Metodo basato sull'apprendimento automatico di LipidUNet per la caratterizzazione e la quantificazione dei depositi lipidici utilizzando l'epitelio pigmentato retinico derivato da iPSC

L'epitelio pigmentato retinico (RPE) è un monostrato di cellule esagonali situato nella parte posteriore dell'occhio. Fornisce nutrimento e supporto ai fotorecettori e ai capillari coroideali, esegue la fagocitosi dei segmenti esterni dei fotorecettori (POS) e secerne citochine in modo polarizzato per mantenere l'omeostasi della retina esterna. L'RPE disfunzionale, causata da mutazioni, invecchiamento e fattori ambientali, provoca la degenerazione di altri strati retinici e causa la perdita della vista. Una caratteristica fenotipica della degenerazione dell'RPE sono i depositi ricchi di lipidi intra e subcellulari. Questi depositi sono un fenotipo comune in diverse malattie degenerative della retina. Per riprodurre il fenotipo del deposito lipidico delle degenerazioni retiniche monogeniche in vitro, è stata generata RPE derivata da cellule staminali pluripotenti (iRPE) indotta dai fibroblasti dei pazienti. Le linee cellulari generate da pazienti con malattia da degenerazione retinica di Stargardt e ad esordio tardivo (L-ORD) sono state alimentate con POS per 7 giorni per replicare la funzione fisiologica RPE, che ha causato la patologia indotta dalla fagocitosi POS in queste malattie. Per generare un modello per la degenerazione maculare legata all'età (AMD), una malattia poligenica associata all'attivazione del complemento alternativo, l'iRPE è stato sfidato con anafilatossine del complemento alternative. I depositi lipidici intra e subcellulari sono stati caratterizzati utilizzando rosso del Nilo, boro-dipirrometene (BODIPY) e apolipoproteina E (APOE). Per quantificare la densità dei depositi lipidici, è stato sviluppato un software basato sull'apprendimento automatico, LipidUNet. Il software è stato addestrato su immagini di proiezione a massima intensità di iRPE su superfici di coltura. In futuro, sarà addestrato ad analizzare immagini tridimensionali (3D) e quantificare il volume delle goccioline lipidiche. Il software LipidUNet sarà una risorsa preziosa per scoprire farmaci che riducono l'accumulo di lipidi nei modelli di malattia.