Líneas de investigación iniciadas durante el desarrollo del Núcleo IMAGINA. Estas líneas, resumidas en los objetivos específicos planteados, han dado lugar a resultados iniciales, muchos de ellos promisorios que se han publicado en conferencias nacionales o internacionales. Profundizar en estas líneas a través de las preguntas planteadas nos permitirá fortalecer las habilidades que son propias del tipo de investigación propuesta donde la interdisciplina juega un papel muy importante al momento de abordar las preguntas y resolver los problemas. A continuación presentamos las líneas de investigación, los primeros resultados obtenidos y cómo se plantea su continuidad. También se incorporan nuevas líneas que no han sido abordadas hasta el momento.

Morfología mitocondrial y relación con la fisiología celular y procesos patológicos

Responsable: Rossana Sapiro

Sublínea: Estudio morfológico de las mitocondrias espermáticas como aproximación al análisis de la función mitocondrial en la infertilidad masculina. Responsable: Fernanda Skowronek

La Dra. Sapiro es responsable en el Departamento de Histología y Embriología, de la línea de trabajo que se focaliza en reproducción, más precisamente en fertilidad e infertilidad masculina. En el año 2012, a raíz de un proyecto financiado por el laboratorio Merk-Serono que apoyaba la búsqueda de posibles causas de la infertilidad masculina y cómo revertirla, se comenzó a trabajar en  la hipótesis de que las mitocondrias espermáticas, a través de la generación de especies reactivas del oxígeno (ROS, por sus siglas en inglés) podrían estar involucradas en la producción de espermatozoides defectuosos. Las mitocondrias de los espermatozoides han sido estudiadas principalmente en relación a su función de producción de energía, probablemente por su clara vinculación con la motilidad espermática (Moraes and Meyers 2018). Sin embargo, actualmente son reconocidas como esenciales para múltiples funciones impactando en prácticamente todas las áreas de la biología celular y la medicina (Nunnari and Suomalainen 2012; Picard, Wallace, and Burelle 2016). Las mitocondrias sufren cambios de forma dinámica, se comunican entre ellas, regulan la expresión génica dentro del núcleo (Gut and Verdin 2013; Reczek and Chandel 2015), modulan la transmisión sináptica, liberan moléculas que contribuyen a la transformación oncogénica, disparan respuestas inflamatorias sistémicas e influyen en la regulación de sistemas fisiológicos complejos (Gurung, Lukens, and Kanneganti 2015; Cherry et al. 2016). Esto puede ser atribuido a que en ella convergen diversos procesos claves de señalización celular; por ejemplo metabolismos del calcio, formación de ROS o señales de muerte celular (Picard, Wallace, and Burelle 2016). La estructura interna y forma así como la ubicación celular de las mitocondrias son críticas para su función y dependen de actividades altamente reguladas como son la división, fusión y motilidad de las propias mitocondrias en las células (Brown et al. 2011). Es por eso que alteraciones en la morfología y función mitocondrial generan o acompañan procesos patológicos entre los que se incluyen las enfermedades metabólicas, cardiovasculares neurodegenerativas, el cáncer y trastornos en la fertilidad. A pesar de que no existen muchos datos disponibles es claro que la relativa contribución de estas actividades y de los componentes moleculares es tejido específico, siendo un fenómeno que contribuye a las manifestaciones variables de las enfermedades mitocondriales humanas (Nunnari and Suomalainen 2012). Por ejemplo en el caso de los espermatozoides de los mamíferos, las mitocondrias forman una vaina de 20 a 70 mitocondrias restringidas a la pieza intermedia de la cola del espermatozoide y estabilizadas por puentes disulfuro, algo particular que no se encuentra en ninguna otra célula conocida (Moraes and Meyers 2018).

Figura 1. Análisis de la forma mitocondrial en en espermatozoides normales (a) y patológicos. (c) análisis semiautomático desarrollado en el entorno de FIJI (ImageJ) para la cuantificación de parámetros de forma y densidad mitocondrial. Microscopía Electrónica de Transmisión.

Si bien existen varias publicaciones donde se analizan los cambios morfo-funcionales de las mitocondrias tratando de dar respuesta a la fisiopatología de algunas enfermedades (Betzig et al. 2006; Nunnari and Suomalainen 2012; Picard, Wallace, and Burelle 2016; Zemirli, Morel, and Molino 2018), no existen trabajos en los cuales a través de este tipo de enfoque se estudian los modelos que nosotros utilizamos. Es por eso que nos propusimos generar descriptores de la morfología mitocondrial que tuvieran un significado funcional en diversos tipos celulares. Estos descriptores deberían detectar los fenómenos dinámicos en las células y también en varias de las patologías que se analizan. Parte de estos proyectos están incluidos en las tesis de dos estudiantes del grupo y se encuentra parcialmente financiado en el marco de un proyecto CSIC o no han sido financiados pero de todos modos se encuentran en marcha.

