Científicos de la Universidad Rice y sus colaboradores en el Baylor College of Medicine (BCM) han demostrado un nuevo método para detectar la presencia de sustancias químicas peligrosas del humo del tabaco en la placenta humana con una velocidad y precisión sin precedentes. El equipo de investigación utilizó una combinación de técnicas de obtención de imágenes basadas en la luz y algoritmos de aprendizaje automático (ML) para identificar y etiquetar hidrocarburos aromáticos policíclicos (HAP) y sus derivados (PAC), compuestos tóxicos generados a través de la combustión incompleta de materiales orgánicos. La exposición a estos productos químicos durante el embarazo puede provocar consecuencias negativas para la salud, como parto prematuro, bajo peso al nacer y problemas de desarrollo.
“Nuestro trabajo aborda un desafío crítico en la salud materna y fetal al mejorar nuestra capacidad para detectar compuestos nocivos como los HAP y los PAC en muestras de placenta”, dijo Oara Neumann, científica investigadora de Rice que es la primera autora de un estudio publicado en Proceedings of the National Academy of Sciences.
“Los hallazgos revelan que la espectroscopia vibracional mejorada con aprendizaje automático puede distinguir con precisión entre muestras de placenta de fumadores y no fumadores”.
El nuevo método se utilizó para analizar las placentas de mujeres que informaron haber fumado durante el embarazo y de mujeres que se declararon no fumadoras, lo que confirmó que los HAP y los PAC estaban presentes solo en las muestras recogidas de las fumadoras. Los hallazgos ofrecen una herramienta fundamental para el control ambiental y de la salud, ya que permiten la identificación y el etiquetado de toxinas nocivas asociadas con el tabaquismo, así como otras fuentes, como incendios forestales, conflagraciones, sitios Superfund y otros entornos de alta contaminación y productos contaminados.
“La medición de los niveles de sustancias químicas ambientales en la placenta puede darnos una idea de las exposiciones que experimentaron tanto la madre como el bebé durante el embarazo”, dijo Melissa Suter, profesora adjunta de obstetricia y ginecología en BCM. “Esta información puede ayudarnos a entender cómo estas sustancias químicas pueden afectar el embarazo y el desarrollo del bebé y ayudar a los científicos a informar sobre las medidas de salud pública”.
La investigación se basó en la espectroscopia de superficie mejorada, un método que utiliza nanomateriales especialmente diseñados para amplificar la forma en que las longitudes de onda de luz específicas interactúan con compuestos específicos. En este caso, los investigadores aprovecharon las propiedades ópticas especiales de las nanocapas de oro diseñadas en el grupo de investigación de Fotónica y Plasmónica Nanoingeniería dirigido por Naomi Halas, profesora universitaria y profesora Stanley C. Moore de Ingeniería Eléctrica e Informática en Rice.
“Combinamos dos técnicas complementarias (espectroscopia Raman de superficie mejorada y absorción infrarroja de superficie mejorada) para generar firmas vibratorias altamente detalladas de las moléculas en las muestras de placenta”, dijo Halas, quien es la autora correspondiente del estudio.
Halas, junto con Peter Nordlander, titular de la Cátedra Wiess de Física y Astronomía y profesor de ingeniería eléctrica e informática, ciencia de los materiales y nanoingeniería en Rice, ha hecho importantes contribuciones a la plasmónica, el estudio de las oscilaciones colectivas inducidas por la luz de los electrones libres en la superficie de las nanopartículas metálicas. La espectroscopia de superficie mejorada aprovecha la plasmónica para hacer posible el estudio en profundidad de las estructuras moleculares con una resolución muy alta en las concentraciones traza que se encuentran en las muestras biológicas y ambientales.
La integración de los algoritmos de aprendizaje automático (CaPE, por sus siglas en inglés) y CaPSim, por sus siglas en inglés), reveló patrones sutiles en los datos que de otro modo habrían pasado desapercibidos. CaPE identificó firmas químicas clave de los conjuntos de datos complejos, mientras que CaPSim hizo coincidir estas señales con firmas químicas conocidas de HAP. Este resultado muestra el impacto transformador de las herramientas computacionales para aplicaciones médicas y de salud pública.
Ankit Patel, profesor adjunto de ingeniería eléctrica e informática en Rice y profesor adjunto de neurociencia en BCM, dijo que el aprendizaje automático sirvió para “desconectar el ‘ruido’ de los datos”.
“Es como el llamado ‘efecto cóctel'”, dijo Patel. “Imagínese una sala ruidosa y llena de gente con mucha gente hablando a la vez. Podemos centrar nuestra atención en una conversación en particular solo si dejamos de prestar atención al resto; de la misma manera, el aprendizaje automático puede analizar los datos espectrales asociados con los HAP y los PAC de manera mucho más efectiva que los humanos”.
Experimentos posteriores validaron los hallazgos de la investigación, confirmando que el nuevo método proporciona una alternativa funcional a las técnicas tradicionales, que requieren más trabajo y tiempo. Más allá de la exposición relacionada con el tabaquismo, la investigación podría permitir monitorear la exposición a toxinas ambientales después de desastres naturales o accidentes industriales, lo que brindaría a los proveedores de atención médica una forma más rápida y confiable de evaluar el riesgo y potencialmente mejorar los resultados de salud fetal y materna.
“Este nuevo método ofrece un nivel de detalle sin precedentes”, afirmó Bhagavatula Moorthy, catedrático de pediatría y neonatología de la Cátedra de Medicina Kurt Randerath en BCM.
“Esta investigación sienta las bases para ampliar la tecnología de detección ultrasensible de HAP y PAC en fluidos biológicos como la sangre y la orina, así como en el control ambiental de HAP, PAC y otros productos químicos peligrosos en el aire, el agua y el suelo, lo que ayuda a la evaluación de riesgos humanos”.
Otros coautores de Rice son el ex alumno de doctorado en informática Yilong Ju, que desarrolló el algoritmo ML, y Andrés Sánchez-Alvarado, un estudiante de doctorado en ingeniería eléctrica e informática del grupo de investigación de Halas que formó parte del equipo que llevó a cabo los experimentos.
Fuente: Medical Xpress.
