Ep 33 — Biomedicina: Diagnóstico por espectroscopia infrarroja de tejidos y fluidos corporales

Serie: Enciclopedia de espectroscopia infrarroja: de los principios a la práctica
Capítulo: Tercera parte · Nivel intermedio — Aplicaciones industriales (segmento final)
Público objetivo: Estudiantes de posgrado en física médica/ingeniería biomédica, personal de laboratorio clínico, investigadores en espectroscopia biológica, estudiantes de pregrado interesados en la traducción de la espectroscopia a la medicina
Conocimientos previos: Ep 06 (Amida I/II), Ep 14 (ATR), Ep 19 (Búsqueda en bibliotecas), Ep 26 (imágenes μ-FTIR), Ep 31 (μ-FTIR de fibras individuales)
Tiempo de lectura: Aprox. 45 minutos

Introducción: ¿Puede una gota de suero decirle a un médico si tiene cáncer?

Una línea principal de la espectroscopia infrarroja biomédica es: si las bandas de amida de proteínas, lípidos y absorciones relacionadas con ácidos nucleicos en tejidos y fluidos corporales pueden respaldar la clasificación de enfermedades. Los hitos tempranos provienen principalmente de imágenes FTIR de cortes de tejido y clasificación quimiométrica (por ejemplo, el trabajo de Lasch et al. en Analytical Chemistry y otras revistas) [1]; también hay numerosos estudios exploratorios sobre detección en suero/plasma, pero los valores de sensibilidad/especificidad dependen en gran medida de la cohorte, el preprocesamiento y el método de validación, no deben interpretarse como una promesa de aplicabilidad clínica.

Los marcadores tumorales tradicionales (como CA15-3) también están limitados por el estadio y el propósito, por lo que no es apropiado comparar directamente un número de un estudio infrarrojo con otro usando un simple 'quién es más alto'. Este episodio presenta los fundamentos espectrales, las bandas comunes y los límites metodológicos del diagnóstico por infrarrojos en tejidos y fluidos corporales.

⚠️ Nota: Versiones anteriores combinaron detalles como el equipo de Diem, el Instituto Robert Koch y el 92%/88% del suero en la misma narrativa; las unidades de personas y tipos de muestras son propensos a errores. El texto principal se basa en revisiones verificables / literatura clásica de diagnóstico de tejidos, los porcentajes precisos en la tabla son solo "ejemplos reportados en la literatura" y se enfatiza la naturaleza de la etapa de investigación.

Esta investigación abrió la era de la "biopsia líquida por espectroscopia infrarroja" (infrared spectroscopic liquid biopsy). En los últimos 15 años, la investigación en espectroscopia infrarroja para el diagnóstico de cáncer, detección de enfermedades séricas, identificación bacteriana, imágenes histopatológicas, etc., ha experimentado un crecimiento explosivo [2][3][4].

El grupo de Cummings en el Imperial College de Londres escribió en una revisión de 2024:

"La espectroscopia infrarroja ha pasado de ser una curiosidad de investigación de nicho a un candidato serio para la traducción clínica. Las barreras restantes no son técnicas, sino regulatorias, de estandarización y de aceptación clínica."
— Sully et al. Nature Reviews Bioengineering 2024 [3]

Al mismo tiempo, el ecosistema de herramientas de código abierto también está madurando rápidamente. Photizo, publicado en la revista Bioinformatics en 2022, es la primera herramienta Python de código abierto para imágenes histopatológicas FTIR, que proporciona una plataforma de análisis estandarizada para que las imágenes médicas infrarrojas ingresen a la clínica [5].

Este episodio presentará sistemáticamente las aplicaciones de la espectroscopia infrarroja en el campo biomédico: desde suero/plasma hasta cortes de tejido, desde diagnóstico de cáncer hasta identificación bacteriana, desde métodos quimiométricos hasta desafíos de traducción clínica.

1. "Mapa químico infrarrojo" de muestras biológicas

1.1 ¿Por qué el infrarrojo puede diagnosticar enfermedades?

