El sistema NoR-AI, desarrollado en Harvard, mide proteínas, lípidos y agua casi sin preparar la muestra y detectó cambios finos en riñones de ratones con lesión aguda.
Investigadores de Harvard desarrollaron NoR-AI, un sistema que combina un método de microscopía con análisis de imágenes mediante inteligencia artificial (IA) para estudiar tejidos con un nivel de detalle que las técnicas habituales no alcanzan. Su principal ventaja es que permite observar y medir los lípidos, es decir, las grasas, que se pierden durante la preparación convencional de las muestras. Los resultados se publicaron en Proceedings of the National Academy of Sciences (PNAS). En el estudio, financiado con fondos federales de Estados Unidos, el equipo lo aplicó a riñones de ratón y encontró cambios sutiles en un modelo de lesión renal aguda.
La histopatología es el estudio de los tejidos al microscopio para entender los efectos de una enfermedad y ayudar a diagnosticarla. Según el artículo, sigue basándose en pasos desarrollados en el siglo XIX: fijar el tejido, incluirlo en parafina, cortarlo en láminas muy delgadas y teñirlo, por ejemplo con hematoxilina y eosina, un colorante creado en 1876. Los autores explican que estos procedimientos distorsionan rasgos más sutiles de las células y extraen los lípidos y otras sustancias solubles en agua. A eso se suma la variación entre lotes de colorantes y entre laboratorios, que es difícil de corregir porque no existe un patrón de referencia. El resultado, señala el comunicado de Harvard, es una imagen incompleta que no registra los datos de lípidos ni otros detalles que podrían ser relevantes para la enfermedad.
NoR-AI se apoya en una técnica llamada imagen Raman normalizada, o NoRI, que desarrolló la coautora principal Seungeun Oh cuando era investigadora posdoctoral en el laboratorio de Marc Kirschner y que hoy dirige su propio laboratorio en la Universidad de California en San Diego. NoRI usa la dispersión Raman estimulada, que mide cómo cambia la luz al interactuar con distintos componentes del tejido, y corrige por computadora los efectos de la dispersión de la luz que alteran la medición. El resultado son mapas de la concentración absoluta de proteínas, lípidos y agua, en miligramos por mililitro, con alta resolución espacial. Sobre esas imágenes, el equipo aplicó modelos de IA, entre ellos una red neuronal convolucional (CNN), un tipo de algoritmo que aprende a reconocer patrones en imágenes, para identificar estructuras, medir su contenido y distinguir condiciones experimentales. La técnica requiere poca o ninguna preparación previa y, según el artículo, permite obtener imágenes y análisis en menos de una hora, frente a los varios días de la histopatología tradicional.
Kirschner, autor y profesor universitario de Biología de Sistemas en HMS, afirmó:
“Podemos ver dentro de las células y los tejidos de maneras que nadie podía antes. Podemos saber cuánta proteína, cuánto lípido y cuánta agua hay en estos diminutos elementos de volumen. Y si miras el panorama más amplio, podemos ver estructuras y células increíblemente hermosas a lo largo de todo el tejido”.
El equipo eligió el riñón por la diversidad de sus tipos de células y regiones. Los puntajes que reporta son F1, una medida del acierto que va de 0 a 1, donde 1 es el acierto perfecto. Con las imágenes de NoRI, sin recurrir a marcadores fluorescentes, la IA distinguió tres tipos de túbulos renales con un puntaje F1 de 0.93 y reconoció el sexo del animal con un puntaje de 0.97 en fragmentos de imagen de unos 132 micrómetros por lado. En las hembras, la concentración de lípidos en el citoplasma fue entre 6.5 y 7.3 miligramos por mililitro mayor y la de proteína en el núcleo, 26.3 miligramos por mililitro mayor. Al comparar con imágenes teñidas con hematoxilina y eosina, el mismo análisis de IA se apoyó solo en estructuras grandes, como los túbulos completos, mientras que con NoRI usó estructuras pequeñas, como las gotas de lípidos.
Para probar el sistema en un caso de enfermedad, los investigadores usaron un modelo de lesión renal aguda en el que se interrumpe de forma temporal el flujo de sangre a un riñón de ratón y luego se restablece. NoR-AI distinguió el día 1 del día 2 tras la lesión con un puntaje F1 de 0.99. Con las imágenes Raman sin normalizar, el puntaje fue de 0.84, y con 37 rasgos que se usan en la evaluación patológica de rutina, de 0.61. Los autores atribuyen la diferencia a los datos cuantitativos de proteínas y lípidos, como el tamaño y la concentración de las gotas de lípidos, que suelen pasar inadvertidos en la histopatología rutinaria. También observaron que el riñón sin lesión del mismo animal mostró cambios con el tiempo, lo que sugiere que no es un control del todo neutro. En el riñón lesionado, la concentración de gotas de lípidos fue menor de lo esperado al segundo día, un hallazgo contrario al que anticipaban. Proponen que podría reflejar reservas de lípidos en restos de células muertas, y señalan que se necesitan más estudios para aclararlo.
El estudio fue exploratorio y su objetivo no era crear un modelo listo para uso clínico. Se hizo con ratones y un solo órgano, con entre 2 y 4 animales por grupo en varios análisis, y la lesión renal se estudió en machos, por su mayor susceptibilidad a este tipo de daño. Dado que NoRI no requiere deshidratar, incluir en parafina, cortar ni teñir, las muestras siguen disponibles para tinciones y análisis moleculares posteriores, por lo que los investigadores lo plantean como un complemento de los métodos convencionales.
Establecer su desempeño diagnóstico exigirá estudios preclínicos y clínicos en distintos modelos animales y en tejidos humanos, evaluados frente a criterios diagnósticos definidos. En este sentido, el equipo planea estudiar cómo influye el sexo en los rasgos de la lesión renal aguda. Los autores también sugieren que la técnica podría aplicarse a otras enfermedades, al estudio del envejecimiento y a la detección temprana de cáncer, aunque esas posibilidades no se evaluaron en este trabajo.




