⚛️ biofísica

Quantification of cellular contributions to multi-cellular pattern formation

Este artículo presenta un método genérico, puramente geométrico y basado en el seguimiento de células que cuantifica las contribuciones individuales de los procesos celulares —tales como el movimiento, la división y los cambios en la expresión génica— a la formación de patrones multicelulares sin requerir supuestos mecánicos.

Autores originales: Estavoyer, M., Zhao, M. L., Merkel, M.

Publicado 2026-10-09

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Estavoyer, M., Zhao, M. L., Merkel, M.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

La vida se construye sobre patrones. Desde las rayas de una cebra hasta la disposición de las hojas en un tallo, los seres vivos se organizan constantemente en estructuras complejas y repetitivas. Este proceso, conocido como formación de patrones, es fundamental para entender cómo un animal crece desde una sola célula hasta convertirse en un organismo completamente formado, cómo sana tras una lesión y, desafortunadamente, cómo se propagan enfermedades como el cáncer. Durante décadas, los científicos han intentado comprender el motor detrás de esta organización. Saben desde hace tiempo que las células pueden cambiar su identidad, moverse, dividirse o morir, y que cualquiera de estas acciones podría potencialmente crear los diseños a gran escala que vemos en la naturaleza. El desafío ha sido determinar exactamente cuál de estas acciones celulares es el motor principal en cada situación dada. ¿Se crea un patrón porque las células se mueven hacia lugares específicos, o porque se están dividiendo más en algunas áreas que en otras? Hasta ahora, responder a esta pregunta solía requerir que los investigadores supusieran primero un mecanismo específico, construyeran un modelo matemático complejo basado en esa suposición y luego vieran si el modelo coincidía con la realidad. Si la suposición era errónea, toda la investigación tenía que empezar de nuevo.

Un nuevo enfoque, desarrollado por investigadores de la Universidad de Aix-Marseille y del EMBL de Heidelberg, evita el juego de las suposiciones por completo. En lugar de partir de una teoría sobre cómo deberían comportarse las células, crearon un método para simplemente observar lo que las células están haciendo y medir cuánto contribuye cada acción específica al patrón final. Llaman a su herramienta CREDIT, que significa Roles Celulares en el Desarrollo Emergente Inferidos a partir de Trayectorias (Cellular Roles in Emergent Development Inferred from Tracks). El método se basa en metraje de vídeo de alta calidad de células vivas, donde los científicos pueden rastrear la posición exacta de cada célula a lo largo del tiempo y medir cuánta proteína produce cada célula. Al analizar estas trayectorias, los investigadores pueden separar matemáticamente el patrón total en sus partes componentes, cuantificando exactamente cuánto del diseño se debe al movimiento de las células, cuánto a la división celular y cuánto al cambio en su química interna.

Los investigadores probaron primero su método utilizando simulaciones por computadora donde conocían la respuesta de antemano. Crearon mundos virtuales donde podían subir o bajar el "volumen" del movimiento celular, y lo mismo para la división y la muerte celular. En estas simulaciones controladas, la herramienta identificó correctamente la fuerza dominante. Cuando ordenaron a las células virtuales moverse para formar un patrón, la herramienta dijo que el movimiento era la causa. Cuando ordenaron a las células dividirse en puntos específicos para crear el diseño, la herramienta identificó la división como el motor. Esta validación demostró que el método funciona sin necesidad de conocer las reglas subyacentes del sistema; simplemente observa la geometría de las células y el patrón resultante para deducir la causa.

Con la herramienta probada como fiable, el equipo la aplicó a datos biológicos reales. El primer sujeto fue un grupo de células embrionarias de ratón, específicamente de un tejido llamado mesodermo presomítico, que es crucial para la formación de la columna vertebral y los músculos. En estos experimentos, las células formaron grupos y patrones distintos de una proteína llamada T/Brachyury. Estudios previos habían sugerido que las células podrían estar moviéndose hacia estos puntos debido a señales químicas, o que las células estaban cambiando sus niveles de proteína para crear el patrón. Sin embargo, cuando los investigadores realizaron su nuevo análisis, el resultado fue claro y decisivo: el patrón estaba impulsado casi por completo por el movimiento físico de las células. Las células se movieron y se agregaron en cúmulos, y este movimiento por sí solo fue suficiente para crear el patrón observado. Los cambios en los niveles de proteína interna de las células desempeñaron un papel insignificante en la conformación del diseño. Este hallazgo respalda la idea de que las fuerzas mecánicas y el movimiento celular son los arquitectos primarios de esta etapa del desarrollo específica.