Los tejidos y fluidos corporales humanos están compuestos casi en su totalidad por biomoléculas: proteínas, lípidos, carbohidratos, ácidos nucleicos, agua. Cada una de estas moléculas tiene absorciones infrarrojas características, y los cambios en la composición o conformación molecular en estados de enfermedad dejan rastros en los espectros [2][3][6]:

Tabla 1: Absorciones infrarrojas características de biomoléculas (fuente de datos: Movasaghi IEEE Trans Med Imaging 2020 [6]; Baker Nature Protocols 2014 [2])

1.2 El problema del "bloqueo de luz" del agua

Las muestras biológicas tienen un contenido de agua del 60-90%, las bandas de estiramiento O–H (3400 cm⁻¹) y flexión (1640 cm⁻¹) del agua son muy fuertes, enmascarando completamente la Amida I (1650 cm⁻¹) [2][6].

Soluciones [2][3][6]:

1. Secar la muestra: secar el suero/corte de tejido al vacío a baja temperatura o con nitrógeno seco para eliminar el agua;
2. Medición ATR en líquido + sustracción de referencia de agua: usar agua del mismo espesor como fondo, restar para obtener el espectro de la muestra;
3. Infrarrojo de radiación sincrotrón: alta brillantez para compensar la pérdida de absorción de agua;
4. Uso de infrarrojo QCL (láser de cascada cuántica): alta potencia, monocromático, puede evitar la región de absorción del agua.

🔗 Lectura adicional: Para las características infrarrojas de las moléculas de agua, consulte la página del grupo funcional del agua en ftir.fun. Las vibraciones de las moléculas de agua incluyen estiramiento simétrico v₁ (3657 cm⁻¹), estiramiento antisimétrico v₃ (3756 cm⁻¹), flexión v₂ (1595 cm⁻¹). En agua líquida, debido a la red de enlaces de hidrógeno, estas bandas de absorción se ensanchan significativamente y se desplazan al rojo a 3400/1640 cm⁻¹.

1.3 Amida I de proteínas y estructura secundaria

🔗 Lectura adicional: La Amida I/II de proteínas es el núcleo del análisis infrarrojo biomédico. Los datos de posición de pico detallados se encuentran en la página del grupo funcional amida en ftir.fun.

La banda Amida I (1600-1700 cm⁻¹) es la sonda más sensible para la estructura secundaria de proteínas [2][6]:

En tejidos cancerosos, el aumento del contenido de β-lámina y la disminución del contenido de α-hélice son fenómenos comunes; esta es una de las bases moleculares para el diagnóstico de cáncer por infrarrojos [1][3][7].

2. Detección de enfermedades por espectroscopia infrarroja en suero/plasma

2.1 Valor de "huella dactilar" del espectro infrarrojo sérico

El suero y el plasma son las muestras de fluidos corporales más fáciles de obtener clínicamente, solo una gota (10 μL) es suficiente para un escaneo infrarrojo. El suero contiene 60-80 mg/mL de proteínas (principalmente albúmina, inmunoglobulinas), 5 mg/mL de glucosa, 5 mg/mL de lípidos; en estados de enfermedad, cambios sutiles en estos componentes se superponen en el espectro infrarrojo formando una "huella dactilar" reconocible [1][3][7].

2.2 Método de medición

El flujo de trabajo estándar establecido por el biofotónico alemán Petibois et al. [7]:

1. Extracción de sangre: 1 mL de sangre venosa, centrifugación para separar el suero;
2. Depósito: colocar 5-10 μL de suero en una ventana de transmisión de CaF₂ o ZnSe;
3. Secado: secar al vacío a baja temperatura durante 30 minutos, formando una película delgada de 1-2 μm de espesor;
4. μ-FTIR en transmisión: matriz FPA o detector MCT de punto único, resolución de 4 cm⁻¹, 64-128 escaneos;

5. Procesamiento de segunda derivada: para resolver picos superpuestos;

6. Modelado quimiométrico: PCA, PLS-DA, clasificación SVM.

2.3 Precisión diagnóstica para múltiples enfermedades

Estudios representativos de los últimos 10 años [1][3][7][8]:

Tabla 2: Ejemplos de rendimiento de clasificación reportados en la literatura (etapa de investigación, no extrapolable directamente a la clínica; basado en revisiones y artículos originales, los números varían según la cohorte)

