LipidUNet-Machine Learning-baserad metod för karakterisering och kvantifiering av lipidavlagringar med hjälp av iPSC-härlett retinalt pigmentepitel

Retinal pigmentepitel (RPE) är ett monolager av sexkantiga celler som ligger på baksidan av ögat. Det ger näring och stöd till fotoreceptorer och koroidala kapillärer, utför fagocytos av fotoreceptor yttre segment (POS) och utsöndrar cytokiner på ett polariserat sätt för att upprätthålla homeostas i den yttre näthinnan. Dysfunktionell RPE, orsakad av mutationer, åldrande och miljöfaktorer, resulterar i degenerering av andra näthinnelager och orsakar synförlust. En kännetecknande fenotypisk egenskap hos degenererande RPE är intra- och subcellulära lipidrika avlagringar. Dessa avlagringar är en vanlig fenotyp över olika retinala degenerativa sjukdomar. För att reproducera lipidinsättningsfenotypen av monogena retinala degenerationer in vitro genererades inducerad pluripotent stamcellshärledd RPE (iRPE) från patienternas fibroblaster. Cellinjer genererade från patienter med Stargardt och sen debut retinal degeneration (L-ORD) sjukdom matades med POS i 7 dagar för att replikera RPE fysiologisk funktion, vilket orsakade POS-fagocytosinducerad patologi vid dessa sjukdomar. För att generera en modell för åldersrelaterad makuladegeneration (AMD), en polygen sjukdom associerad med alternativ komplementaktivering, utmanades iRPE med alternativa komplementanafylatoxiner. De intra- och subcellulära lipidavlagringarna karakteriserades med användning av Nilröd, bor-dipyrrometen (BODIPY) och apolipoprotein E (APOE). För att kvantifiera tätheten av lipidavlagringar utvecklades en maskininlärningsbaserad programvara, LipidUNet. Programvaran tränades på projektionsbilder med maximal intensitet av iRPE på odlingsytor. I framtiden kommer det att tränas för att analysera tredimensionella (3D) bilder och kvantifiera volymen av lipiddroppar. Programvaran LipidUNet kommer att vara en värdefull resurs för att upptäcka läkemedel som minskar lipidackumulering i sjukdomsmodeller.