Un approccio di deep learning per valutare le prestazioni del traffico transendoteliale delle cellule

Osservare le cellule immunitarie che attraversano il confine

I nostri corpi dipendono da cellule immunitarie in movimento che possono lasciare il flusso sanguigno, insinuarsi tra le cellule che rivestono i vasi e entrare nei tessuti per combattere infezioni e tumori. Questo attraversamento del confine è difficile da catturare in laboratorio, specialmente in condizioni realistiche di flusso sanguigno. L’articolo presenta un nuovo modo per osservare questo viaggio in dettaglio e poi consentire all’intelligenza artificiale (IA) di valutare rapidamente quanto efficacemente le cellule immunitarie riescono ad attraversare, con l’obiettivo di comprendere malattie come il cancro pancreatico e il declino immunitario legato all’età.

Come le cellule escono dai vasi sanguigni

Le cellule immunitarie non escono semplicemente dai vasi a caso. Seguono una serie di passi attentamente coreografati: prima vengono catturate dalla parete vascolare, poi rotolano lungo di essa, si fermano, strisciano e infine spingono tra o attraverso le cellule di rivestimento per raggiungere il tessuto oltre. Questo viaggio a più tappe, chiamato migrazione transendoteliale, dipende da una rete di agganci superficiali e molecole di segnalazione sia sulle cellule immunitarie sia sulle cellule che rivestono i vasi. Quando questa sequenza viene disturbata, le difese immunitarie possono indebolirsi, i tumori possono eludere l’attacco o un ingresso eccessivo di cellule può alimentare infiammazione cronica e malattie autoimmuni.

Perché i test di laboratorio tradizionali sono insufficienti

I saggi di laboratorio standard per la migrazione cellulare difficilmente riproducono le forze e le strutture che le cellule incontrano nei veri vasi sanguigni. Semplici sistemi basati su filtri permettono ai ricercatori di contare quante cellule attraversano una membrana, ma dipendono in gran parte dalla gravità e non possono imitare il taglio costante del sangue in flusso né rivelare ogni fase della sequenza di attraversamento. I modelli animali catturano maggiore complessità ma differiscono dalla biologia umana ed sono costosi e lenti. Un metodo più realistico, noto come saggio di adesione basato sul flusso, consente ai ricercatori di coltivare cellule endoteliali umane in canali stretti e far scorrere le cellule immunitarie su di esse sotto flusso controllato. Fino ad ora, questo metodo è stato limitato da una valutazione manuale laboriosa e dipendente dall’operatore di migliaia di cellule fotogramma per fotogramma.

Trasformare filmati di cellule in dati con l’IA

Gli autori hanno aggiornato il saggio basato sul flusso e lo hanno abbinato a un modello di deep learning per automatizzare l’analisi. Hanno coltivato cellule endoteliali umane all’interno di vetrini microfluidici, le hanno stimolate per esporre i giusti agganci superficiali e poi hanno fatto scorrere linfociti T marcati con fluorescenza su questa barriera vivente registrando immagini ad alta risoluzione con un microscopio confocale. Passaggi di elaborazione delle immagini hanno rimosso il rumore di fondo e separato le singole cellule T, permettendo la misurazione di semplici caratteristiche di forma come area cellulare, grado di allungamento e arrotondamento del contorno. Invece di chiedere all’IA di distinguere ogni sottile fase del percorso, il gruppo ha classificato le cellule in due stati chiave: quelle ancora sulla o nella parete vascolare e quelle che avevano completamente attraversato verso il lato opposto.

Cosa ha imparato la rete neurale

Utilizzando il framework Keras/TensorFlow, i ricercatori hanno addestrato un modello di deep learning a classificare ogni cellula segmentata come “transmigrata” o “non ancora transmigrata” sulla base di queste caratteristiche di forma. Il modello ha appreso che le cellule allungate con un alto rapporto di aspetto erano più probabilmente nel mezzo o alla fine dell’attraversamento, mentre le cellule più rotonde tendevano a essere ancora attaccate dal lato ematico. Quando testato su nuove immagini precedentemente non viste, il sistema ha identificato correttamente le cellule transmigrate con oltre il 93% di accuratezza e le cellule non transmigrate con circa l’88% di accuratezza, superando agevolmente i benchmark comuni per una classificazione automatica affidabile. Ciò che prima richiedeva circa dieci ore di punteggio manuale accurato da due esperti in cieco può ora essere fatto in pochi minuti, con maggiore coerenza e praticamente senza bias dell’operatore.

Mettere alla prova le cellule immunitarie di persone sane e pazienti oncologici

Per dimostrare che il metodo funziona attraverso la variabilità del mondo reale, il team ha applicato il loro saggio assistito dall’IA a linfociti T di donatori sani di diverse età e sessi, così come di pazienti con adenocarcinoma duttale pancreatico, un tumore noto per un ambiente tumorale fortemente ostile e una scarsa infiltrazione immunitaria. I donatori sani non hanno mostrato differenze significative nelle prestazioni di attraversamento in base all’età o al sesso. Al contrario, i linfociti T dei pazienti con cancro pancreatico erano marcatamente peggiori nel completare il percorso attraverso le cellule di rivestimento vascolare rispetto ai linfociti T di persone sane, indipendentemente dal fatto che il tumore portasse la comune mutazione KRAS o che il paziente avesse ricevuto chemioterapia. Questi risultati esplorativi suggeriscono che l’ambiente tumorale potrebbe lasciare un’impronta duratura sulle cellule immunitarie che indebolisce la loro capacità di traffico efficace.

Un nuovo strumento per studiare e personalizzare il traffico immunitario

Accoppiando un saggio realistico basato sul flusso con il deep learning, gli autori hanno creato una piattaforma pratica che trasforma complesse sequenze di immagini in misure rapide e standardizzate di quanto bene le cellule attraversano le pareti vascolari. L’approccio è abbastanza flessibile da poter essere riaddestrato per altre cellule immunitarie, cellule tumorali o strati endoteliali specifici per organo, e potrebbe essere esteso in futuro a modelli di vasi tridimensionali più complessi. Per i non specialisti, il messaggio chiave è che osservare e valutare il traffico delle cellule immunitarie non deve più essere un mestiere lento e manuale: con l’IA può diventare uno strumento robusto e ad alto rendimento che aiuta gli scienziati a indagare perché alcune risposte immunitarie falliscono e come nuovi trattamenti potrebbero ripristinare la capacità delle cellule di raggiungere i tessuti dove sono più necessarie.

Citazione: 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

Parole chiave: traffico delle cellule immunitarie, migrazione transendoteliale, microscopia con deep learning, saggio di adesione basato sul flusso, immunità nel cancro pancreatico