2.4 Cuellos de botella en la traducción clínica

Aunque las precisiones parecen impresionantes, el diagnóstico por infrarrojos sérico aún no ha entrado en la práctica clínica de rutina [3][8]. Las razones incluyen:

1. Tamaño de muestra limitado: la mayoría de los estudios < 500 casos, carecen de validación multicéntrica a gran escala;
2. Estandarización insuficiente: los parámetros de extracción de sangre, secado y escaneo difieren entre laboratorios, lo que dificulta la transferencia del modelo entre laboratorios;
3. Factores de confusión: la edad, el sexo, la dieta, los medicamentos y el ejercicio afectan los espectros séricos;
4. Aprobación regulatoria: FDA, CE, NMPA carecen de una vía clara para la aprobación de reactivos de diagnóstico infrarrojo;
5. Aceptación clínica: los médicos tienen poca confianza en el "diagnóstico espectral" y prefieren los marcadores maduros existentes.

3. Imagen patológica infrarroja de cortes de tejido

3.1 Patología infrarroja: más allá de la tinción H&E

El "estándar de oro" del diagnóstico histopatológico es la tinción H&E (hematoxilina-eosina). Sin embargo, H&E proporciona principalmente información morfológica, falta información química. La imagen infrarroja refleja directamente la composición molecular del tejido, y puede complementar o incluso reemplazar la tinción [2][3][9]:

• Tejido normal vs tejido tumoral: ácidos nucleicos 1080 cm⁻¹ ↑, glucógeno 1030 cm⁻¹ ↓, cambios en la forma del pico Amida I;
• Grado tumoral: la proporción de lámina β se correlaciona con el grado de diferenciación del tejido;
• Identificación del margen tumoral: la imagen química puede delinear claramente la interfaz entre tejido canceroso y normal;
• Identificación de ganglios linfáticos metastásicos: especialmente eficaz en micrometástasis difíciles de determinar con H&E.

3.2 Técnica de imagen FPA-FTIR

El esquema principal de imagen infrarroja de cortes de tejido [2][9]:

1. Corte de tejido: congelación rápida en nitrógeno líquido del tejido quirúrgico o de biopsia, secciones de 10 μm, colocadas en portaobjetos de BaF₂ o CaF₂;
2. Desparafinado (si está incluido en parafina): desparafinado con gradiente de xileno;
3. Imagen de matriz de plano focal FPA: matriz de 128×128 o 64×64, 1–5 μm por píxel;
4. Cubo de datos: datos tridimensionales de x, y, número de onda;
5. Imagen química: selección de picos característicos para generar mapas de distribución química bidimensionales.

Corte de tejido ─→ Imagen de matriz FPA ─→ Cubo de datos ─→ Mapa de imagen química
                ↓                  ↓              ↓
        Espectro por píxel    (x, y, ν)      Distribución de componentes

3.3 Photizo: herramienta de imagen patológica FTIR de código abierto

Publicado en 2022 en la revista Bioinformatics, Photizo [5] es la primera herramienta Python de código abierto para imagen histopatológica FTIR:

"Photizo is an open-source Python library for processing and classification of FTIR spectroscopic histopathology data, providing a unified workflow from raw spectra to clinical-grade tissue classification."
—— Hughes C et al. Bioinformatics 2022 [5]

Funciones principales de Photizo [5]:

• Lectura de múltiples formatos de espectro (OPUS, SPA, JCAMP-DX);
• Compensación atmosférica, corrección de línea base (incluyendo EMSC, Extended Multiplicative Signal Correction);
• Segunda derivada, normalización;
• Clasificación K-means, PCA, PLS-DA, SVM, CNN;
• Registro con imágenes de tinción H&E, permitiendo la interpretación conjunta "químico-morfológica";
• Salida de informes patológicos estandarizados.

🔗 Lectura adicional: Código abierto de Photizo
GitHub: https://github.com/DendrouLab…

Caso de aplicación [5][9]: Imagen FPA de tejido de cáncer de próstata + análisis Photizo:

• Entrada: cubo de datos de 36000 píxeles × 1500 números de onda;
• Procesamiento: EMSC → segunda derivada → reducción de dimensionalidad PCA → clasificación SVM;
• Salida: etiquetas "cáncer/normal/estroma" por píxel + mapa de registro con H&E;
• Precisión: 92% (frente al estándar de oro del patólogo).

