Identification sans étiquette des agrégats associés au NDD (LINA). a La protéine Httex1 associée au NDD forme des agrégats dans les cellules en 48 h. Lorsque la protéine n’est pas marquée, ces agrégats ont une ultrastructure noyau et coque. Httex1 marqué (par exemple, avec GFP) forme des agrégats modifiés dépourvus de cette structure, ressemblant plutôt à un maillage de fibrilles, et ayant des propriétés biochimiques et biophysiques modifiées (par exemple, composition protéomique, rigidité et longueur des fibrilles différentes). b Pour permettre l'imagerie sans étiquette d'agrégats Httex1 inchangés, nous avons formé un réseau neuronal pour mapper entre les entrées d'images de lumière transmise sans étiquette (fond clair ou phase quantitative) (plans simples ou multiples) et les images de fluorescence, de telle sorte que le réseau soit alors capable d'identifier les agrégats en utilisant uniquement l'entrée sans étiquette. Les flèches en pointillés représentent les étapes de formation uniquement. Crédit: Communications naturelles (2023). DOI : 10.1038/s41467-023-43440-7
Les maladies neurodégénératives telles que la maladie d'Alzheimer, la maladie de Parkinson et la maladie de Huntington constituent un défi croissant dans le domaine des soins de santé, touchant des millions de personnes dans le monde. Ils se caractérisent par un déclin progressif de la fonction neuronale et se manifestent par une série de symptômes débilitants. Et à mesure que notre espérance de vie augmente, l’incidence des maladies neurodégénératives augmente avec le vieillissement de la population mondiale.
De nombreuses maladies neurodégénératives impliquent l'accumulation d'agrégats de protéines mal repliés, qui jouent un rôle central dans le développement et la progression de maladies telles que la maladie d'Alzheimer, la maladie de Parkinson et la maladie de Huntington. Mais les progrès dans la compréhension et le traitement de ces maladies sont entravés par les méthodes actuelles de marquage des protéines mal repliées avec des marqueurs fluorescents.
Ces approches sont efficaces dans une certaine mesure, mais elles modifient également les propriétés biophysiques des protéines, affectant la manière dont elles interagissent avec d'autres protéines et composants cellulaires. Cela rend très difficile l’étude précise de la complexité et de l’organisation ultrastructurale des agrégats de protéines pathogènes dans le cerveau.
Présentation de LINA
Aujourd’hui, des chercheurs de l’EPFL ont développé une nouvelle technique qui contourne ce problème en utilisant l’apprentissage profond pour identifier ces agrégats sans les altérer, offrant ainsi une approche non invasive et très précise pour comprendre un processus central dans la pathogenèse des maladies neurodégénératives.
La nouvelle technique s'appelle “Identification sans étiquette des agrégats associés aux maladies neurodégénératives” (LINA) et a été développée respectivement par les groupes de Hilal Lashuel et d'Aleksandra Radenovic des écoles des sciences de la vie et d'ingénierie de l'EPFL, avec Kristin Grußmayer de la TU Delft. L'ouvrage est maintenant publié dans Communications naturelles.
LINA utilise l’apprentissage profond pour analyser les images de lumière transmise provenant de cellules vivantes, ce qui lui permet d’identifier les agrégats de protéines sans recourir à un marquage fluorescent. Cette méthode préserve l’état naturel des protéines, fournissant des données haute fidélité cruciales pour une recherche précise.
LINA sur Huntington
Les scientifiques ont testé LINA dans le contexte de la maladie de Huntington, une maladie neurodégénérative causée par un mauvais repliement de la protéine Huntingtine. Ils ont utilisé un système modèle biologique bien contrôlé basé sur des cellules HEK 293 qui surexpriment la Huntingtine mutante.
À l’aide d’un microscope multimodal et multiplan sur mesure, l’équipe a capturé des images 4D ultrarapides en champ clair et en fluorescence, qui ont été transformées en images d’imagerie de phase quantitative, ou QPI. Il s'agit d'une technique d'imagerie qui capture les variations de phase lumineuse provoquées par un échantillon pour « voir » des informations détaillées sur ses propriétés physiques et optiques, par exemple son épaisseur et son indice de réfraction, sans avoir besoin de coloration ou d'étiquetage.
