Deep characterization of red blood cells in sickle cell disease and other rare anemia disorders by microfluidics and machine learning algorithms

• Autores: Valeria Rizzuto
• Directores de la Tesis: Josep Samitier Martí (codir. tes.), María del Mar Mañú Pereira (codir. tes.), Rafael Oliva Virgili (tut. tes.)
• Lectura: En la Universitat de Barcelona ( España ) en 2022
• Idioma: inglés
• Tribunal Calificador de la Tesis: Ana Lagunas Targarona (presid.), Romen Rodriguez Trujillo (secret.), Maribel Díaz Ricart (voc.)
• Programa de doctorado: Programa de Doctorado en Medicina e Investigación Traslacional por la Universidad de Barcelona
• Materias:
  • Ciencias médicas
    • Epidemiología
    • Medicina forense
    • Medicina interna
      • Hematología
• Enlaces
  • Tesis en acceso abierto en: www.ub.edu
• Resumen

  • Introducción: Las anemias hemolíticas hereditarias raras (AHHR) constituyen un grupo muy heterogéneo de enfermedades minoritarias que presentan como característica una anemia de grado variable y elevada heterogeneidad clínica. El equilibrio entre la hemólisis, que se produce principalmente en el bazo, y la eritropoyesis describe parcialmente la gravedad de los pacientes con AHHR y su respuesta a los tratamientos. Nuevos medicamentos que apuntan a complicaciones especificas de las enfermedades están disponibles en el mercado o en ensayos clínicos. Por lo tanto, el diagnóstico diferencial, el pronóstico y la estratificación de los pacientes por gravedad o respuesta al tratamiento suelen ser un reto.

    Hipótesis: La disponibilidad de nuevos tratamientos constituye un reto para los médicos que necesitan comprender mejor qué tratamiento es el más adecuado y cuándo iniciarlo. El análisis de las propiedades reológicas de los glóbulos rojos a través de modelos de microfluidicos abre nuevas formas de abordar el diagnóstico y nuevas opciones terapéuticas para pacientes afectados, así como la posibilidad de predecir la gravedad o complicación de esta enfermedad. Esto permitirá la estratificación de los pacientes según la gravedad de la enfermedad y la respuesta a la terapia y, en consecuencia, abriría la posibilidad de un tratamiento personalizado.

    Metodologías: Se realizaron los siguientes estudios experimentales: 1- Desarrollo y optimización de Spleen microfluidic unit on a chip.

    2- Validación de Spleen microfluidic unit on a chip y análisis de trayectoria: se realizó un análisis de trayectoria de glóbulos rojos para calcular el T- Crossing (el tiempo que tarda un glóbulo rojo en cruzar las constricciones) y T-Restore (el tiempo que necesita un glóbulo rojo para restaurar su forma original después de cruzar la barrera de constricciones).

    3- Aplicación de análisis deep learning para glóbulos rojos que fluyen a través del Spleen microfluidic unit on a chip.

    4- Plataforma de Machine learning microfluidics para la evaluación de la plasticidad de glóbulos rojos en Deficiencia de Piruvato Quinasa.

    Resultados: 1) Se diseñó y fabricó una Spleen microfluidic unit on a chip con el objetivo de imitar la función de filtrado de la pulpa roja del bazo. Para encontrar una solución óptima para diluir las muestras de glóbulos rojos, se probaron diferentes combinaciones de reactivos.

    2) Se realizó análisis de video basado en análisis de trayectoria, para posteriormente calcular T-Crossing y T-Restore. La excentricidad y la distribución de la velocidad resultan casi idénticas antes y después del cruce, para donantes sanos. Esto indica la capacidad de la célula de volver a su forma inicial.

    3) Se desarrolló un algoritmo Deep Learning para el análisis de videos. El análisis de video se diseñó para pre procesar la secuencia de video, localizar y rastrear los glóbulos rojos y extraer la información necesaria para el reconocimiento automático del comportamiento celular patológico.

    4) La plataforma de Deep Learning y Spleen microfluidic unit on a chip se validó en la caracterización de la enfermedad de piruvato quinasa en glóbulos rojos murinos. En este estudio, se usaron muestras de ratones para probar la confiabilidad de la plataforma para la evaluación de la perdida de deformabilidad de los glóbulos rojos.

    Conclusiones: La combinación de la plataforma de Deep Learning y Spleen microfluidic unit on a chip constituye una herramienta de elevado potencial para el estudio de los trastornos de los glóbulos rojos.

    Los resultados de esta tesis indican que nuestra plataforma es una herramienta válida para discriminar pacientes con AHHR de donantes sanos, con una eficiencia del 91%, y entre trastornos específicos con una eficiencia del 82%.

    La caracterización del comportamiento reológico de los glóbulos rojos abre la posibilidad de aplicación para la estratificación de los pacientes según la gravedad de la enfermedad y la respuesta a los tratamientos y, en consecuencia, abriría la posibilidad de un tratamiento personalizado.