Photizo permite a investigadores de todo el mundo reproducir los métodos de análisis del Imperial College, siendo un hito del "ecosistema de herramientas de código abierto" en patología infrarroja [5].

3.4 Infrarrojo de radiación sincrotrón: imagen de célula única

El FPA-FTIR convencional está limitado por el límite de difracción, con una resolución espacial de ~5–10 μm, suficiente para distinguir células grandes (como hepatocitos, neuronas), pero inadecuado para células pequeñas (como linfocitos) [2][9].

El infrarrojo de radiación sincrotrón (SR-FTIR) utiliza la alta luminosidad de fuentes de luz artificiales para mejorar la relación señal-ruido en 100–1000 veces, permitiendo obtener espectros de alta calidad incluso con una apertura de 3 μm [9][10]:

• Línea de luz SMIS de SOLEIL (Francia): imagen de célula única, identificación de las etapas de la mitosis celular [10];
• Línea de luz Opleap de NSLS-II (EE.UU.): imagen química de sinapsis neuronales;
• Línea de luz BL01B en Shanghái (Centro Nacional de Ciencias de Proteínas de China): análisis de estructuras subcelulares en tejido cerebral.

El trabajo de Miller et al. en SOLEIL demostró el seguimiento químico de todo el proceso de mitosis de una sola célula HeLa mediante SR-FTIR: los cambios en la posición del pico Amida I revelan cambios conformacionales de proteínas durante la condensación/descondensación cromosómica [10].

4. Avances en la investigación del diagnóstico infrarrojo del cáncer

4.1 Cáncer de mama

El diagnóstico infrarrojo del cáncer de mama es el más estudiado [1][3]:

• Cortes de tejido: FPA-FTIR puede distinguir entre carcinoma in situ, carcinoma ductal invasivo y tejido normal, con precisión >90%;
• Metástasis ganglionar: identificación de micrometástasis (<0.5 mm), superior a H&E convencional;
• Márgenes intraoperatorios: imagen infrarroja en tiempo real junto al quirófano, determinación de márgenes limpios en 5 minutos;
• Detección sérica: FTIR de suero/plasma + modelos de clasificación han sido ampliamente explorados [1][3], pero los resultados de validación independiente son variables, aún en etapa de investigación.

4.2 Tumores cerebrales

En 2024, el equipo del Hospital Charité de Berlín publicó en Nature Communications [11]:

• Muestra: secciones congeladas intraoperatorias de 72 pacientes con glioma;
• Método: FPA-FTIR + aprendizaje profundo (1D-CNN);
• Resultado: concordancia del 95% con el estándar de oro del neuropatólogo, significativamente mayor que la patología intraoperatoria rápida (70–80%);
• Velocidad: 8 minutos desde el corte hasta el resultado, puede guiar a los neurocirujanos en la decisión en tiempo real de la extensión de la resección.

"La clasificación intraoperatoria de gliomas basada en FTIR puede proporcionar una precisión casi de estándar de oro en menos de 10 minutos, transformando potencialmente la toma de decisiones neuroquirúrgicas."
—— Kleiner J et al. Nature Communications 2024 [11]

4.3 Cáncer colorrectal, pulmón y ovario

Trabajos similares se están llevando a cabo en varios cánceres [3][7]:

• Cáncer colorrectal: la imagen química puede identificar pólipos precancerosos → potencial de detección temprana;
• Cáncer de pulmón: análisis infrarrojo de muestras de FNA (aspiración con aguja fina), evitando la espera de cortes;
• Cáncer de ovario: análisis infrarrojo de bloques celulares de ascitis para diferenciar benigno de maligno.

V. Identificación rápida de especies bacterianas mediante espectroscopia infrarroja

5.1 Problemas actuales en la identificación microbiológica clínica

Flujo de trabajo tradicional de identificación bacteriana [12]:

1. Inoculación de muestra clínica y cultivo → 18–24 horas;
2. Identificación bioquímica (ej. VITEK 2) → 4–8 horas;
3. Tiempo total 24–48 horas.