En el marco de la tesis de doctorado de Fernanda Skowronek se observó que es posible crear predictores de la forma mitocondrial en imágenes de espermatozoides humanos que podrían ser indicadores de espermatozoides defectuosos y ser utilizados en infertilidad masculina. Se logró la segmentación de las mitocondrias y a través del software de procesamiento de imágenes Fiji (Schindelin et al. 2012) se determinaron y analizaron distintos parámetros morfométricos de las mismas (figura 1). Estos resultados fueron presentados en el Primer Congreso Latinoamericano de Investigación y Educación Superior Interdisciplinaria. Incluso, aunque son datos preliminares, se observaron diferencias estadísticamente significativas entre pacientes y controles en algunos descriptores de forma mitocondrial (circularidad, redondez y solidez). Si bien estos datos fueron obtenidos a través del uso de microscopía electrónica de transmisión (MET), se han utilizado diseños similares en microscopía óptica. Nuestro grupo tiene una estrecha colaboración con el de la Dra. Patricia Cassina que se focaliza en el análisis de enfermedades neurodegenerativas. Ellos han observado una importante contribución de la disfunción mitocondrial en los astrocitos de modelos de animales  que son utilizados como modelo de ELA (Miquel et al. 2014). Siguiendo una metodología similar, mediante marcadores mitocondriales fluorescentes se analizó la dinámica mitocondrial de astrocitos observándose cambios significativos con respecto a los de los animales control (Rodríguez, 2016).

Sublinea: “La disfunción mitocondrial en la infertilidad masculina”

En el marco de la tesis de Maestría de Mariana Ford se buscó analizar la relación entre actividad mitocondrial y reacción acrosómica (RA). La RA es un evento que sufren los espermatozoides de mamíferos en el que liberan el contenido de enzimas del acrosoma (pequeña vesícula que se encuentra en la cabeza del espermatozoide maduro). La RA es imprescindible para que el espermatozoide se fusione con el  al ovocito y logre la fecundación. En la misma línea de trabajo que en los experimentos anteriores se utilizó Mitotracker Red (marcador fluorescente que se acumula en las mitocondrias activas) en espermatozoides humanos y de ratón. Se utilizaron también marcadores fluorescentes del acrosoma para lograr un análisis simultáneo de dos eventos celulares diferentes. Se observó una disminución de la fluorescencia en la pieza intermedia de espermatozoides que habían perdido el acrosoma (ver figura 2) indicando una relación entre ambos fenómenos. Estos datos han sido presentados en el XIV Congreso CIASEM en Cuba 2017 y son incluidos en un manuscrito que está siendo sometido a revisión.

Se comenzó a utilizar estas herramientas para marcar in vivo las células y realizar un seguimiento (tracking) de espermatozoides (figura 4). Con ello se logró identificar clusters o grupos de espermatozoides con diferente velocidad de trayectoria, abriendo la posibilidad de seguir “on line” fenómenos fisiológicos. Sin embargo aún no se ha podido determinar la trayectoria de aquellos espermatozoides más vigorosos ni correlacionarlos con la actividad mitocondrial, dato que nos permitiría detectar cual o cuales de los espermatozoides tiene mayor probabilidad de fecundar.

Figura 2. Izquierda: imagen de fluorescencia con dos piezas intermedias segmentadas automáticamente (canal rojo), la región 1 es No Reaccionada (NR) dado que tiene su acrosoma definido (canal verde) mientras que la región 2 es Reaccionada (R) y no se identifica su acrosoma. Centro: histograma de ambas regiones, arriba para la región 1, abajo para la región 2. Derecha: gráficas de intensidades medias por clase NR/R y control/Antimicina A (inhibidor mitocondrial).

En el marco de esta propuesta pretendemos analizar tanto en forma dinámica (time-lapse de espermatozoides vivos) como en forma estática los posibles cambios  de la morfología de la pieza intermedia y de las mitocondrias de espermatozoides cuando son sometidos a tratamientos que inhiben o estimulan las mitocondrias. Estudiaremos si existen cambios morfológicos de las mitocondria espermáticas en situaciones fisiológicas (del tipo de los ya descritos en la RA) y patológicas, por ejemplo frente al estrés oxidativo. Para ello se trabajará con espermatozoides humanos (provenientes de donantes que llegan a nuestro laboratorio y de un laboratorio privado andrológico con el cual colaboramos desde 2002). También se utilizarán modelos animales que incluyen animales normales y genéticamente modificados que expresan proteínas fluorescentes en sus mitocondrias o que carecen de canales de calcio con lo cual no pueden llevar a cabo la RA y son infértiles. Estos modelos nos permitirán entender la morfología espermática relacionada con la función, pero también el análisis de las mitocondria en procesos que aún no hemos abordado como espermatogénesis, fertilización, e incluso en los embriones post fecundados. Pretendemos generar algoritmos de análisis que puedan ser utilizados en otros organelos o situaciones relacionadas a nuestro problema experimental y al de otros colaboradores.

