LipidUNet-Machine Learning Based Method of Characterization and Quantification of Lipid Deposits Using iPSC-Derived Retinal Pigment Epithelium

El epitelio pigmentario de la retina (EPR) es una monocapa de células hexagonales ubicadas en la parte posterior del ojo. Proporciona alimento y apoyo a los fotorreceptores y capilares coroideos, realiza fagocitosis de segmentos externos fotorreceptores (POS) y secreta citoquinas de manera polarizada para mantener la homeostasis de la retina externa. El EPR disfuncional, causado por mutaciones, envejecimiento y factores ambientales, resulta en la degeneración de otras capas de la retina y causa pérdida de la visión. Una característica fenotípica distintiva de la degeneración del EPR son los depósitos ricos en lípidos intra y subcelulares. Estos depósitos son un fenotipo común en diferentes enfermedades degenerativas de la retina. Para reproducir el fenotipo de depósito lipídico de las degeneraciones retinianas monogénicas in vitro, se generó RPE derivado de células madre pluripotentes inducidas (iRPE) a partir de los fibroblastos de los pacientes. Las líneas celulares generadas a partir de pacientes con Stargardt y enfermedad de degeneración retiniana de inicio tardío (L-ORD) se alimentaron con POS durante 7 días para replicar la función fisiológica del EPR, lo que causó la patología inducida por fagocitosis POS en estas enfermedades. Para generar un modelo para la degeneración macular relacionada con la edad (DMAE), una enfermedad poligénica asociada con la activación alternativa del complemento, el iRPE fue desafiado con anafilatoxinas alternativas del complemento. Los depósitos lipídicos intra y subcelulares se caracterizaron utilizando rojo del Nilo, boro-diprometeno (BODIPY) y apolipoproteína E (APOE). Para cuantificar la densidad de los depósitos lipídicos, se desarrolló un software basado en el aprendizaje automático, LipidUNet. El software fue entrenado en imágenes de proyección de máxima intensidad de iRPE en superficies de cultivo. En el futuro, será entrenado para analizar imágenes tridimensionales (3D) y cuantificar el volumen de gotas de lípidos. El software LipidUNet será un recurso valioso para descubrir fármacos que disminuyan la acumulación de lípidos en modelos de enfermedades.