NEUROREG adminnb 18 de agosto de 2022

NEUROREG

Medicina regenerativa aplicada a lesiones medulares y daños en el sistema nervioso periférico: nuevos productos en terapia avanzada y herramientas de diagnóstico

INNPACTO 2011 – 2013 Ministerio de Ciencia e Innovación

Código Proyecto: IPT-2011-0742-900000

Préstamo concedido: 322.062,03€

Proyecto financiado por el Ministerio de Ciencia e Innovacióndentro del Plan Nacional de Investigación Científica, Desarrollo e Innovación Tecnológica, 2008-2011, bajo la convocatoria 2011 del Programa de Cooperación Público-Privado, Subprograma INNPACTO.

El objetivo principal del Proyecto NeuroReg fue la generación de nuevos productos de medicina regenerativa y herramientas de diagnóstico para lesiones medulares y daños en el sistema nervioso periférico, combinando tres aspectos:

  1. Células, especialmente células madre mesenquimales, por su potencial para el desarrollo de terapias celulares
  2. Biomateriales innovadores que sirvan de soporte bioactivo para el desarrollo de tecnologías de Ingeniería de Tejidos 
  3. Tecnologías basadas en sistemas de análisis de imagen y software, con todas las posibilidades que ofrecen para el diagnóstico y seguimiento del tratamiento de las nuevas terapias avanzadas en la regeneración de lesiones nerviosas.

Actividad de NorayBio

Desarrollar un prototipo de software llamado NEUROMASS, para el análisis de muestras de tejido nervioso mediante el análisis de imagen por espectrometría de masa (IMS), que permita identificar regiones diferenciales del tejido nervioso y asociarlas a compuestos mediante diversas técnicas estadísticas para obtener, entre otros, regiones diferenciales por su composición, marcadores y localización de compuestos.

Desarrollado en colaboración con:

Histocell, S.L.
Universidad del País Vasco
Fundación para la Investigación Biosanitaria de Andalucía Oriental Alejandro Otero
Fundación Hospital Nacional de Parapléjicos

Resultados del proyecto: MSI Analyst

A partir del proyecto NEUROREG se ha implementado un nuevo software para estudios de Espectrometría de Masas por Imagen. MSI Analyst permite el procesado y visualización del experimentos de MSI, e integra una serie de herramientas de minería de datos que ofrece nuevas perspectivas de análisis y una mejor interpretación de los datos.

MSI Analyst trabaja con los formatos de los más importantes distribuidores, además de otros estándares como imzML. Incluye también las herramientas clásicas para procesado de datos de espectrometría de masas, además de otros desarrollos propios (por ejemplo, ocho tipos diferentes de normalización), y herramientas gráficas que ofrecen una nueva experiencia de visualización al investigador. Además integra funcionalidades para la identificación semi-automática de picos contra una base de datos adaptable de moléculas.

Funcionalidades destacadas

  • Procesado rápido y exhaustivo. Importar, filtrar, alinear y normalizar para obtener los datos listos en solo un par de minutos.
  • Visualización intuitiva y potente, a través de nuevos componentes y herramientas de visualización, gracias a la tecnología XNA.
  • Automatización de la extracción de conocimiento. Las herramientas de minería de datos integradas automatizan la detección de regiones diferenciales, así como la selección de compuestos.
  • Fácil gestión de los experimentos, procesos y compuestos.
  • Informes automatizados. Obtén un exhaustivo informe de tus resultados con solo un clic.

Características principales

Pre-tratamiento de Datos

  • Filtrado de masas.
  • Filtrado por intensidad (Ratio Señal-ruido / Porcentaje del Máximo / Ajuste Polinómico).
  • Descarte de picos.
  • Métodos de Binning: Standard Binning / Centre of Mass Binning.
  • Smoothing: método de Savitzky-Golay.
  • Corrección de línea base: Por Tramos/ Ajuste Polinómico.
  • Selección de picos: Naïve / Simple Peak Finding.
  • Previsualización instantánea de los efectos de los filtros para facilitar la toma de decisiones.

Alineado y Calibración

  • Alineado: Alineado en Bloque / Método de Xiong.
  • Calibración en Bloque.

Normalización

  • 8 métodos de normalización: Total Ion Current / P-norm / Mean / Median / Noise Level / Maximum / TIC with range exclusion / Normalization against selected peak.

Gestión de datos

  • Gestión de experimentos intuitiva: Listado / Filtrados / Visualización en árbol de todos los procesos llevados a cabo sobre un experimento.
  • Base de datos de Compuestos: Búsquedas / Importación desde archivo o inserción manual / Edición / Agrupado de compuestos.
  • Informes automatizados y exhaustivos.

Visualización de datos

  • Distribución de Picos: representa y examina distribuciones bidimensionales de moléculas en un tejido.
  • Obtiene espectros medios del experimento o de una región de interés.
  • Identificación de compuestos.
  • Visualización de “mass videos» a partir de imágenes de la representación sobre el tejido de cada uno de los picos interesantes del espectro medio.
  • Más de 20 gradientes de color.
  • Ajuste de los rangos color-intensidad.
  • Zoom sobre las imágenes y los espectros.

Base de Datos de Compuestos

  • Exportación a archivo de imágenes y espectros.
  • Importación, búsqueda y gestión de compuestos.
  • La base de datos actualizable contiene más de 33.000 lípidos pre-cargados, aunque se adapta a cualquier tipo de molécula.
  • Identificación de picos. Encuentra todos los compuestos ionizados candidatos para un pico en particular / Obtiene una lista de candidatos para todos los picos en el espectro medio.

Análisis Estadístico: Principal Component Analysis

  • Tres algoritmos: PCA Clásico / PCA Iterativo / Landmark Isomap.
  • Encuentra de manera automática regiones del tejido diferenciadas según su composición.
  • Visualiza la distribución de componentes individuales.
  • Muestra el gráfico de coeficientes de las Componentes Principales.

Análisis Estadístico: Clustering

  • Dos algoritmos: K-MEANS / Partitional Hierarchical Clustering.
  • Encuentra de manera automática regiones del tejido diferenciadas y asigna cada punto del tejido a una de ellas.
  • Muestra los espectros medios de cada cluster.
  • Identificación de biomarcadores: Obtiene los principales picos involucrados en un cluster.

Referencias

  • R. Fernández, S. Lage, B. Abad, G. Barceló, S. Terés, D. H. López, F Guardiola, M. L. Martín, P. V. Escribá and J. A. Fernández. Analysis of the lipidome of xenografts using MALDI-IMS and UHPLC-ESI-QTOF, J. Am. Soc. Mass Spectrom. 2014, Accepted for publication

También fue revisado en la siguiente publicación:

  • David Fernández (2012) Minería de datos aplicada a Imagen por Espectrometría de Masas. LifeSciencesLab, Num. 24