Análisis de imágenes de microscopía con tinciones histológicas

Responsable: Federico Lecumberry

La tinción de tejidos en histología permite resaltar ciertas estructuras u objetos de interés a través de la creación de contraste o colores diferenciados. Como en la microscopía de fluorescencia con el agregado de un fluoróforo, en este caso los colorantes identifican los objetos de interés que de otra forma presentan un gran desafío para los métodos (semi) automáticos a partir solamente las intensidades de las imágenes de lupa o microscopio. De esta forma, los objetos microscópicos y transparentes revelan su forma y tamaño o la presencia de estructuras internas y externas.

Sobre este tipo de imágenes es posible adaptar métodos de procesamiento de las imágenes para la detección, segmentación o cuantificación de parámetros asociados con el fenómeno fisiológico que se desea estudiar. En la figura 3 se muestran dos aplicaciones desarrolladas con colaboradores del Núcleo IMAGINA. La detección automática de leucocitos en sangre (figura 3, izquierda) fue realizada y posteriormente presentada a estudiantes de Liceos de Montevideo y el interior en el marco de la semana de la Ciencia 2017 por el Br. Erik Winiarski, FMed). La imagen de la figura 3 a la derecha fue obtenida y procesada en colaboración con el Dr. Javier Nogueira de la Facultad de Medicina y fue presentada en CIASEM-Cuba. En este caso se realiza la segmentación automática utilizando Level Sets de regiones tipo «barriles» de la representación neural de las vibrisas de los roedores en la corteza somatosensorial; luego se ajusta un malla (en amarillo) relacionando las diferentes regiones de interés. A partir de esta malla el objetivo es medir diferentes parámetros sobre la topología de la misma, los cuales se espera que puedan discriminar cambios en la organización celular y circuital del sistema nervioso asociados a patologías del neurodesarrollo.

Figura 3: Izquierda: detección automática de leucocitos (marcadas en cuadrados amarillos) en frotis sanguíneos a partir de descriptores de color. Derecha: Segmentación (curva celeste) y ajuste de malla (en amarillo) para la cuantificación de la topología de la representación neural de las vibrisas de los roedores a nivel de la corteza somatosensorial (en colaboración con el Dr. Javier Nogueira, FMed) (Scale bars: 500 um).

Estos dos ejemplos muestran una par de aplicaciones diferentes donde herramientas básicas o el ajuste y adaptación de métodos clásicos permiten resolver escenarios basados en tinciones histológicas. La propuesta de un método adaptado a cada uno de los problemas lleva a la evaluación y modificación de métodos básicos para el correcto funcionamiento del método bajo ciertas hipótesis de adquisición de los imágenes. Desde el estudio y ajuste de métodos existentes hasta la propuesta de un nuevo método ajustado a un problema particular, el conjunto de herramientas cubre varias áreas de interés del procesamiento de señales e imágenes en general.

Morfología de cilios primarios y móviles, formación del flagelo y de la vaina mitocondrial.   Relación con la fisiología celular y procesos patológicos

Responsable: Rossana Sapiro y Federico Lecumberry

Como se indicó pretendemos utilizar algoritmos similares a los propuestos para el análisis de la  morfología mitocondrial en otros organelos o procesos fisiológicos. Estudios de la Dra. Sapiro en movimiento flagelar (Zhang et al. 2006, 2002; R. Sapiro et al. 2000; Rossana Sapiro et al. 2002) la ha vinculado con otros grupos de investigación (Investigadores: Florencia Irigoin, José Badano) cuyo interés se centra en las cilias primarias.  La estructura de las mismas (denominada 9+0) comparte características morfológicas con cilias móviles y flagelos (9+2). Por ello es de interés de este grupo consolidar esta línea y poder eventualmente utilizar  descriptores para comprender la estructura del flagelo espermático, especialmente la flagelogénesis y su relación con la formación de la vaina mitocondrial. El poder obtener descriptores de tamaño y forma de las cilias permitiría seguir el desarrollo de estos organelos por lo que ya se generó una forma de automatizar la medida del largo de las mismas al mismo tiempo que se identifican (y cuentan) (Ramos et al. 2016). También se aplicó este procedimiento en la evaluación de los largos entre dos poblaciones de cilios permitiendo comparar el efecto de un tratamiento en la morfología de cilios primarios (Novas et al. 2018).

De esta forma se pretende relacionar la función de varios procesos celulares como son el transporte de macromoléculas en el citoplasma, la formación de fotoreceptores o la creación de varios fenotipos que conducen al Síndrome de Bardet-Biedl, línea  de trabajo de la Dra. Irigoin y el Dr. Badano. Las cilias primarias de estructura 9+0 están en la base de muchos de estos procesos pero se desconoce si la base molecular de estos fenómenos es común a todas las cilias y si involucra a los flagelos.