Mientras que la infección del torrente sanguíneo progresa muy rápidamente; por cada hora de retraso en el tratamiento con antibióticos, la mortalidad aumenta aproximadamente un 7,6% [12]. Se necesita urgentemente un método de identificación rápida en menos de 1 hora.

5.2 Identificación bacteriana por FTIR: medición directa de colonias

Método central de identificación bacteriana por FTIR [12][13]:

1. Siembra directa de colonia: tomar 1 colonia (~10⁷ UFC) de una placa de cultivo, suspender en 50 μL de agua;
2. Depósito: colocar 10 μL de la suspensión en un disco de transmisión de ZnSe;
3. Secado: secar a temperatura ambiente para formar una película delgada;
4. μ-FTIR en transmisión: detector MCT, resolución 4 cm⁻¹, 64 escaneos;
5. Búsqueda en biblioteca: comparar con biblioteca bacteriana propia, resultados en 10 minutos.

El equipo de Naumann del Instituto Robert Koch de Alemania desarrolló este método en la década de 1990. Hasta ahora se ha establecido [12][13]:

• Base de datos FTIR con más de 200 especies bacterianas clínicas;
• Precisión de identificación a nivel de género, especie y subespecie del 80–95%;
• Reconocimiento de cepas resistentes (ej. MRSA vs MSSA) con precisión del 85–90%;
• Tiempo total (incluyendo 18 horas de cultivo) < 24 horas, un día más rápido que los métodos tradicionales.

5.3 Imagen μ-FTIR de colonia única

Además, el uso de FPA-FTIR para imágenes químicas directas de colonias individuales puede observar la heterogeneidad química de los "anillos de crecimiento" dentro de la colonia [13]:

• Zona central: células envejecidas, acumulación de glucógeno + PHB;
• Zona marginal: división activa, aumento de 1080 cm⁻¹ (ácidos nucleicos);
• La "estructura química" de las colonias de diferentes cepas difiere significativamente, sirviendo como base para la identificación a nivel de especie.

5.4 Comparación con MALDI-TOF MS

MALDI-TOF MS es el método principal actual para la identificación microbiológica clínica [12][13]:

Tabla 3: Comparación de FTIR vs MALDI-TOF MS en identificación bacteriana (fuente: Kamberger Nature Reviews Microbiology 2023 [12])

VI. Métodos quimiométricos: del espectro al diagnóstico

6.1 Necesidad del análisis multivariante

Los espectros infrarrojos biomédicos contienen más de 1000 variables de número de onda; el análisis univariante (altura/área de pico) es insuficiente [2][14]:

• Diferencias mínimas entre muestras (< 5% de cambio en absorbancia);
• Varios picos cambian simultáneamente y están correlacionados;
• Ruido, deriva de línea base e interferencia de vapor de agua pueden enmascarar la señal real;
• Solo el análisis multivariante puede extraer información útil.

6.2 Comparación de métodos principales

Tabla 4: Comparación de métodos quimiométricos comunes (fuente: Morais Spectrochim Acta A 2020 [14])

6.3 Flujo de trabajo estándar

Flujo de trabajo recomendado para el análisis de datos infrarrojos biomédicos [2][5][14]:

1. Importación de datos y control de calidad: eliminar espectros anómalos (línea base muy inclinada, baja relación señal/ruido);
2. Preprocesamiento: EMSC (corrección de dispersión) → segunda derivada (resolución de picos) → normalización;
3. Reducción de dimensionalidad: PCA o PLS, extraer los primeros 10–20 componentes principales;
4. Modelado: conjunto de entrenamiento (70%) → entrenamiento del modelo (PLS-DA/SVM/CNN);
5. Validación: validación cruzada de 5 o 10 pliegues + conjunto de prueba externo (30%);
6. Evaluación: reportar sensibilidad, especificidad, ROC-AUC, matriz de confusión;
7. Interpretación: usar coeficientes de regresión o importancia de características para localizar números de onda clave.

💡 Experiencia clave: el modelo debe reportar resultados de validación externa; reportar solo validación cruzada puede llevar a sobreajuste. Cada informe experimental debe incluir tamaño del conjunto de entrenamiento, tamaño del conjunto de prueba y matriz de confusión, no solo un número de precisión [2][14].

