Il quadro proposto, rapido e privo di etichette, può consentire la diagnosi, il trattamento e la prevenzione precoce delle malattie del fegato.
Malattia epatica steatotica (SLD), precedentemente nota come non alcolica malattia del fegato grassoche comprende una serie di condizioni causate dall’accumulo di grasso nel fegato dovuto ad un metabolismo lipidico anomalo, colpisce circa il 25% della popolazione mondiale, rendendolo il disturbo epatico più comune.
Spesso definita “malattia epatica silenziosa”, la SLD progredisce senza sintomi evidenti e può portare a condizioni più gravi come la cirrosi (cicatrici epatiche) e il cancro al fegato.
Una biopsia epatica, una procedura invasiva che prevede l’estrazione di campioni di tessuto epatico dal corpo, è il metodo convenzionale per testare il DSA. Per semplificare il rilevamento, un gruppo di ricerca guidato dal professor Kohei Soga dell’Università delle Scienze di Tokyo (TUS) aveva precedentemente introdotto l’imaging iperspettrale nel vicino infrarosso (NIR-HSI) come metodo non invasivo per visualizzare il contenuto lipidico totale nel fegato.
La luce NIR, con lunghezze d’onda maggiori (800-2500 nm) rispetto alla luce ultravioletta e visibile, mostra l’assorbimento attribuito a varie sostanze organiche, comprese le biomolecole nei tessuti, consentendo l’identificazione della distribuzione del grasso nel fegato.
Ora, in un nuovo studio pubblicato sulla rivista Rapporti scientificiil gruppo di ricerca, che comprende il Prof. Kohei Soga, il Professore associato Masakazu Umezawa e il Professore associato Masao Kamimura del TUS e la Professoressa Naoko Ohtani dell’Università metropolitana di Osaka, ha migliorato questo metodo facendo in modo che un modello di apprendimento automatico differenziasse il tipo di lipidi presenti nel fegato a livello pixel per pixel.
Il quadro differenzia i lipidi in base alla lunghezza della catena di idrocarburi (HCL) e al grado di saturazione (DS) degli acidi grassi, aiutando a stimare il rischio di progressione del SLD, della steatoepatite (NASH) e del cancro al fegato associato a SLD/NASH.
“Oltre alle informazioni qualitative, come il contenuto lipidico totale, ora possiamo visualizzare anche informazioni qualitative, come le caratteristiche della distribuzione degli acidi grassi contenuti nei lipidi, principalmente i trigliceridi”, dice il dottor Umezawa.
In particolare, l’identificazione dei lipidi in base alla composizione molecolare utilizzando NIR-HSI ha dovuto affrontare sfide dovute alla sovrapposizione degli spettri di assorbimento di varie biomolecole. Per risolvere questo problema, i ricercatori hanno utilizzato un modello di apprendimento automatico di regressione vettoriale di supporto, addestrato a riconoscere la composizione di 16 acidi grassi.
Questi dati di addestramento sono stati ottenuti attraverso l’analisi gascromatografica di campioni di fegato di topi alimentati con diete a diverso contenuto di grassi. Applicando l’apprendimento automatico ai dati NIR-HSI, è diventato possibile interpretare le informazioni spettrali in termini di distribuzione del grasso (DS e HCL) all’interno del fegato.
Il DS, che indica i doppi legami o il grado di saturazione degli acidi grassi, si calcola come il CH2 frazione dalla somma di CH e CH2 numeri. L’HCL, che rappresenta la lunghezza della catena dell’acido grasso, è determinato dal rapporto CH3 +C2 + CH + 1(COOH) si raggruppa nel numero di CH3 gruppi.
Utilizzando questo metodo, i ricercatori sono riusciti a determinare la composizione degli acidi grassi nel fegato dei topi, rivelando correlazioni con il contenuto di grassi nella loro dieta. Ad esempio, il fegato dei topi che seguivano una dieta ricca di grassi saturi come l’acido palmitico e l’acido miristico ha mostrato un DS notevolmente elevato, mentre i topi nutriti con grassi insaturi come l’acido α-linoleico hanno mostrato un DS basso.
Il DS, l’HCL e il contenuto lipidico totale sono stati rappresentati come una mappa a colori, offrendo una rappresentazione visiva unica della distribuzione del grasso nel fegato, semplificando così la diagnosi delle condizioni del fegato grasso. “La visualizzazione della distribuzione dei lipidi in informazioni di dimensione superiore piuttosto che utilizzare semplicemente il contenuto lipidico totale come singolo parametro fornisce un nuovo strumento per rivelare le condizioni fisiopatologiche delle malattie epatiche e del metabolismo”, osserva il dottor Umezawa.
Infatti, fornendo una tecnica rapida e senza etichetta per identificare il fegato grasso, che colpisce un ampio segmento di popolazione, il metodo potrebbe essere una potenziale alternativa alle procedure invasive di biopsia epatica, trasformando la cura del fegato.
Questo nuovo quadro potrebbe anche trovare potenziali applicazioni nella ricerca farmacologica, come il metabolismo, la tossicità e l’efficacia dei farmaci; studi sui disordini metabolici attraverso l’imaging metabolico; e identificare i soggetti che hanno risposto e che non hanno risposto negli studi clinici.
I ricercatori si aspettano inoltre che il quadro trovi applicazioni nell’identificazione di strategie nutrizionali personalizzate – piani di personalizzazione e ottimizzazione degli interventi per una migliore nutrizione – attraverso l’identificazione di biomarcatori e la previsione della risposta al trattamento. In sintesi, il nuovo quadro sviluppato dai ricercatori potrebbe rivoluzionare l’assistenza sanitaria e la ricerca correlata.
Da un’altra testata giornalistica. news de www.technology.org