Desarrollo de sistemas de aprendizaje automático a partir de vectores de características extraídos de las imágenes para análisis o predicción.

Responsable: Federico Lecumberry

En la investigación biomédica se ha profundizado la necesidad de diferenciar y cuantificar imágenes de procesos celulares en condiciones normales, patológicas o bajo la acción de drogas o fármacos. Esto se ve reflejado en los datos obtenidos de la morfología de células y en las imágenes adquiridas. La posibilidad de extraer información significativa de una imagen a través de la extracción de un vector de características multidimensional se aproxima al concepto de fenómica (phenomics) propuesto entre otros por autores como Houle (Houle, Govindaraju, and Omholt 2010). Con este concepto se busca hacer un paralelismo entre genómica/fenómica y extender la idea de (secuenciar) extraer toda la información del genoma aun sin saber qué parte es la relacionada con los rasgos complejos que se quieren analizar. Así, proponen un fenotipado de gran escala, respondiendo a la pregunta ¿por qué no medirlo todo? como se hizo en el caso de la genómica.

Aplicado a la microscopía puede interpretarse como la adquisición de imágenes de células y tejidos que modifican su fenotipo ya sea en patologías, en tratamientos, o en test de drogas y la extracción de un gran conjunto de medidas (vector de características o descriptores (Bishop 2016)) que darán información sobre los fenómenos de interés. Este concepto planteado antes de 2010, hoy está presente en todas las ramas del conocimiento donde se manejan enormes cantidades de datos heterogéneos y del cual se buscan extraer respuestas a diferentes preguntas o directamente descubrir relaciones o patrones desconocidos previamente, conocido popularmente como Big Data. Los escenarios que se presentan son variados en relación a la cantidad N de datos o muestras de cada clase con la cantidad D de medidas o dimensión del vector de características. En muchos casos la alta dimensión de los vectores de características extraídos supera la cantidad de datos disponibles, por lo que deben utilizarse métodos de análisis donde el sobreajuste a los datos pueda ser controlado.

En el artículo de 2010, Houle sugiere métodos para el análisis de los datos como regresiones del tipo ridge o LASSO (Hastie, Tibshirani, and Friedman 2009) donde se introducen diferentes penalizaciones para el ajuste de los datos buscando una reducción de la dimensionalidad para su análisis posterior. Los avances recientes en el área de Aprendizaje Automático (Machine Learning) o Reconocimiento de Patrones (Pattern Recognition) sugieren nuevas aproximaciones alternativas para combinar estos avances a partir de datos extraídos de imágenes (Atkinson et al. 2017; Sonnenschein et al. 2015; Navarro et al. 2016; American Association for Cancer Research 2017; Singh et al. 2016)

Otro ejemplo de este tipo de enfoques fue realizado por nosotros (resultados no publicados aún) para la clasificación de las trayectorias de espermatozoides en time-lapse obteniendo cuatro grupos con trayectorias claramente diferenciadas a partir de una reducción de dimensiones basado en spectral clustering (von Luxburg 2007) (ver figura 4).

Desarrollo de herramientas para análisis de trayectorias

Responsable: Federico Lecumberry y Rossana Sapiro

Los primeros descriptores obtenidos por el GI  se basaron fundamentalmente en células fijadas o células vivas con adquisición de imágenes por corto tiempo. Ha surgido la necesidad de trabajar en células en movimiento (figura 4), en el registro de células por mayor tiempo o en el seguimiento de organelos que se desplazan en la célula.

Las hipótesis usuales de los métodos clásicos de seguimiento de objetos basados en flujo óptico (Szeliski 2010), filtrado de Kalman (Kalman 1960), tracker de Kanade-Lucas-Tomasi (Tomasi and Kanade 1991), entre otros, u otros más modernos e incluidos en paquetes como TrackMate (Tinevez et al. 2017) se basan en algún tipo de invarianza temporal de características de los objetos. Esta invarianza puede venir de valores de intensidades en la imagen o continuidad en la dirección de movimiento de los objetos. Usualmente este tipo de hipótesis son garantizadas con un muestreo temporal alto (número de imágenes por segundo) que permite eliminar ambigüedades en los desplazamientos y los objetos no cambian sustancialmente entre dos cuadros consecutivos. Sin embargo, en cierto tipo de adquisiciones estas hipótesis pueden ser desafiadas y en varios casos no cumplirse. En microscopía confocal la formación de la imagen se realiza mediante la evaluación de la intensidad secuencialmente en cada pixel de la imagen a través de un fotomultiplicador (Kubitscheck 2013) no mediante un array de sensores 2D como en el caso de una cámara convencional. Además, es usual realizar más de una medida en cada pixel de la imagen con el objetivo de reducir la cantidad de ruido de adquisición. Por esta razón, el número de imágenes por segundo que se pueden capturar en un microscopio confocal tradicional (sin Spinning Disk) como los disponibles en nuestro país está por debajo de los que garantizan un buen muestreo temporal. Sin embargo, es posible obtener resultados razonables con una supervisión y corrección de las trayectorias por parte del usuario. Si a esto le sumamos capturar más de un canal de fluorescencia (por ejemplo MitoTracker Red y Green) además de la imagen de luz transmitida, los tiempos de adquisición al menos se duplican comprometiendo aún más el desempeño de los algoritmos de seguimiento.

