Metabolism

Una nueva herramienta computacional es capaz de inferir cambios que ocurren en los extremos de los cromosomas, donde se aloja nuestro ADN. Lo hace detectando alteraciones estructurales en células y tejidos capturadas en imágenes de biopsias médicas rutinarias, según hallazgos publicados el 16 de marzo de 2026 en Cell Reports Methods.

Científicos del Sanford Burnham Prebys Medical Discovery Institute desarrollaron el modelo TLPath basándose en la hipótesis de que las modificaciones en la forma y estructura de las células y tejidos podrían utilizarse para predecir la longitud de las secciones repetitivas de ADN llamadas telómeros.

“Cada vez que el ADN se replica a medida que nuestras células crecen y se dividen, la parte al final del ADN no puede replicarse”, explicó Sanju Sinha, PhD, asistente profesor del Programa de Metabolismo del Cáncer y Microambiente en Sanford Burnham Prebys.

“Esto sería un problema si nuestro ADN se degradara poco a poco desde el nacimiento, pero en cambio nuestras células evolucionaron una solución única: cubrir los extremos del ADN con regiones repetitivas llamadas telómeros que pueden acortarse en lugar de información genética más esencial.”

Sin embargo, los telómeros no son meros amortiguadores genéticos que se pueden descartar libremente. Si bien los científicos aún están determinando exactamente cómo estos protectores del ADN afectan el proceso de envejecimiento, las investigaciones han demostrado que la longitud de los telómeros está correlacionada con la edad cronológica de una persona a lo largo de su vida. Tras el seguimiento de los resultados de salud en grandes poblaciones, se descubrió que la longitud de los telómeros predice el riesgo de los pacientes de desarrollar enfermedades crónicas asociadas al envejecimiento.

“Estábamos razonablemente seguros de que los telómeros juegan un papel importante a medida que las células envejecen, y sabíamos que el campo necesitaba más formas de estudiar este fenómeno para aprender cómo se puede tratar para beneficiar a los pacientes”, afirmó Sinha.

El equipo de investigación obtuvo datos del Genotype-Tissue Expression Project, una importante iniciativa del Common Fund de los National Institutes of Health (NIH) que se lanzó en 2010 para crear un recurso para estudiar cómo los cambios heredados en los genes conducen a enfermedades comunes. Sinha y sus colegas pudieron entrenar su modelo computacional con escaneos de 5,263 portaobjetos de histopatología realizados a partir de muestras de biopsia rutinarias de 18 tipos de tejidos donados por 919 individuos.

“El conjunto de datos empareja estas imágenes de alta resolución con pruebas de laboratorio de la longitud de los telómeros, lo que nos permite entrenar a TLPath para encontrar características predictivas en las células y los tejidos”, dijo Sinha. “Hay cientos de terabytes de datos de imágenes de este proyecto listos para ser estudiados con herramientas como TLPath, y no podríamos haber terminado nuestro proyecto sin que estos datos estuvieran disponibles para los investigadores.”

El modelo funciona segmentando cada portaobjetos de histopatología en un promedio de 1,387 fragmentos cuadrados. Cada fragmento, conocido como “patch”, se examina para encontrar hasta 1,024 características estructurales. Al calcular un peso estadístico para cada característica en cada fragmento, el modelo compara una puntuación general para cada portaobjetos de histopatología con la longitud de los telómeros emparejada para aprender a predecir esta última a partir de la primera.

Después de entrenar a TLPath por separado en cada tipo de tejido, los científicos descubrieron que era capaz de predecir la longitud de los telómeros en muestras del Genotype-Tissue Expression Project que no habían sido incluidas en el conjunto de datos de entrenamiento.

“La clave de nuestro trabajo fue basarnos en los recientes avances en la visión artificial para portaobjetos de histopatología, que es la creación de modelos fundamentales”, dijo Sinha. “Estos modelos no analizan píxeles discretos, sino que definen características de orden superior, algunas de las cuales pueden ser interpretadas por humanos, pero que pueden validarse por su poder predictivo.”

En las pruebas, TLPath tuvo más éxito en la predicción precisa de la longitud de los telómeros que basar la predicción únicamente en la edad de los pacientes cuando donaron sus muestras. Los científicos evaluaron aún más las capacidades de predicción del modelo demostrando que podía identificar diferencias en la longitud de los telómeros entre individuos de la misma edad cronológica.

“Esto abre nuevas oportunidades basadas en el avance conceptual de que los cambios estructurales medibles en las células pueden predecir la longitud de los telómeros”, dijo Sinha. “Medir directamente la longitud de los telómeros requiere pruebas más complicadas y costosas que son difíciles de escalar.

“El único límite para el uso de un enfoque como TLPath es la disponibilidad de portaobjetos de histopatología escaneados.”

Si bien estos portaobjetos se crean comúnmente a partir de biopsias para que los patólogos los revisen en el curso de la atención clínica, rara vez se digitalizan y se ponen a disposición de los investigadores de manera similar al Genotype-Tissue Expression Project financiado por el NIH.

“Ya sean portaobjetos nuevos que se estén desarrollando hoy o aquellos que se conservan en biobancos, todo lo que necesitamos es que se escaneen, almacenen y compartan adecuadamente para permitir estudios a gran escala”, dijo Sinha.

“Esto tiene el potencial de transformar nuestra capacidad para estudiar la biología de los telómeros, aprender más sobre el envejecimiento humano y, en última instancia, ayudar a las personas a preservar una mejor salud a medida que envejecen.”