.
Os pesquisadores desenvolveram e demonstraram um novo método para classificação de células únicas de alto rendimento que usa espectroscopia Raman estimulada em vez da abordagem tradicional de classificação de células ativadas por fluorescência. A nova abordagem poderia oferecer uma maneira não destrutiva e sem rótulos de classificar células para uma variedade de aplicações, incluindo microbiologia, detecção de câncer e terapia celular.
Jing Zhang, da Universidade de Boston, apresentará esta pesquisa na Frontiers in Optics + Laser Science (FiO LS), que será realizada de 9 a 12 de outubro de 2023 no Greater Tacoma Convention Center em Tacoma (área metropolitana de Seattle), Washington.
“Nossa abordagem (ejeção celular ativada por Raman estimulada, S-RACE) oferece uma maneira inovadora de classificar células com base em sua composição química intracelular de maneira de alto rendimento”, explica Zhang. “Várias análises fenotípicas e/ou genômicas a jusante poderiam ser aplicadas às populações de células separadas. Além disso, sua compatibilidade com células pequenas é vantajosa para a classificação de bactérias e outros microrganismos. Por exemplo, ao empregar S-RACE, patógenos ou células que exibem perfis metabólicos específicos podem ser capturados diretamente de seu habitat natural, por exemplo, corpos d’água, solo ou trato gastrointestinal. O sequenciamento subsequente permite tarefas como identificação de taxonomia celular e avaliação de função ecológica.”
A citometria de fluxo é usada em muitos campos biomédicos para contar e caracterizar rapidamente vários tipos de células, incluindo células sanguíneas, células-tronco, células cancerígenas e microorganismos. A classificação de células com base no seu tamanho, granularidade ou expressão da superfície celular e moléculas intracelulares pode ser usada para obter insights sobre processos biológicos ou para separar células com certas características para análise adicional.
Embora a maioria dos métodos atuais de classificação de células de alto rendimento dependam de sinais de fluorescência para classificação, os rótulos de fluorescência podem perturbar a função celular e não podem ser usados com moléculas pequenas. A espectroscopia Raman é uma alternativa promissora porque oferece medição de célula única sem rótulo e não destrutiva, obtendo uma impressão digital química da célula. No entanto, tem sido difícil conseguir um sinal Raman forte e uma configuração microfluídica prática para imagens de células.
No novo trabalho, os pesquisadores descrevem como superaram esse desafio usando espectroscopia Raman estimulada, que produz um sinal várias ordens de magnitude superior ao espalhamento Raman espontâneo mais comumente usado. Para classificação, imagens Raman estimuladas são adquiridas para identificar objetos ou células de interesse e, em seguida, espelhos galvo 2D apontam um laser pulsado de 532 nm para a célula. Finalmente, um modulador acústico-óptico é usado como um seletor de pulso rápido, de modo que pulsos de laser únicos possam ser usados para empurrar a célula selecionada para dentro do coletor. Cada ejeção leva apenas cerca de 8 milissegundos.
Os pesquisadores demonstraram pela primeira vez seu método de ejeção de células ativadas por Raman estimulado usando uma mistura de esferas de polímero de 1 mícron, alcançando cerca de 95% de pureza e 98% de rendimento com cerca de 14 ejeções realizadas a cada segundo. Eles também mostraram que o método poderia ser usado com bactérias fixas.
Para aplicar o método de classificação às células vivas de levedura, os pesquisadores adicionaram uma fina camada de ágar ao módulo de ejeção para proteger as células do calor e da secagem e usaram um prato de ágar como coletor para fornecer mais amortecimento e umidade durante o pouso das células. Os pesquisadores usaram o sistema para ejetar aproximadamente 340 células de levedura e observaram o crescimento celular bem-sucedido na placa receptora após cerca de 40 horas. Eles também mostraram que outras abordagens de análise genômica, como a reação em cadeia da polimerase quantitativa, poderiam ser integradas à abordagem de classificação.
.