En este último escenario se plantea uno de las líneas que se desea explorar mediante un experimento donde existen al menos dos sub-poblaciones de espermatozoides que compiten en un contexto donde cierta reacción produce la fluorescencia en dos longitudes de onda diferentes por lo que es necesario aumentar el número de canales a adquirir. La evaluación tanto de los métodos clásicos, así como los más recientes será un primer paso una vez lograda la adquisición de las imágenes en la condiciones mencionadas. Evaluar su desempeño y determinar dónde pueden llegar a fallar las hipótesis o modelos asumidos es el primer paso para proponer un nuevo método que logre resolver el nuevo escenario de una forma satisfactoria.

Figura 4. Izquierda: Trayectorias extraídas de espermatozoides en time-lapse. Derecha: Cuatro posibles agrupamientos automáticos de las trayectorias obtenidos automáticamente, la trayectoria en amarillo es la «mediana» de las trayectoria dentro del agrupamiento correspondiente.

Estudio de técnicas de procesamiento de imágenes para la mejora en resolución y algoritmos de super-resolución en microscopía de fluorescencia

Responsable: Federico Lecumberry y Gregory Randall

El método científico se basa en la observación para generar hipótesis que serán (o no) refutadas a través de la experimentación y cuantificación de los resultados. Este ciclo de preguntas y respuestas que llevan a la evaluación de las hipótesis tiene en la formulación de los experimentos un paso clave donde se cuantifican los fenómenos de interés. En este punto la resolución, entendida como la capacidad de discriminar dos eventos diferentes, es una de las principales limitantes a las preguntas que se pueden plantear. El equipamiento científico juega entonces un papel clave y en microscopía en particular no es la excepción. La capacidad de los sistemas de imagenología de diferenciar la fuente de generación de un evento (representado como intensidades de píxeles) han definido las posibles preguntas que la microscopía puede responder; cuando el fenómeno que se quiere cuantificar (morfología, interacción, movimiento, etc.) es del orden de la resolución del sistema el error que se comete no es aceptable. En microscopía, la resolución está determinada principalmente por la longitud de onda de la fuente de iluminación de los objetos, usualmente fotones (microscopía óptica, fluorescencia) o electrones (microscopía electrónica) así como por características constructivas de los equipos.

En los últimos diez años se ha producido la revolución de la resolución o super-resolución tanto en microscopía de fluorescencia como electrónica (Neumann, Dickmanns, and Ficner 2018; Kühlbrandt 2014; Davis 2009; Schermelleh, Heintzmann, and Leonhardt 2010). Los premios Nobel de Química 2014 y 2017 son un reflejo de esta revolución. Como ya se mencionó, los diferentes métodos desarrollados han logrado sobrepasar el límite de resolución físico tradicional llegando en el caso de microscopía de fluorescencia a niveles nanométricos, y reemplazando el término microscopía por el de de nanoscopía (Sahl, Hell, and Jakobs 2017; Gustafsson et al. 2016).

Una de las opciones para sortear el límite de difracción es el encendido estocástico de los fluoróforos y la adquisición de una secuencia de imágenes. Cuando dos moléculas fluorescen simultáneamente a una distancia menor al límite de resolución el sistema no logrará diferenciarlas; si fluorescen de forma alternada (pero aleatoria), con la magnificación correcta, es posible identificar cada una de ellas separando su detección temporalmente. Esta es la idea fundamental de técnicas como PALM (Betzig et al. 2006), STORM (Rust, Bates, and Zhuang 2006), SOFI (Dertinger et al. 2011) o más recientemente SRRF (Gustafsson et al. 2016). La adquisición en el microscopio en lugar de ser una imagen es una secuencia de imágenes que deben ser procesadas para obtener una imagen de super-resolución.

En consecuencia, el procesamiento de señales e imágenes adquiere un papel relevante en el desarrollo de los algoritmos para el procesamiento de los datos adquiridos (Small and Stahlheber 2014; “The Quest for Quantitative Microscopy” 2012; Peng 2008). El desempeño de estos algoritmos afecta la calidad de los datos que se pueden obtener en al menos dos aspectos como son la precisión en la localización y el número de fluoróforos detectados, lo cual influye directamente en la resolución espacial final. También hay otros aspectos como la velocidad de procesamiento o la necesidad o no de equipamiento de alto desempeño son aspectos en los cuales puede existir nuevos desarrollos en el área de procesamiento de señales.