6.4 Integración del flujo de trabajo Photizo

Photizo [5] empaqueta el flujo anterior en una API de Python:

from photizo import Pipeline
from photizo.preprocessing import EMSC, second_derivative
from photizo.models import PLS_DA, SVM, CNN

# Cargar datos
data = Pipeline.load("patient_spectra.h5")

# Preprocesamiento
data.preprocess([EMSC(), second_derivative()])

# Entrenamiento + validación
model = PLS_DA(n_components=15)
result = model.cross_validate(data, k=5, external_test=0.3)

print(result.sensitivity, result.specificity, result.auc)

Esta interfaz estandarizada permite a investigadores de todo el mundo reproducir los flujos de análisis de laboratorios de primer nivel como Imperial College, Charité, etc. [5].

VII. Del laboratorio a la clínica: desafíos y perspectivas de traslación

7.1 El "valle de la muerte" de la traslación clínica

La tecnología infrarroja médica enfrenta 7 obstáculos desde el artículo hasta la clínica [3][8][15]:

1. Validación a gran escala: un solo centro < 500 casos → multicéntrico > 5000 casos;
2. Protocolo estandarizado: SOP (toma de sangre, transporte, preparación, escaneo, procesamiento) consistente entre centros;
3. Control de calidad: monitorización de deriva instrumental diaria/mensual, calibración con material de referencia;
4. Aprobación regulatoria: rutas de dispositivo/reactivo de FDA, CE, NMPA;
5. Evaluación económica: análisis de costo-efectividad, cobertura de seguros;
6. Guías clínicas: reconocimiento por guías clínicas (NCCN, ESMO, CSCO);
7. Educación médica: que los médicos entiendan y confíen en los resultados del diagnóstico infrarrojo.

7.2 Vías regulatorias GLP e IVDR

(El texto continúa en la fuente, pero no se proporcionó más contenido. Asumimos que el artículo termina aquí o hay más secciones que no se incluyeron en el fragmento dado. Por lo tanto, mantenemos el texto traducido hasta donde se tiene).

(Nota: La fuente original no incluyó más contenido después del encabezado "7.2 GLP 与 IVDR 监管路径". Se ha traducido el encabezado y se deja el espacio por si hubiera texto adicional, pero en este fragmento no se proporciona. Mantenemos la estructura.)

El IVDR (Reglamento de Diagnóstico In Vitro) implementado por la Unión Europea en 2022 exige para la aprobación de dispositivos de diagnóstico infrarrojo [15]:

• Evidencia clínica ≥ 500 casos;
• Informe de evaluación del rendimiento (incluyendo estudios de sustancias interferentes);
• Rendimiento analítico (precisión, reproducibilidad, límite de detección);
• Rendimiento clínico (sensibilidad, especificidad, ROC-AUC);
• Sistema de vigilancia post-comercialización.

Las vías 510(k) y De Novo de la FDA de EE. UU. son similares [15].

7.3 Avances en comercialización

Hasta 2025, varias empresas han impulsado la comercialización del diagnóstico infrarrojo [3][15]:

• Cliris (Alemania): Cribado de cáncer colorrectal en suero mediante IR-ATR, obtuvo CE-IVDR en 2024;
• IRsweep (Suiza): Sistema de identificación rápida de bacterias por infrarrojo de alta resolución;
• Spectral Engines (NIRx) (Finlandia): NIR/FTIR portátil para monitorización de glucosa;
• PhotizoDiag (derivado de Imperial College): Diagnóstico asistido por patología basado en Photizo.

7.4 Perspectivas futuras

En los próximos 5–10 años, áreas que la medicina infrarroja podría revolucionar [3][15]:

1. Patología rápida intraoperatoria: Determinación del margen tumoral cerebral (ya en ensayos clínicos en Charité);
2. Diagnóstico rápido de enfermedades infecciosas: Identificación de especie y resistencia en 1 hora;
3. Cribado combinado de múltiples enfermedades en suero: Una gota de suero para cribar múltiples enfermedades, con una relación coste-efectividad superior a las combinaciones de marcadores actuales;
4. Aplicaciones a nivel de cribado: Cribado de bajo coste en centros de salud y hospitales comunitarios;
5. Integración profunda con IA: Modelos CNN + Transformer para extraer información implícita de los espectros infrarrojos.

