Image Analysis Tools for Continuous Label-free Quantification of Proliferation and Adipogenic Differentiation of Mesenchymal Stem Cells

No mundo da biologia moderna, os cientistas tentam constantemente compreender como as células crescem e mudam. Dois dos processos mais importantes que eles estudam são a proliferação, que é simplesmente a maneira como as células se multiplicam para aumentar seus números, e a diferenciação, onde uma célula genérica se transforma em uma especializada, como uma célula de gordura. Durante décadas, pesquisadores confiaram em métodos que exigem interromper o experimento, matar as células e tingi-las com corantes coloridos para ver o que está aconteangkendo. Embora esses métodos forneçam um instantâneo, eles são destrutivos; uma vez que você observa as células, não pode observá-las novamente. Isso torna difícil entender a história suave e contínua de como uma população de células evolui ao longo do tempo. Além disso, os produtos químicos usados para tornar as células visíveis podem, às vezes, danificá-las ou criar sinais falsos, levando a contagens imprecisas.

Um campo crescente de pesquisa está agora voltando-se para uma abordagem diferente: observar células sem tocá-las de forma alguma. Ao usar câmeras avançadas e programas de computador, os cientistas podem observar células vivas enquanto elas crescem e mudam, capturando milhares de imagens ao longo de dias ou semanas sem nunca adicionar uma única gota de corante. Este método "livre de rótulos" (label-free) promete uma visão mais clara e honesta da vida celular. É particularmente vital para indústrias emergentes como a carne cultivada, onde cientistas precisam cultivar grandes quantidades de gordura animal e músculo em laboratório, e para a pesquisa médica sobre obesidade e diabetes, onde entender o tempo preciso da formação de células de gordura é crucial. O desafio, no entanto, tem sido ensinar os computadores a reconhecer essas células com precisão nas imagens, já que as células frequentemente se agrupam e parecem muito semelhantes entre si.

Em um estudo recente, pesquisadores buscaram testar duas maneiras diferentes de usar essa tecnologia livre de rótulos para rastrear células-tronco mesenquimais, que são células versáteis capazes de se transformar em gordura. Essas células foram retiradas tanto de humanos quanto de porcos, refletindo o duplo interesse na saúde humana e na produção de carne sustentável. A equipe comparou duas estratégias distintas. A primeira foi um sistema de software integrado fornecido pelo fabricante do dispositivo de imagem de célula viva, projetado para ser fácil de usar e integrado diretamente ao microscópio. A segunda foi um modelo de computador personalizado, treinado pelos próprios pesquisadores usando uma ferramenta poderosa e de código aberto chamada Cellpose, que é projetada para ajudar os computadores a "ver" e separar células individuais em imagens complexas.

Os pesquisadores cultivaram essas células no laboratório, observando-as multiplicar-se e, em seguida, guiando-as para se tornarem células de gordura. Eles tiraram fotos das culturas a cada hora durante vários dias, criando uma enorme biblioteca de imagens mostrando as células em cada estágio de suas vidas. Eles então passaram as mesmas imagens tanto pelo software integrado quanto pelo seu modelo personalizado para ver qual deles conseguia contar as células e medir seu crescimento com maior precisão. Quando se tratava de contar células conforme elas se multiplicavam, ambos os métodos funcionaram bem, mas tinham forças diferentes. O software integrado foi excelente em lidar com cenas lotadas onde as células estavam compactadas densamente, fornecendo uma contagem confiável mesmo quando a placa estava cheia. O modelo personalizado, no entanto, foi superior em densidades mais baixas, onde conseguia distinguir claramente células individuais e contá-las com alta precisão, mesmo quando estavam apenas começando a crescer.

A história tornou-se mais interessante quando as células começaram a se transformar em gordura. À medida que as células se diferenciavam, elas começavam a se encher de gotículas lipídicas, que são pequenas bolhas de gordura dentro da célula. O software integrado foi muito bom em detectar essas células de gordura maduras porque elas parecem diferentes e têm um contraste mais alto do que as outras células. Ele podia dizer aos pesquisadores quanto da placa era coberta por essas células de gordura maduras. No entanto, ele tinha dificuldade em ver os estágios iniciais do processo, perdendo as células que tinham acabado de começar a mudar, mas que ainda não haviam se preenchido com gordura suficiente para se destacarem. O modelo personalizado, por outro lado, foi treinado para reconhecer a forma das próprias células, não apenas a gordura dentro delas. Isso permitiu que ele detectasse os primeiros sinais de diferenciação, identificando células que estavam começando a se comprometer em se tornar gordura muito antes de estarem totalmente maduras. Isso deu aos pesquisadores uma visão mais precoce e detalhada da transformação.

O estudo também testou se esses modelos de computador poderiam funcionar entre diferentes espécies e diferentes tipos de microscópios. O modelo personalizado, que foi inicialmente treinado em imagens de células de porco, não conseguiu reconhecer automaticamente células humanas sem ser retreinado, destacando que esses programas de computador precisam de exemplos específicos para aprender. No entanto, uma vez que os pesquisadores treinaram uma nova versão do modelo em células humanas, ele funcionou tão bem quanto. Além disso, eles provaram que esses modelos não estavam limitados ao sistema de imagem de alta tecnologia usado no laboratório. Eles aplicaram com sucesso seus modelos personalizados a imagens tiradas com microscópios manuais padrão, mostrando que esta tecnologia pode ser usada em muitos laboratórios diferentes, não apenas naqueles com equipamentos automatizados caros.

Uma das descobertas mais significativas foi a capacidade de ver as variações ocultas dentro de uma única placa de cultura. Como o sistema de imagem tirava fotos de muitos pontos diferentes da placa ao longo do tempo, os pesquisadores puderam ver que as células de gordura não se formavam todas ao mesmo tempo ou nos mesmos lugares. Algumas áreas da placa estavam cheias de células de gordura, enquanto outras permaneciam vazias. Esse tipo de detalhe espacial teria sido impossível de ver com os métodos tradicionais, que geralmente tiram uma única foto do centro da placa ao final do experimento. O monitoramento contínuo também revelou que diferentes lotes de células, mesmo do mesmo tipo de animal, comportavam-se de maneira diferente. Alguns lotes transformavam-se em gordura de forma rápida e eficiente, enquanto outros tinham dificuldades, uma variação que pode ser crítica para a produção consistente de carne cultivada ou para entender por que algumas pessoas são mais propensas à obesidade.

Em última análise, o estudo demonstrou que a imagem livre de rótulos é uma ferramenta poderosa que elimina a necessidade de procedimentos de tingimento complicados e destrutivos. Ela permite que os cientistas observem todo o ciclo de vida de uma população de células em tempo real, desde o momento em que são semeadas até o momento em que se tornam células de gordura especializadas. Enquanto o software integrado oferece uma solução conveniente de "conectar e usar" que funciona bem para células maduras, os modelos treinados customizados oferecem um nível de flexibilidade e detalhamento inigualável, sendo capazes de detectar as mudanças mais precoces e se adaptar a diferentes tipos de células e configurações de microscópio. Ao combinar essas abordagens, os pesquisadores podem agora rastrear a dinâmica do crescimento celular e da formação de gordura com uma clareza que antes era inalcançável, oferecendo novos insights tanto para a ciência médica quanto para o futuro da produção de alimentos. Todos os modelos de computador desenvolvidos neste estudo foram disponibilizados ao público, permitindo que outros cientistas utilizem e melhorem essas ferramentas para suas próprias pesquisas.