Los métodos anteriores requieren de la compra o construcción de un sistema de adquisición de la secuencia de imágenes. También existe otra familia de algoritmos que logran una mejora en la resolución de la imagen a través del proceso de eliminación de ruido y deconvolución (Sage et al. 2017). La correcta integración de estos métodos puede llevar a mejoras considerables en la calidad de la señal, con un ajustado modelado del proceso de adquisición de cada microscopio, entre otros, determinando la Point Spread Function, incluso sobrepasando el límite de resolución (Lam et al. 2017).

El objetivo de esta línea es el estudio, implementación y prueba de los algoritmos utilizados en algunos de los métodos de super-resolución; es posible acceder a implementaciones abiertas de los mismos (“Rhenriqueslab / NanoJ-SRRF / Wiki / Home — Bitbucket” n.d.; Dedecker et al. 2012) incluyendo datos crudos adquiridos y que han sido puestos a disposición por los autores. También se busca profundizar en el estudio de los métodos de deconvolución y el ajuste a los microscopios a los que se tiene acceso para la mejora de la calidad de la señal o incremento en la resolución de las imágenes.

Con esta línea se busca alcanzar el estado del arte en lo relacionado al conocimiento de los algoritmos de procesamiento de señales aplicado a la super-resolución. Sin embargo, la necesidad de la compra o construcción de equipamiento especializado para la adquisición de datos propios sigue siendo de vital importancia. En este sentido consideramos un gran aporte en esta dirección la propuesta a Fortalecimiento de Equipamiento Científico que ha presentado el Dr. Leonel Malacrida, además de ser uno de los candidatos a colaborar con este GI en caso que se concrete su retorno al país y lleve adelante la construcción del microscopio que ha propuesto. También debemos reiterar la  mención de los posibles colaboradores del grupo de Óptica del Instituto de Física de FIng.

Finalmente, es destacable la combinación de métodos de aprendizaje automático y los métodos de adquisición de super-resolución logrando acelerar el proceso de cómputo de los datos o utilizar menor cantidad de datos (Ouyang et al. 2018), o incluso alcanzando la super-resolución a partir de imágenes de microscopía de fluorescencia (Wang et al. 2018).

Referencias

American Association for Cancer Research. 2017. AACR 2017 Proceedings: Abstracts 3063-5947. CTI Meeting Technology.

Atkinson, Jonathan A., Guillaume Lobet, Manuel Noll, Patrick E. Meyer, Marcus Griffiths, and Darren M. Wells. 2017. “Combining Semi-Automated Image Analysis Techniques with Machine Learning Algorithms to Accelerate Large-Scale Genetic Studies.” GigaScience 6 (10): 1–7.

Betzig, Eric, George H. Patterson, Rachid Sougrat, O. Wolf Lindwasser, Scott Olenych, Juan S. Bonifacino, Michael W. Davidson, Jennifer Lippincott-Schwartz, and Harald F. Hess. 2006. “Imaging Intracellular Fluorescent Proteins at Nanometer Resolution.” Science 313 (5793): 1642–45.

Bishop, Christopher M. 2016. Pattern Recognition and Machine Learning. Springer.

Brown, Timothy A., Ariana N. Tkachuk, Gleb Shtengel, Benjamin G. Kopek, Daniel F. Bogenhagen, Harald F. Hess, and David A. Clayton. 2011. “Superresolution Fluorescence Imaging of Mitochondrial Nucleoids Reveals Their Spatial Range, Limits, and Membrane Interaction.” Molecular and Cellular Biology 31 (24): 4994–5010.

Cherry, Catherine, Brian Thompson, Neil Saptarshi, Jianyu Wu, and Josephine Hoh. 2016. “2016: A ‘Mitochondria’ Odyssey.” Trends in Molecular Medicine 22 (5): 391–403.

Davis, Ilan. 2009. “The ‘Super-Resolution’ Revolution.” Biochemical Society Transactions 37 (Pt 5): 1042–44.

Dedecker, Peter, Sam Duwé, Robert K. Neely, and Jin Zhang. 2012. “Localizer: Fast, Accurate, Open-Source, and Modular Software Package for Superresolution Microscopy.” Journal of Biomedical Optics 17 (12): 126008.

Dertinger, Thomas, Ryan Colyer, Robert Vogel, Mike Heilemann, Markus Sauer, Jörg Enderlein, and Shimon Weiss. 2011. “Superresolution Optical Fluctuation Imaging (SOFI).” In Advances in Experimental Medicine and Biology, 17–21.

