Video Experimental Relacionado
Updated: Jun 15, 2026
09:19
Spatial Profiling of Protein and RNA Expression in Tissue: An Approach to Fine-Tune Virtual Microdissection
Published on: July 6, 2022
5.3K
Mejora de la Anotación para Proteómica Espacial: Un Enfoque Computacional para Mejorar la Caracterización Molecular
Vasco Coelho1, Nicole Monza2, Natalia S Porto2
1Department of Informatics, Systems and Communication, University of Milano-Bicocca, 20126 Milan, Italy.
Journal of proteome research
|January 8, 2026
Resumen
Este estudio presenta un flujo de trabajo automatizado de patología digital para mejorar el análisis de imagen de espectrometría de masas con ionización por desorción láser asistida por matriz (MALDI-MSI) del cáncer de tiroides. El método mejora la caracterización molecular y la precisión diagnóstica de los neoplasmas.
Área de la Ciencia:
- Imagen Biomédica
- Proteómica
- Patología Computacional
Sus antecedentes:
- La imagen por espectrometría de masas con ionización por desorción láser asistida por matriz (MALDI-MSI) muestra potencial para la caracterización molecular de neoplasias tiroideas.
- Los desafíos en MALDI-MSI incluyen minimizar la interferencia de señales y mejorar la discriminación diagnóstica.
Objetivo del estudio:
- Desarrollar un flujo de trabajo reproducible y automatizado que integre la patología digital con MALDI-MSI para el análisis de tejidos tiroideos.
- Mejorar la proteómica espacial y la precisión diagnóstica en neoplasias tiroideas.
Principales métodos:
- Desarrollaron un clasificador de píxeles para la selección automatizada de regiones de interés (ROI) ricas en células de microarrays de tejido tiroideo teñidos con H&E.
- Compararon las señales de proteómica de los ROI seleccionados por el clasificador de píxeles (PC) con las anotaciones del núcleo completo (FC) y del patólogo (PAT).
- Utilizaron el análisis de componentes principales y el análisis de la curva característica operativa del receptor (ROC) para la interpretación de datos.
Principales resultados:
- Los ROI del clasificador de píxeles redujeron las señales interferentes en un 15% y aumentaron la relación señal/ruido del péptido de tripsina en un 37%.
- Detectaron entre un 9 y un 24 % más de señales de m/z, lo que mejoró la agrupación espectral y distinguió las regiones histopatológicas.
- Lograron un aumento del 50 % en las características discriminatorias de m/z para el diagnóstico de nódulos tiroideos en comparación con los datos de FC y PAT.
Conclusiones:
- El flujo de trabajo automatizado del clasificador de píxeles mejora la reproducibilidad de MALDI-MSI y reduce la carga de trabajo del operador.
- Este enfoque optimiza MALDI-MSI para la caracterización molecular de neoplasias tiroideas.
- El método tiene potencial para mejorar el descubrimiento de biomarcadores y la precisión diagnóstica en patología clínica.
