Оптичко снимање открива скриена активност во имуните клетки

Нова техника на оптичко метаболичко снимање овозможува да се измери активноста на поединечни имунолошки клетки во крвен примерок, без нивно обележување или оштетување. Методата би можела да помогне во проучувањето на инфекции, автоимуни заболувања, ракот и клеточните терапии.

Истражувачите анализирале периферни мононуклеарни крвни клетки (PBMC), разновидна група клетки што често се користи во медицинските истражувања. За разлика од стандардните техники со флуоресцентни маркери, новиот пристап ги користи природните флуоресцентни сигнали од молекулите вклучени во создавањето енергија во клетките.

Со помош на двофотонска микроскопија, тимот го мерел времетраењето на природната флуоресценција. Овие сигнали откриваат информации за метаболизмот и степенот на активираност на клетките, додека примерокот останува недопрен и клетките можат да се користат за дополнителни анализи.

Во примероци од тројца здрави донори, машинското учење ги разликувало активираните од неактивираните клетки со речиси 94 проценти точност, само два часа по стимулацијата. Моноцитите биле препознаени со точност од 96 проценти во мирување и 88 проценти по активирањето, додека природните клетки-убијци, познати како NK-клетки, биле идентификувани со приближно 74 проценти точност.

Мерењата на ниво на една клетка откриле и значителни разлики во метаболичката активност. Некои моноцити биле многу активни, додека други останале метаболички мирни — разлики што би се изгубиле при анализа на просечниот сигнал од целиот примерок.

Техниката засега е главно истражувачка и не ја достигнува точноста на воспоставените методи за препознавање на сите подтипови имунолошки клетки. Сепак, нејзината способност да ја мери функцијата на живи клетки без употреба на дополнителни реагенси може да биде особено корисна при процена на квалитетот на клетките пред производство на терапии, вклучително и CAR-T третмани.

Наодите покажуваат дека оптичкото снимање може да понуди повеќе од визуелен приказ на клетките. Во комбинација со машинско учење, тоа може да даде подетална слика за состојбата на имунолошкиот систем и да придонесе кон идни клинички примени.