8. Caso típico: Diagnóstico intraoperatorio de tumores cerebrales

8.1 Escenario clínico

En cirugía neuroquirúrgica, el médico necesita extirpar el tumor al máximo preservando tejido cerebral funcional. Durante la cirugía se requiere [11]:

• Determinar los límites del tumor en 5–10 minutos;
• Distinguir tumor de tejido cerebral normal;
• Distinguir subtipos tumorales (glioma, metástasis, linfoma).

8.2 Solución del equipo de Charité

Flujo de trabajo de Kleiner et al. 2024 en Nature Communications [11]:

1. Extraer una pequeña muestra de tejido cerebral (~5 mm³);
2. Congelación rápida en nitrógeno líquido → corte de 10 μm → portaobjetos de BaF₂;
3. Imagen FPA-FTIR (array 128×128, resolución 4 cm⁻¹, adquisición en 1 minuto);
4. Modelo de clasificación 1D-CNN de aprendizaje profundo;
5. Salida: mapa de distribución histoquímica + etiquetas de tumor/normal/estroma.

Resultados [11]:

• 72 pacientes con glioma, 18.000 píxeles;
• Precisión del 95% en prueba externa;
• Tiempo total 8 minutos (vs. patología rápida intraoperatoria 30 min + espera de patología convencional 24 h);
• En fase de validación clínica prospectiva multicéntrica en Charité.

Este "diagnóstico intraoperatorio espectral" proporciona un nuevo paradigma de decisión para la neurocirugía [11].

Figuras (ilustraciones clave de este módulo)

📷 Figura 1: Esquema de picos característicos en escenarios de aplicación
Fuente: Imagen real/abierta · Unsplash — laboratory scientist (con marca de agua ftir.fun)

📷 Figura 2: Flujo de trabajo de detección en la industria
Fuente: Imagen real/abierta · Unsplash — chemistry lab (con marca de agua ftir.fun)

📷 Figura 3: Esquema de imagen/comparación
Fuente: Diagrama didáctico de ftir.fun (con marca de agua; no es espectro real, solo para entender el concepto)

Resumen del módulo

Preguntas de reflexión

1. Necesitas medir el espectro infrarrojo de suero para cribado de cáncer, pero la absorción del agua a 1640 cm⁻¹ interfiere gravemente con la Amida I. Diseña tres enfoques experimentales para resolver este problema.

2. En la imagen infrarroja de cortes de tejido, el pico de Amida I en la región tumoral se desplaza de 1652 cm⁻¹ a 1632 cm⁻¹. ¿Qué cambio en la estructura secundaria refleja esto? ¿Qué significado biológico tiene?

3. ¿Por qué Photizo elige EMSC + segunda derivada como flujo de preprocesamiento estándar? ¿Qué problema resuelve cada paso?

4. Un modelo de diagnóstico en suero por infrarrojo tiene una precisión del 95% en validación cruzada interna de 5 pliegues, pero solo del 78% en un conjunto de prueba externo. ¿Cuáles podrían ser las causas? ¿Cómo lo mejorarías?

5. Supón que quieres introducir el método de identificación bacteriana por FTIR en el laboratorio de microbiología de tu hospital. Desde los aspectos de muestra, equipo, personal y regulación, enumera los problemas clave que debes resolver.

Referencias

[1] Lasch P et al. "Breast Cancer Tissue Diagnosis by FTIR Spectroscopy and Machine Learning." Analytical Chemistry, 2009, 81(16): 6823–6830. DOI:10.1021/ac900846h.

[2] Baker M J, Trevisan J, Bassan P, et al. "Using Fourier Transform IR Spectroscopy to Analyze Biological Material." Nature Protocols, 2014, 9(8): 1771–1791. DOI:10.1038/nprot.2014.110.
https://www.nature.com/articl…

[3] Sully B J K, Ashton K M, Dawson T P, et al. "Vibrational Spectroscopy in Biomedicine: Advances in Clinical Translation." Nature Reviews Bioengineering, 2024, 2(6): 451–467. DOI:10.1038/s44222-024-00185-1.

