eliminan el moco y otras partículas del tracto respiratorio. Sus hallazgos ofrecen una idea de cómo el virus causa la enfermedad. Los científicos infectaron HBEC en una interfaz aire-líquido con SARS-CoV-2. Durante un período de tres días, utilizaron la secuenciación de ARN de una sola célula para identificar las firmas de la dinámica de la infección, como el número de células infectadas en todos los tipos de células y si el SARS-CoV-2 activó una respuesta inmune en las células infectadas.
Los científicos utilizaron algoritmos avanzados para desarrollar hipótesis de trabajo y utilizaron la microscopía electrónica para aprender sobre la base estructural del virus y las células objetivo. Estas observaciones proporcionan información sobre la interacción virus-huésped para medir el tropismo celular del SARS-CoV-2 o la capacidad del virus para infectar diferentes tipos de células, según lo identificado por los algoritmos. Después de tres días, miles de células cultivadas se infectaron. Los científicos analizaron los datos de las células infectadas junto con los de las células vecinas. Observaron que las células ciliadas eran el 83% de las células infectadas. Estas células fueron la fuente primera y principal de infección durante todo el estudio. El virus también se dirigió a otros tipos de células epiteliales, incluidas las células basales y las células club. Las células caliciformes, neuroendocrinas, células tufo e ionocitos tenían menos probabilidades de infectarse.
Las firmas de genes revelaron una respuesta inmune innata asociada con una proteína llamada interleuquina 6 (IL-6). El análisis también mostró un cambio en las transcripciones virales poliadeniladas. Por último, las células espectadoras (no infectadas) también mostraron una respuesta inmune, probablemente debido a las señales de las células infectadas. Extrayendo información de decenas de miles de genes, los algoritmos localizan las diferencias genéticas entre las células infectadas y no infectadas. En la siguiente fase de este estudio, los científicos examinarán la gravedad del SARS-CoV-2 en comparación con otros tipos de coronavirus y realizarán pruebas en modelos animales.
“El aprendizaje automático nos permite generar hipótesis. Es una forma diferente de hacer ciencia. Entramos con la menor cantidad de hipótesis posibles. Medimos todo lo que podamos medir, y los algoritmos nos presentan la hipótesis”, dijo el autor principal, David van Dijk, PhD, profesor asistente de medicina en la Sección de Medicina Cardiovascular y Ciencias de la Computación.
Enlace relacionado:
Facultad de Medicina de Yale
En el estudio, los científicos identificaron las células ciliadas como el objetivo principal de la infección por el SARS-CoV-2. El epitelio bronquial actúa como una barrera protectora contra alérgenos y patógenos. Los cilios eliminan el moco y otras partículas del tracto respiratorio. Sus hallazgos ofrecen una idea de cómo el virus causa la enfermedad. Los científicos infectaron HBEC en una interfaz aire-líquido con SARS-CoV-2. Durante un período de tres días, utilizaron la secuenciación de ARN de una sola célula para identificar las firmas de la dinámica de la infección, como el número de células infectadas en todos los tipos de células y si el SARS-CoV-2 activó una respuesta inmune en las células infectadas.
Los científicos utilizaron algoritmos avanzados para desarrollar hipótesis de trabajo y utilizaron la microscopía electrónica para aprender sobre la base estructural del virus y las células objetivo. Estas observaciones proporcionan información sobre la interacción virus-huésped para medir el tropismo celular del SARS-CoV-2 o la capacidad del virus para infectar diferentes tipos de células, según lo identificado por los algoritmos. Después de tres días, miles de células cultivadas se infectaron. Los científicos analizaron los datos de las células infectadas junto con los de las células vecinas. Observaron que las células ciliadas eran el 83% de las células infectadas. Estas células fueron la fuente primera y principal de infección durante todo el estudio. El virus también se dirigió a otros tipos de células epiteliales, incluidas las células basales y las células club. Las células caliciformes, neuroendocrinas, células tufo e ionocitos tenían menos probabilidades de infectarse.
Las firmas de genes revelaron una respuesta inmune innata asociada con una proteína llamada interleuquina 6 (IL-6). El análisis también mostró un cambio en las transcripciones virales poliadeniladas. Por último, las células espectadoras (no infectadas) también mostraron una respuesta inmune, probablemente debido a las señales de las células infectadas. Extrayendo información de decenas de miles de genes, los algoritmos localizan las diferencias genéticas entre las células infectadas y no infectadas. En la siguiente fase de este estudio, los científicos examinarán la gravedad del SARS-CoV-2 en comparación con otros tipos de coronavirus y realizarán pruebas en modelos animales.
“El aprendizaje automático nos permite generar hipótesis. Es una forma diferente de hacer ciencia. Entramos con la menor cantidad de hipótesis posibles. Medimos todo lo que podamos medir, y los algoritmos nos presentan la hipótesis”, dijo el autor principal, David van Dijk, PhD, profesor asistente de medicina en la Sección de Medicina Cardiovascular y Ciencias de la Computación.
Enlace relacionado:
Facultad de Medicina de Yale
Últimas COVID-19 noticias
- Inmunosensor nuevo allana el camino para pruebas rápidas POC para COVID-19 y enfermedades infecciosas emergentes
- Encuentran etiologías de COVID prolongada en muestras de sangre con infección aguda
- Dispositivo novedoso detecta anticuerpos contra la COVID-19 en cinco minutos
- Prueba para COVID-19 mediante CRISPR detecta SARS-CoV-2 en 30 minutos usando tijeras genéticas
- Asocian disbiosis del microbioma intestinal con la COVID-19
- Validan prueba rápida novedosa de antígeno para el SARS-CoV-2 con respecto a su exactitud diagnóstica
- Prueba nueva COVID + Influenza + VSR ayudará a estar preparados para la ‘tripledemia’
- IA elimina las conjeturas de las pruebas de flujo lateral
- Prueba de antígeno del SARS-CoV-2 más rápida, jamás diseñada, permite realizar pruebas de COVID-19 no invasivas en cualquier entorno
- Pruebas rápidas de antígeno detectan las variantes ómicron, delta del SARS-CoV-2
- Prueba en sangre realizada durante la infección inicial predice el riesgo de COVID prolongada
- Investigadores afirman que hay que crear “reservistas” de laboratorio para responder más rápidamente a la próxima pandemia
- Estudio encuentra que los profesionales sanitarios mostraron mayor interés en tecnologías POC durante la pandemia
- Plataforma de análisis de bajo costo para la COVID-19 combina sensibilidad de la PCR y velocidad de pruebas de antígeno
- Prueba de sangre por punción digital identifica inmunidad a la COVID-19
- Kit de prueba rápida determina inmunidad contra la COVID-19 y sus variantes