Captura y procesamiento de imágenes para el diagnóstico molecular de la Fibrosis Quística

Lorena  Diaz Mora; Mirtha Irizar Mesa

Autores/as

Lorena Diaz Mora Universidad Tecnológica de la Habana "José Antonio Echeverría"
Mirtha Irizar Mesa Universidad Tecnológica de la Habana "José Antonio Echeverría"

Palabras clave:

Fibrosis Quística, microarreglos, procesamiento de imágenes.

Resumen

La Fibrosis Quística es una enfermedad hereditaria presente en Cuba y para su diagnóstico confirmatorio se realiza la prueba del sudor como estándar de oro, mientras que el análisis genético se utiliza en la detección prenatal y preconcepcional de portadores con el fin de identificar el riesgo de tener un hijo con dicha enfermedad. El Centro de Inmunoensayo ha desarrollado un lector de microarreglos de ADN con la finalidad de mejorar el pesquisaje neonatal de la enfermedad, sin embargo carece de una aplicación para realizar la validación de la calidad de las muestras con precisión. Este trabajo presenta una herramienta computacional que permite obtener las imágenes a partir de la puesta en marcha del lector y procesar las mismas, transcurriendo por las tres etapas fundamentales en el procesamiento de imágenes de microarreglos. Se validó mediante pruebas funcionales que garantizan su correcto funcionamiento, permitiendo determinar las principales mutaciones causantes de la Fibrosis Quística en cada una de las muestras estudiadas, con alto grado de confiabilidad.

Citas

Armas, A., Figueredo, J. E., González, Y. J., Collazo, T., Santos, E. N., Barbón, C., Melchor, A. (2019). Perfil de las mutaciones del gen CFTR en una cohorte de pacientes cubanos con fibrosis quística. Genetica Médica y Genómica, 3(3): 67-73.

Belean, B., Gutt, R., Costea, C., & Balacescu, O. (2020). Microarray Image Analysis: From Image Processing Methods to Gene Expression Levels Estimation. IEEE Access, 8, 10. doi:10.1109

Bello, R., Colombini, M., & Takeda, E. (2015). Análisis de datos de microarrays de dos canales. Retrieved from http://www.dm.uba.ar

Bolón-Canedo, V., & Alonso-Betanzos, A. (2019). Microarray Bioinformatics In J. M. Walker (Series Ed.), J. M. Walker (Ed.), Methods in Molecular Biology, p. 299. Recuperado de: https://doi.org/10.1007/978-1-4939-9442-7

Farouk, R. M., & SayedElahl, M. A. (2016). Robust cDNA microarray image segmentation and analysis technique based on Hough circle transform. Human Frontier Science Program, (12): 235-245.

Gjerstad, Ø., Aakra, Å., & Indahl, U. (2009). Modelling and quality assessment of spots in digital images — With application to DNA microarrays. Chemometrics and Intelligent Laboratory Systems, (98): 10-23.

Kovalevsky, V. (2019). Modern Algorithm for Image Processing: Computer Imagery by Example Using C#. In W. Spahr, J. Murray, L. Berendson, & J. Balzano (Eds.). Recuperado de: https://doi.org/10.1007/978-1-4842-4237-7

R.M. Farouk, & SayedElahl, M. A. (2019). Microarray spot segmentation algorithm based on integro-differential operator. Egyptian Informatics Journal. doi:https://doi.org/10.1016/j.eij.2019.04.001

Shao D, G., Li, D., Zhang , J., Yang, J., & Shangguan, Y. (2019). Automatic microarray image segmentation with clustering-based algorithms. Plos ONE, 14(1): 22. doi:10.1371

SivaLakshmi, B., & Malleswara, N. N. (2018). Microarray Image Analysis using k-means Clustering Algorithm. International Journal of Research in Advent Technology, 6(12): 3796-3802.

V.G., B., & P., M. (2014). Fuzzy clustering algorithms for cDNA microarray image spots segmentation. Paper presented at the International Conference on Information and Communication Technologies (ICICT 2014). www.sciencedirect.com

Wu, E., A. Su, Y., Billings, E., Brooks, B. R., & Wu, X. (2012). Automatic Spot Identification for High Throughput Microarray Analysis. J Bioengineer & Biomedica, S5:005, 1-9. doi:10.4172/2155-9538.S5-005