[4] Hughes C, Baker M J. "Can Mid-Infrared Biomedical Spectroscopy Please the Clinicians?" Spectroscopy Letters, 2020, 53(1): 1–10.

[5] Hughes C, Clemens G, Handy R, et al. "Photizo: A Python Toolkit for Processing and Classification of FTIR Spectroscopic Histopathology Data." Bioinformatics, 2022, 38(13): 3490–3496. DOI:10.1093/bioinformatics/btac346.
https://academic.oup.com/bioi…

[6] Movasaghi Z, Rehman S, Rehman I U. "Fourier Transform Infrared (FTIR) Spectroscopy of Biological Tissues." Applied Spectroscopy Reviews, 2020, 53(5–6): 363–426. DOI:10.1080/05704928.2017.1384470.

[7] Petibois C, Cestelli-Guidi M. "Infrared Biospectroscopy: From Molecules to Functional Cells." Analytical and Bioanalytical Chemistry, 2020, 412(25): 6849–6865. DOI:10.1007/s00216-020-02813-9.

[8] Bellisola G, Sorio C. "Infrared Spectroscopy and Microscopy in Cancer Research and Diagnosis." American Journal of Cancer Research, 2012, 2(1): 1–21.
https://www.ncbi.nlm.nih.gov/…

[9] Petibois C. "Imaging Methods in Cell Biology: From Microscopy to Spectroscopy." FEBS Letters, 2022, 596(20): 2571–2586. DOI:10.1002/1873-3468.14412.

[10] Miller L M, Dumas P. "Chemical Imaging of Biological Tissue by Synchrotron Infrared Microspectroscopy." Current Opinion in Structural Biology, 2017, 43: 65–74. DOI:10.1016/j.sbi.2016.11.001.

[11] Kleiner J, Pohrer J, Krexner P, et al. "Intraoperative FTIR-Based Classification of Gliomas." Nature Communications, 2024, 15: 3121. DOI:10.1038/s41467-024-47245-5.

[12] Kamberger L et al. "FTIR Spectroscopy for Identification of Microorganisms in Clinical Microbiology." Nature Reviews Microbiology, 2023, 21(7): 423–438. DOI:10.1038/s41579-023-00860-4.

[13] Naumann D. "Infrared Spectroscopy in Microbiology." Encyclopedia of Analytical Chemistry, 2006. DOI:10.1002/9780470027318.a0117.

[14] Morais C L M, Lima K M G, Singh M, Martin F L. "Tutorial: Multivariate Classification for Vibrational Spectroscopy in Biological Samples." Nature Protocols, 2020, 15(7): 2143–2162. DOI:10.1038/s41596-020-0322-8.

[15] European Union. Regulation (EU) 2017/746 on In Vitro Diagnostic Medical Devices (IVDR). Official Journal of the European Union, 2017.
https://eur-lex.europa.eu/eli…

[16] US Food and Drug Administration. Class II Special Controls Guidance Document: Infrared Spectroscopy Devices for In Vitro Diagnostic Use. 2023.

[17] ftir.fun Página de grupo funcional amida. https://ftir.fun/ir/group/ami…

[18] ftir.fun Página de grupo funcional de molécula de agua. https://ftir.fun/ir/group/wat…

Avance del próximo episodio: Ep 34 — Semiconductores y electrónica: contaminación superficial y análisis de películas delgadas
Dejando el ámbito biomédico, entraremos en la industria de semiconductores, altamente sensible a contaminantes. ¿Cómo detecta el FTIR contaminantes orgánicos a nivel de ppb en superficies de silicio? ¿Cómo se mide el espesor de películas delgadas de SiO₂/Si₃N₄ mediante infrarrojo? ¿Cómo se detectan residuos de fotorresina? Introduciremos sistemáticamente tres métodos de análisis de películas delgadas: reflexión con ángulo rasante, transmisión y ATR, y haremos referencia a la página de siloxanos de ftir.fun para ayudar a comprender las características de las películas inorgánicas.

Este artículo está bajo licencia CC BY-NC-SA 4.0. Las imágenes provienen de dominio público o de recursos en línea con fuentes indicadas; los derechos de autor pertenecen a sus respectivos autores.