Gurung, Prajwal, John R. Lukens, and Thirumala-Devi Kanneganti. 2015. “Mitochondria: Diversity in the Regulation of the NLRP3 Inflammasome.” Trends in Molecular Medicine 21 (3): 193–201.

Gustafsson, Nils, Siân Culley, George Ashdown, Dylan M. Owen, Pedro Matos Pereira, and Ricardo Henriques. 2016. “Fast Live-Cell Conventional Fluorophore Nanoscopy with ImageJ through Super-Resolution Radial Fluctuations.” Nature Communications 7 (August): 12471.

Gut, Philipp, and Eric Verdin. 2013. “The Nexus of Chromatin Regulation and Intermediary Metabolism.” Nature 502 (7472): 489–98.

Hastie, Trevor, Robert Tibshirani, and Jerome Friedman. 2009. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition. Springer Science & Business Media.

Houle, David, Diddahally R. Govindaraju, and Stig Omholt. 2010. “Phenomics: The next Challenge.” Nature Reviews. Genetics 11 (12): 855–66.

Kalman, R. E. 1960. “A New Approach to Linear Filtering and Prediction Problems.” International Journal of Engineering, Transactions A: Basics 82 (1): 35.

Kubitscheck, Ulrich. 2013. Fluorescence Microscopy: From Principles to Biological Applications. John Wiley & Sons.

Kühlbrandt, Werner. 2014. “Biochemistry. The Resolution Revolution.” Science 343 (6178): 1443–44.

Lam, France, Damien Cladière, Cyndélia Guillaume, Katja Wassmann, and Susanne Bolte. 2017. “Super-Resolution for Everybody: An Image Processing Workflow to Obtain High-Resolution Images with a Standard Confocal Microscope.” Methods  115 (February): 17–27.

Luxburg, Ulrike von. 2007. “A Tutorial on Spectral Clustering.” Statistics and Computing 17 (4): 395–416.

Miquel, Ernesto, Adriana Cassina, Laura Martínez-Palma, José M. Souza, Carmen Bolatto, Sebastián Rodríguez-Bottero, Angela Logan, et al. 2014. “Neuroprotective Effects of the Mitochondria-Targeted Antioxidant MitoQ in a Model of Inherited Amyotrophic Lateral Sclerosis.” Free Radical Biology and Medicine 70: 204–13.

Moraes, Christa R., and Stuart Meyers. 2018. “The Sperm Mitochondrion: Organelle of Many Functions.” Animal Reproduction Science. https://doi.org/10.1016/j.anireprosci.2018.03.024.

Navarro, Pedro J., Fernando Pérez, Julia Weiss, and Marcos Egea-Cortines. 2016. “Machine Learning and Computer Vision System for Phenotype Data Acquisition and Analysis in Plants.” Sensors  16 (5). https://doi.org/10.3390/s16050641.

Neumann, Piotr, Achim Dickmanns, and Ralf Ficner. 2018. “Validating Resolution Revolution.” Structure  26 (5): 785–95.e4.

Novas, Rossina, Magdalena Cardenas-Rodriguez, Paola Lepanto, Matías Fabregat, Magela Rodao, María Inés Fariello, Mauricio Ramos, et al. 2018. “Kinesin 1 Regulates Cilia Length through an Interaction with the Bardet-Biedl Syndrome Related Protein CCDC28B.” Scientific Reports 8 (1): 3019.

Nunnari, Jodi, and Anu Suomalainen. 2012. “Mitochondria: In Sickness and in Health.” Cell 148 (6): 1145–59.

Ouyang, Wei, Andrey Aristov, Mickaël Lelek, Xian Hao, and Christophe Zimmer. 2018. “Deep Learning Massively Accelerates Super-Resolution Localization Microscopy.” Nature Biotechnology. https://doi.org/10.1038/nbt.4106.

Peng, Hanchuan. 2008. “Bioimage Informatics: A New Area of Engineering Biology.” Bioinformatics  24 (17): 1827–36.

Picard, Martin, Douglas C. Wallace, and Yan Burelle. 2016. “The Rise of Mitochondria in Medicine.” Mitochondrion 30 (September): 105–16.

Ramos, Mauricio, Paola Lepanto, Florencia Irigoín, and Federico Lecumberry. 2016. “Medida Del Largo de Cilias Primarias: Un Plugin Para ImageJ.” Acta Microscopica 25 (A).

Reczek, Colleen R., and Navdeep S. Chandel. 2015. “ROS-Dependent Signal Transduction.” Current Opinion in Cell Biology 33 (April): 8–13.

“Rhenriqueslab / NanoJ-SRRF / Wiki / Home — Bitbucket.” n.d. Accessed May 5, 2018. https://bitbucket.org/rhenriqueslab/nanoj-srrf.