Los investigadores dirigieron entonces su atención a un sistema muy diferente: cultivos de células de cáncer de mama. En estos recipientes, las células cancerosas se organizan en "nichos", o cúmulos, que se asemejan a los entornos donde suelen vivir las células madre. Estos cúmulos están marcados por una proteína específica, ALDH1A1, que está asociada con las células madre cancerosas. Comprender cómo se forman estos cúmulos es vital porque a menudo son responsables de que los tumores resistan el tratamiento. En este caso, el nuevo método reveló una historia completamente diferente. Aquí, el patrón no fue impulsado por el movimiento de las células hacia ubicaciones específicas. En su lugar, el análisis mostró que la formación de estos nichos de células madre cancerosas fue impulsada casi exclusivamente por la división celular. Las células se estaban dividiendo con mayor frecuencia en ciertas áreas, creando cúmulos densos. Curiosamente, los investigadores descubrieron que los cambios en los niveles de proteína de las células en realidad trabajaban en contra de la formación del patrón, perturbando ligeramente el diseño, pero este efecto negativo fue superado por la fuerza pura de la división celular.

El poder de este nuevo enfoque reside en su simplicidad y en su falta de sesgo. No requiere que los científicos asuman un mecanismo específico antes de comenzar. Trata a las células como objetos geométricos que se mueven en el espacio y plantea una pregunta sencilla: ¿qué está haciendo la célula en este momento que cambie la imagen general? Al desglosar la compleja danza del desarrollo en contribuciones distintas y medibles, el método revela que la respuesta no siempre es la misma. En los embriones de ratón, el movimiento es la clave; en las células cancerosas, la división es la clave. Esta distinción es crítica porque dice a los biólogos exactamente dónde buscar para el siguiente paso de su investigación. Si un patrón es impulsado por el movimiento, los investigadores deben estudiar las fuerzas mecánicas entre las células. Si es impulsado por la división, deben observar las señales que controlan el ciclo celular.

Este trabajo representa un cambio de la ciencia basada en hipótesis a la ciencia basada en datos. Durante años, el campo ha estado estancado intentando ajustar las observaciones a modelos preexistentes. Esta nueva herramienta permite que los datos hablen por sí mismos, cuantificando la contribución de cada proceso celular sin necesidad de conocer las reglas del juego de antemano. Proporciona un mapa claro y sin sesgos de cómo la vida se organiza, mostrando que el camino hacia un patrón puede estar pavimentado por el movimiento, por la división o por una combinación de ambos, dependiendo enteramente del contexto biológico específico. A medida que la tecnología de imagen continúe mejorando, permitiendo a los científicos rastrear las células en tres dimensiones y en tiempo real, este tipo de análisis geométrico probablemente se convertirá en una forma estándar de comprender la mecánica oculta de la vida, desde las primeras etapas de un embrión hasta la progresión de una enfermedad.

Resumen Técnico: Cuantificación de las Contribuciones Celulares a la Formación de Patrones Multicelulares

Planteamiento del Problema
La formación de patrones multicelulares es un proceso fundamental en el desarrollo, la regeneración y la enfermedad, que se manifiesta como distribuciones espaciales de densidad celular y expresión génica. Si bien se entiende que estos patrones surgen de procesos celulares como la diferenciación, la motilidad, la división y la apoptosis, diseccionar la contribución cuantitativa específica de cada proceso sigue siendo un desafío. Los enfoques existentes suelen estar dirigidos por hipótesis, basándose en modelos mecanísticos con supuestos específicos, o en estadísticas espaciales de datos (por ejemplo, funciones de correlación de pares) que no logran desentrañar los distintos roles de diferentes mecanismos celulares. Existe una falta de un método generalmente aplicable e imparcial para cuantificar cómo los procesos celulares individuales impulsan la emergencia de patrones a gran escala, independientemente del tipo de patrón específico (por ejemplo, rayas, puntos).

Metodología
Los autores proponen un marco puramente geométrico y basado en datos que cuantifica la formación de patrones y la descompone en contribuciones de procesos celulares específicos. El método se basa en trayectorias celulares dependientes del tiempo ( $r_i(t)$ ) y niveles de expresión ( $f_i(t)$ ) derivados de imágenes en vivo.