Les chercheurs ont ensuite utilisé les images QPI comme base pour former un réseau neuronal convolutionnel, une IA spécialement conçue pour traiter et analyser des données visuelles telles que des images et des vidéos.
La technique LINA a montré une précision remarquable dans l’identification des agrégats formés par un fragment de la protéine Huntingtin, connu sous le nom de Httex1. Ce fragment contient le site des mutations responsables de la maladie de Huntington.
Lashuel explique : « Des études antérieures de notre groupe ont montré qu'une fois que Httex1 et d'autres protéines liées aux maladies neurodégénératives sont fusionnées à des protéines fluorescentes, elles forment des agrégats très différents de ceux observés pour la protéine native dans les neurones, ce qui signifie que nous ne sommes pas en mesure de le faire. pour reproduire et surveiller le processus de la maladie.
LINA a identifié avec succès les agrégats Httex1 dans les protéines marquées et non marquées, démontrant sa polyvalence et sa cohérence dans diverses conditions d'imagerie et lignées cellulaires.
LINA en imagerie de cellules vivantes
Les chercheurs ont utilisé l’IA pour surveiller le processus dynamique d’agrégation des protéines à l’aide de l’imagerie de cellules vivantes, fournissant ainsi de nouvelles informations sur la dynamique de croissance des agrégats Httex1. Cette fonctionnalité est essentielle pour comprendre la progression des maladies neurodégénératives et pourrait potentiellement conduire à l’identification de nouvelles cibles thérapeutiques.
Mais LINA s’est avéré non seulement efficace pour identifier les agrégats de protéines ; il peut également effectuer des comparaisons détaillées entre différents types d'entre eux. Comprendre ces différences et similitudes subtiles est crucial, car cela met en lumière la façon dont ces agrégats de protéines se forment et se comportent, ce qui est essentiel pour comprendre la progression des maladies neurodégénératives.
Un outil simple, automatisé et à haut débit
“Dans leur forme la plus simple, nos modèles présentent une méthode simple et rapide pour rechercher et segmenter automatiquement les agrégats de protéines à partir d'images en lumière transmise, qui peuvent être soit des images de phase quantitative, soit les images en fond clair les plus simples possibles”, explique Khalid Ibrahim, le premier de l'étude. auteur. “Cela fournit aux utilisateurs des laboratoires du monde entier une technique automatisée simple, à haut débit, pour détecter et analyser les agrégats de protéines.”
“Nous travaillons actuellement à étendre l'application de cette méthode pour étudier l'agrégation d'autres protéines liées aux maladies d'Alzheimer et de Parkinson à l'aide de modèles cellulaires nouveaux et validés de ces maladies”, explique Lashuel. “Notre objectif ultime est de pouvoir capturer les premiers événements de ce processus, qui sont considérés comme des facteurs majeurs de la neurodégénérescence, mais restent inaccessibles à la plupart des méthodes existantes. Cela ouvrirait la voie au dépistage de nouveaux médicaments pour inhiber l'agrégation et la toxicité des protéines. “.
Aleksandra Radenovic ajoute : « Être capable de développer de nouvelles méthodes qui nous permettent non seulement de surveiller l'évolution de l'agrégation des protéines et de la formation de pathologies, mais également d'obtenir des mesures quantitatives de leurs propriétés pourrait nous aider à découvrir de nouveaux mécanismes et connaissances actuellement masqués par l'utilisation de grands marqueurs protéiques fluorescents.
Plus d'information:
Khalid A. Ibrahim et al, Identification sans étiquette d'agrégats de protéines à l'aide de l'apprentissage en profondeur, Communications naturelles (2023). DOI : 10.1038/s41467-023-43440-7
Fourni par l'Ecole Polytechnique Fédérale de Lausanne
Citation: L'IA ouvre de nouvelles perspectives dans la recherche sur les maladies neurodégénératives (12 décembre 2023) récupéré le 12 décembre 2023 sur
Ce document est soumis au droit d'auteur. En dehors de toute utilisation équitable à des fins d'étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni seulement pour information.