Rust, Michael J., Mark Bates, and Xiaowei Zhuang. 2006. “Sub-Diffraction-Limit Imaging by Stochastic Optical Reconstruction Microscopy (STORM).” Nature Methods 3 (10): 793–95.

Sage, Daniel, Lauréne Donati, Ferréol Soulez, Denis Fortun, Guillaume Schmit, Arne Seitz, Romain Guiet, Cédric Vonesch, and Michael Unser. 2017. “DeconvolutionLab2: An Open-Source Software for Deconvolution Microscopy.” Methods  115 (February): 28–41.

Sahl, Steffen J., Stefan W. Hell, and Stefan Jakobs. 2017. “Fluorescence Nanoscopy in Cell Biology.” Nature Reviews. Molecular Cell Biology 18 (11): 685–701.

Sapiro, Rossana, Igor Kostetskii, Patricia Olds-Clarke, George L. Gerton, Glenn L. Radice, and Jerome F. Strauss III. 2002. “Male Infertility, Impaired Sperm Motility, and Hydrocephalus in Mice Deficient in Sperm-Associated Antigen 6.” Molecular and Cellular Biology 22 (17): 6298–6305.

Sapiro, R., L. M. Tarantino, F. Velazquez, M. Kiriakidou, N. B. Hecht, M. Bucan, and J. F. Strauss 3rd. 2000. “Sperm Antigen 6 Is the Murine Homologue of the Chlamydomonas Reinhardtii Central Apparatus Protein Encoded by the PF16 Locus.” Biology of Reproduction 62 (3): 511–18.

Schermelleh, Lothar, Rainer Heintzmann, and Heinrich Leonhardt. 2010. “A Guide to Super-Resolution Fluorescence Microscopy.” The Journal of Cell Biology 190 (2): 165–75.

Schindelin, Johannes, Ignacio Arganda-Carreras, Erwin Frise, Verena Kaynig, Mark Longair, Tobias Pietzsch, Stephan Preibisch, et al. 2012. “Fiji: An Open-Source Platform for Biological-Image Analysis.” Nature Methods 9 (7): 676–82.

Singh, Arti, Baskar Ganapathysubramanian, Asheesh Kumar Singh, and Soumik Sarkar. 2016. “Machine Learning for High-Throughput Stress Phenotyping in Plants.” Trends in Plant Science 21 (2): 110–24.

Small, Alex, and Shane Stahlheber. 2014. “The Role of Image Analysis Algorithms in Super-Resolution Localization Microscopy.” In Fluorescence Microscopy, 227–42.

Sonnenschein, Anne, David VanderZee, William R. Pitchers, Sudarshan Chari, and Ian Dworkin. 2015. “An Image Database of Drosophila Melanogaster Wings for Phenomic and Biometric Analysis.” GigaScience 4 (May): 25.

Szeliski, Richard. 2010. Computer Vision: Algorithms and Applications. Springer Science & Business Media.

“The Quest for Quantitative Microscopy.” 2012. Nature Methods 9 (7): 627–627.

Tinevez, Jean-Yves, Nick Perry, Johannes Schindelin, Genevieve M. Hoopes, Gregory D. Reynolds, Emmanuel Laplantine, Sebastian Y. Bednarek, Spencer L. Shorte, and Kevin W. Eliceiri. 2017. “TrackMate: An Open and Extensible Platform for Single-Particle Tracking.” Methods  115 (February): 80–90.

Tomasi, Carlo, and Takeo Kanade. 1991. Detection and Tracking of Point Features.

Wang, Hongda, Yair Rivenson, Yiyin Jin, Zhensong Wei, Ronald Gao, Harun Gunaydin, Laurent Bentolila, and Aydogan Ozcan. 2018. “Deep Learning Achieves Super-Resolution in Fluorescence Microscopy.” https://doi.org/10.1101/309641.

Zemirli, Naima, Etienne Morel, and Diana Molino. 2018. “Mitochondrial Dynamics in Basal and Stressful Conditions.” International Journal of Molecular Sciences 19 (2). https://doi.org/10.3390/ijms19020564.

Zhang, Zhibing, Igor Kostetskii, Waixing Tang, Lisa Haig-Ladewig, Rossana Sapiro, Zhangyong Wei, Aatish M. Patel, et al. 2006. “Deficiency of SPAG16L Causes Male Infertility Associated with Impaired Sperm Motility.” Biology of Reproduction 74 (4): 751–59.

Zhang, Zhibing, Rossana Sapiro, David Kapfhamer, Maja Bucan, Jeff Bray, Vargheese Chennathukuzhi, Peter McNamara, et al. 2002. “A Sperm-Associated WD Repeat Protein Orthologous to Chlamydomonas PF20 Associates with Spag6, the Mammalian Orthologue of Chlamydomonas PF16.” Molecular and Cellular Biology 22 (22): 7993–8004.