Un enfoque de aprendizaje profundo para evaluar el rendimiento del tráfico transendotelial de células

Observando cómo las células inmunitarias cruzan la frontera

Nuestros cuerpos dependen de células inmunitarias móviles que pueden salir del torrente sanguíneo, colarse entre las células que recubren los vasos y entrar en los tejidos para combatir infecciones y cánceres. Capturar este acto de cruce de fronteras en el laboratorio es difícil, sobre todo bajo condiciones realistas de flujo sanguíneo. El artículo presenta una nueva forma de observar este viaje en detalle y luego permitir que la inteligencia artificial (IA) puntúe rápidamente hasta qué punto las células inmunitarias consiguen cruzar, con la intención de entender enfermedades como el cáncer de páncreas y el declive inmunitario relacionado con la edad.

Cómo las células escapan de los vasos sanguíneos

Las células inmunitarias no se limitan a salir de los vasos sanguíneos al azar. Siguen una serie de pasos cuidadosamente coreografiados: primero son capturadas por la pared del vaso, luego ruedan a lo largo de ella, se detienen, se desplazan y finalmente se abren paso entre o a través de las células del endotelio para alcanzar el tejido. Este viaje en varios pasos, llamado migración transendotelial, depende de una red de ganchos de superficie y moléculas de señalización tanto en las células inmunitarias como en las células que recubren los vasos. Cuando esta secuencia se altera, las defensas inmunitarias pueden fallar, los tumores pueden eludir el ataque o una entrada excesiva de células puede impulsar inflamación crónica y enfermedades autoinmunes.

Por qué las pruebas de laboratorio tradicionales se quedan cortas

Los ensayos estándar de laboratorio para la migración celular rara vez reproducen las fuerzas y las estructuras que las células encuentran dentro de vasos reales. Los sistemas sencillos basados en filtros permiten a los investigadores contar cuántas células atraviesan una membrana, pero dependen en gran medida de la gravedad y no pueden imitar el cizallamiento constante de la sangre en flujo ni revelar cada paso de la secuencia de cruce. Los modelos animales capturan más complejidad, pero difieren de la biología humana y son costosos y lentos. Un método más realista, conocido como ensayo de adhesión en flujo, permite cultivar células endoteliales humanas en canales estrechos y hacer circular células inmunitarias sobre ellas bajo flujo controlado. Hasta ahora, este método se ha visto limitado por la puntuación manual, laboriosa y dependiente del operador, de miles de células fotograma a fotograma.

Convertir películas de células en datos con IA

Los autores mejoraron el ensayo en flujo y lo emparejaron con un modelo de aprendizaje profundo para automatizar el análisis. Cultivaron células endoteliales humanas dentro de portaobjetos microfluídicos, las estimularon para que mostraran los ganchos de superficie adecuados y luego hicieron fluir linfocitos T marcados con fluorescencia sobre esta barrera viva mientras grababan imágenes de alta resolución con un microscopio confocal. Pasos de procesamiento de imagen eliminaron el ruido de fondo y separaron células T individuales, lo que permitió medir características simples de forma, como el área celular, el grado de elongación y cuán redondeados aparecían sus contornos. En lugar de pedir a la IA que distinguiera cada fase sutil del viaje, el equipo agrupó las células en dos estados clave: aquellas todavía sobre o en la pared del vaso y las que ya habían cruzado completamente al lado opuesto.

Lo que aprendió la red neuronal

Usando el marco Keras/TensorFlow, los investigadores entrenaron un modelo de aprendizaje profundo para clasificar cada célula segmentada como “transmigrada” o “aún no transmigrada” en función de estas características de forma. El modelo aprendió que las células elongadas con una relación de aspecto alta tenían más probabilidades de estar en medio del cruce o de haberlo completado, mientras que las células más redondeadas tendían a estar todavía adheridas en el lado sanguíneo. Al probarse con imágenes nuevas y no vistas previamente, el sistema identificó correctamente las células transmigradas con más del 93% de precisión y las no transmigradas con aproximadamente un 88% de precisión, superando con holgura los puntos de referencia comunes para una clasificación automatizada fiable. Lo que antes requería alrededor de diez horas de puntuación manual cuidadosa por dos expertos cegados ahora puede realizarse en minutos, con mayor consistencia y prácticamente sin sesgo del operador.

Probando células inmunitarias de personas sanas y pacientes con cáncer

Para demostrar que el método funciona frente a la variación del mundo real, el equipo aplicó su ensayo asistido por IA a células T de donantes sanos de distintas edades y sexos, así como de pacientes con adenocarcinoma ductal pancreático, un cáncer conocido por su microambiente tumoral muy hostil y la pobre infiltración inmunitaria. Los donantes sanos no mostraron diferencias importantes en el rendimiento de cruce por edad o sexo. En contraste, las células T de los pacientes con cáncer de páncreas eran notablemente peores en completar el trayecto a través de las células que recubren los vasos que las células T de personas sanas, independientemente de si el tumor portaba una mutación común en KRAS o si el paciente había recibido quimioterapia. Estos resultados exploratorios sugieren que el microambiente tumoral puede dejar una marca duradera en las células inmunitarias que debilita su capacidad de traficar eficazmente.

Una nueva herramienta para estudiar y adaptar el tráfico inmunitario

Al combinar un ensayo realista en flujo con aprendizaje profundo, los autores han creado una plataforma práctica que convierte secuencias de imágenes complejas en mediciones rápidas y estandarizadas de la capacidad de las células para cruzar las paredes vasculares. El enfoque es lo suficientemente flexible como para volver a entrenarse para otros tipos de células inmunitarias, células tumorales o capas endoteliales específicas de órganos, y podría ampliarse a modelos vasculares tridimensionales más complejos en el futuro. Para los no especialistas, el mensaje clave es que observar y puntuar el tráfico de células inmunitarias ya no tiene por qué ser una labor lenta y manual: con IA, puede convertirse en una herramienta robusta y de alto rendimiento que ayuda a los científicos a investigar por qué algunas respuestas inmunitarias fallan y cómo nuevos tratamientos podrían restaurar la capacidad de las células para alcanzar los tejidos donde más se necesitan.

Cita: Schumacher, T.M., Gottloeber, E.M., Koziel, E. et al. A deep learning approach to assess transendothelial cell trafficking performance. Sci Rep 16, 11602 (2026). https://doi.org/10.1038/s41598-026-46045-4

Palabras clave: tráfico de células inmunitarias, migración transendotelial, microscopía con aprendizaje profundo, ensayo de adhesión en flujo, inmunidad en el cáncer de páncreas