Prévia do material em texto
1/3 Dispositivo bioeletrônico alcança controle sem precedentes da tensão da membrana celular Impulsionado por um algoritmo de aprendizado de máquina, o dispositivo bio-híbrido de circuito fechado manteve uma tensão de membrana definida em células-tronco humanas por 10 horas. Em uma impressionante demonstração de prova de conceito, uma equipe interdisciplinar de cientistas desenvolveu um sistema bioeletrônico impulsionado por um algoritmo de aprendizado de máquina que pode mudar a tensão da membrana em células vivas e mantê-la em um ponto definido por 10 horas. Cada célula viva mantém uma tensão através da membrana celular que resulta de diferenças nas concentrações de íons carregados dentro e fora da célula. Muitas vezes chamada de potencial de membrana ou potencial de repouso, essa tensão é regulada por canais iônicos na membrana celular e desempenha papéis importantes na fisiologia celular e funções como proliferação e diferenciação. Controlar células com bioeletrônica é difícil devido às formas complexas que as células respondem às mudanças em seu ambiente e ao processo natural de feedback auto-regulador conhecido como homeostase. As células regulam os movimentos iônicos para manter uma tensão constante da membrana, de modo que os pesquisadores tiveram que desenvolver um sistema que pudesse neutralizar essa resposta natural. “Os sistemas de feedback biológico são fundamentais para a vida, e seu mau funcionamento é frequentemente envolvido em doenças. Este trabalho demonstra que podemos ajustar esse feedback usando uma combinação de dispositivos bioeletrônicos atuados pelo aprendizado de máquina e 2/3 potencialmente restaurar seu funcionamento ”, disse Marco Rolandi, professor e presidente de engenharia elétrica e de computação da Escola de Engenharia da UC Santa Cruz Baskin. Os pesquisadores desenvolveram um sistema envolvendo uma série de bombas de prótons bioeletrônicas que adicionam ou removem íons de hidrogênio da solução nas proximidades de células- tronco humanas cultivadas. As células foram geneticamente modificadas para expressar uma proteína fluorescente na membrana celular que responde a mudanças na tensão da membrana. O sistema é controlado por um algoritmo de aprendizado de máquina que rastreia como a tensão da membrana responde aos estímulos das bombas de prótons. “É um sistema de circuito fechado, na qual ele registra o comportamento das células, determina qual intervenção fornecer usando as bombas de prótons, vê como as células reagem e determina a próxima intervenção necessária para alcançar e manter o status de tensão da membrana que desejamos”, explicou Rolandi. - O professor. Gomez, que desenvolveu o algoritmo de aprendizado de máquina, disse que o algoritmo não é treinado com antecedência e não depende de um modelo do sistema. Em vez disso, o “aprendizagem” acontece em tempo real, pois a rede neural responde à entrada em relação ao estado atual da tensão da membrana. “A natureza adaptativa da biologia – isto é, a capacidade das células de mudar sua resposta a estímulos externos – pede uma abordagem adaptativa nos controles, onde modelos estáticos e informações passadas podem se tornar obsoletos”, disse Gomez. Como a tensão da membrana das células-tronco é diferente da das células maduras e diferenciadas, os pesquisadores estão interessados na possibilidade de usar o sistema para induzir e direcionar a diferenciação de células-tronco em tipos específicos de células. No entanto, eles não analisaram explicitamente a diferenciação celular neste estudo de prova de conceito. Mais amplamente, a combinação de bioeletrônica e aprendizado de máquina em um sistema bio-híbrido de loop fechado tem muitas aplicações potenciais em medicina regenerativa e biologia sintética, disse Rolandi. Ele observou que os resultados deste estudo informarão o trabalho da equipe sobre um grande esforço para desenvolver uma “faixa inteligente” que fornece controle inteligente bioeletrônico da regeneração da ferida. “Este estudo é uma prova importante de conceito para o uso de bioeletrônica e aprendizado de máquina para controlar as funções celulares”, disse ele. Referência: J. Selberg et. al., Bioeletrônica orientada para Machine Learning para controle de circuito fechado de células, Adv. A Intell. A Syst. (2020) doi:10.1002/aisy.202000140 Adaptado do comunicado de imprensa ASN WeeklyTradução Inscreva-se para receber nossa newsletter semanal e receba as últimas notícias científicas diretamente na sua caixa de entrada. https://news.ucsc.edu/2020/02/wound-healing.html https://onlinelibrary.wiley.com/doi/full/10.1002/aisy.202000140 https://www.eurekalert.org/pub_releases/2020-09/uoc--bda092320.php 3/3 ASN WeeklyTradução Inscreva-se no nosso boletim informativo semanal e receba as últimas notícias científicas.