Redacción
Un equipo del Instituto de Micro y Nanotecnología del Consejo Superior de Investigaciones Científicas (CSIC), en colaboración con el Vall d’Hebron Institute of Oncology (VHIO), ha desarrollado un innovador método para detectar células de cáncer de mama a través de su actividad metabólica. La técnica, que utiliza microscopía holográfica digital y algoritmos de deep learning, permite identificar el grado de malignidad de las células de forma rápida, precisa y no invasiva. Este avance se ha logrado gracias a un método que suprime el ruido en microscopía holográfica digital, lo que permite visualizar cómo las células alteran su metabolismo para satisfacer sus crecientes demandas energéticas. Los resultados de esta investigación se han publicado en la revista iScience.
Investigadores del CSIC y del VHIO han diseñado un método que suprime el ruido en microscopía holográfica digital, permitiendo visualizar la actividad metabólica de las células cancerosas
El cáncer de mama es una de las principales causas de mortalidad en mujeres, y su capacidad para hacer metástasis está estrechamente vinculada a la desregulación del metabolismo celular. La técnica desarrollada permite identificar con exactitud las áreas de mayor actividad metabólica en las células tumorales, un avance significativo que podría mejorar la detección precoz del cáncer y ayudar a personalizar los tratamientos. “Las células de cáncer de mama muestran áreas claramente definidas donde se concentra la mayor parte de la actividad metabólica alimentada por ATP, lo que les permite obtener energía de manera eficiente para proliferar y hacer metástasis”, explica Javier Tamayo, investigador del IMN-CSIC y director del estudio.
La tecnología permite obtener esta información sin la necesidad de utilizar moléculas fluorescentes ni marcadores invasivos. Esto facilita la fenotipificación celular precisa y reduce la complejidad de los procedimientos. “A medida que la malignidad de las células aumenta, estas expanden las regiones de actividad metabólica, lo que les permite adaptarse a sus crecientes necesidades energéticas”, añade José Jaime Ruz, coautor del trabajo.
La técnica proporciona información clave sobre cómo las células tumorales alteran su metabolismo en función de su malignidad
Además, el equipo ha desarrollado algoritmos avanzados de deep learning para procesar las imágenes obtenidas, lo que permite determinar rápidamente la malignidad y el potencial metastásico de las células cancerosas. Estos algoritmos, que ya han sido patentados, mejoran la capacidad de diagnóstico y predicción en el tratamiento del cáncer de mama.
Este avance tiene importantes implicaciones clínicas, ya que podría facilitar la detección temprana del cáncer de mama, mejorar la evaluación de la progresión de la enfermedad y permitir una personalización más precisa de los tratamientos oncológicos. “La capacidad de visualizar la actividad metabólica con esta precisión es crucial, ya que el metabolismo alterado es un factor clave en el desarrollo y la metástasis del cáncer”, subraya Tamayo.
Este avance, publicado en iScience, permite la detección rápida y precisa de células tumorales de cáncer de mama, y podría mejorar la personalización de tratamientos oncológicos
Además, esta tecnología podría abrir la puerta al desarrollo de nuevas terapias dirigidas que se enfoquen en los procesos metabólicos de las células tumorales, mejorando las opciones de tratamiento para los pacientes y aumentando las tasas de supervivencia. Los investigadores planean continuar sus estudios para perfeccionar esta técnica y aplicarla a otros tipos de cáncer. Los algoritmos desarrollados para la supresión del ruido y el análisis de imágenes han sido patentados por el CSIC, lo que refuerza la importancia de esta innovación en el campo de la oncología y el diagnóstico temprano del cáncer.