Medidas de Patrón: Los autores definen dos medidas primarias:
- Patrón de Densidad Numérica Celular ( $P_\rho$ ): Cuantifica la heterogeneidad espacial en las posiciones celulares.
- Patrón de Expresión Aparente ( $P_{f\rho}$ ): Cuantifica la heterogeneidad espacial en el producto de la posición celular y el nivel de expresión ( $f\rho$ ).
  Estos patrones se computan descomponiendo los campos en una base ortonormal (específicamente modos de Fourier-Bessel para dominios circulares) y calculando la varianza contribuida por los modos con escalas de longitud mayores que un corte $\lambda_c$ . Este corte distingue los patrones de gran escala de las fluctuaciones locales. Las medidas se normalizan de modo que un valor de 1 corresponde a una distribución aleatoria; los valores significativamente mayores que 1 indican un patrón estructurado.
Descomposición de las Contribuciones: El cambio temporal en estas medidas de patrón se descompone de forma única en términos aditivos que representan procesos celulares específicos:
- Motilidad ( $M$ ): Cambios debidos al movimiento celular.
- División ( $D$ ): Cambios debidos a la proliferación celular.
- Aparición/Desaparición ( $B$ ): Cambios debidos a la apoptosis, cruces de límites o brechas en las trayectorias.
- Dinámica de Expresión ( $E$ ): Cambios debidos a variaciones en los niveles de expresión de proteínas (aplicable únicamente a $P_{f\rho}$ ).
  El marco proporciona ecuaciones exactas (Ecs. 7 y 8) para calcular estas contribuciones entre pasos de tiempo sin requerir conocimiento previo de las reglas de interacción.
Herramienta: El método está implementado en una herramienta de Python llamada CREDIT (Cellular Roles in Emergent Development Inferred from Tracks).

Validación y Resultados
Los autores validaron el marco utilizando modelos basados en agentes donde los mecanismos impulsores fueron prescritos explícitamente:

Patrones de Densidad: En modelos que ajustan el equilibrio entre la motilidad y el recambio celular (división/apoptosis), el método identificó correctamente el impulsor dominante. Por ejemplo, cuando la formación de patrones era impulsada únicamente por la motilidad, la descomposición atribuyó el aumento de $P_\rho$ enteramente a $M$ . Por el contrario, cuando era impulsada por el recambio, la contribución se atribuyó a $D$ y $B$ . El método también identificó correctamente casos donde un proceso (por ejemplo, la motilidad) actuaba como ruido, contribuyendo negativamente al patrón, mientras que otro (el recambio) lo impulsaba.
Patrones de Expresión: En modelos que combinan motilidad y dinámica de expresión génica, el marco logró desentrañar las contribuciones relativas de la motilidad y los cambios de expresión. Además, demostró que las divisiones celulares pueden impulsar los patrones de expresión si los estados de expresión son heredados, pero no si se aleatorizan tras la división.

Aplicación a Datos Experimentales
El marco se aplicó a dos conjuntos de datos experimentales distintos:

Agregados de Mesodermo Presomítico (PSM) de Ratón: Analizando agregados quasi-2D que muestran patrones de densidad celular y el marcador mesodérmico T/Brachyury (T/Bra).
- Resultado: Tanto el patrón de densidad celular como el patrón de expresión aparente de T/Bra fueron encontrados como impulsados primordialmente por la motilidad celular. Las contribuciones de las divisiones celulares, la apoptosis y los cambios en los niveles de expresión génica fueron mínimas. Esto sugiere que las interacciones mecánicas que impulsan el movimiento celular coordinado son el mecanismo central para la emergencia de patrones en este sistema.
Poblaciones de Células de Cáncer de Mama: Analizando cultivos 2D que contienen células madre cancerosas (marcadas por ALDH1A1) y células diferenciadas.
- Resultado: La emergencia de patrones de densidad celular y de patrones de expresión de "nicho de células madre" estuvo dominada por las divisiones celulares. Aunque trabajos previos sugirieron una contribución positiva de los cambios en la expresión génica, este método reveló que la contribución neta de los cambios de expresión fue en realidad negativa (deteriorando el patrón), probablemente debido a una herencia imperfecta de los estados celulares a lo largo del tiempo. La motilidad celular no tuvo prácticamente ningún efecto en la formación de patrones en este sistema.

Significancia y Reivindicaciones
El artículo afirma que este enfoque ofrece una forma genérica, robusta e imparcial de estudiar la formación de patrones. Los puntos clave de su significancia son:

Independiente del Mecanismo: El método es puramente geométrico y no requiere supuestos mecanísticos sobre los procesos biológicos subyacentes, lo que lo hace aplicable a una amplia clase de sistemas.
Desentrañamiento Cuantitativo: Permite de forma única la descomposición de la emergencia de patrones en contribuciones celulares específicas, yendo más allá de la correlación para identificar los impulsores causales.
Rigor Estadístico: La normalización de las medidas de patrón proporciona una prueba de significancia estadística directa (por ejemplo, $P > 2.6$ implica un 99% de confianza de un patrón) sin necesidad de controles externos.
Base para la Generación de Hipótesis: Al identificar qué impulsa la formación de patrones sin asumir por qué, el método proporciona una base basada en datos para el refinamiento posterior mediante hipótesis y el modelado mecanístico.

Los autores enfatizan que, si bien su método identifica los procesos celulares que impulsan los patrones, no explica los mecanismos moleculares detrás de esos procesos, sirviendo en cambio como un puente entre la dinámica de célula única y la organización colectiva.

Más como este