RamanOmics Mapea la Huella Bioquímica de las Células que Envejecen en Tejido Vivo

Comprender el envejecimiento requiere algo más que datos de expresión génica. La composición lipídica, la conformación proteica, la química de la matriz extracelular y los estados de los metabolitos regulan la función celular; sin embargo, estas capas bioquímicas son invisibles para las herramientas genómicas estándar. RamanOmics aborda esta brecha combinando la secuenciación de RNA de núcleo único (snRNA-seq), la secuenciación e hibridación in situ STARmap (STARmap-ISS/ISH) y la imagen Raman hiperspectral sin etiquetado en una única plataforma multimodal que mapea los estados vibracionales-bioquímicos y moleculares con resolución de célula única en tejidos intactos.

El equipo recopiló tejido pulmonar y cutáneo de ratones jóvenes (2 meses) y viejos (26 meses), generando más de 47.000 transcriptomas de núcleo único de alta calidad junto con imágenes Raman registradas espacialmente y mapas de transcriptómica espacial que abarcan 890 genes, incluidos 190 marcadores específicos de senescencia. Las firmas de envejecimiento a nivel tisular fueron marcadamente específicas según el tejido: los pulmones viejos mostraron activación inmunitaria crónica, remodelación endotelial y vascular, y desregulación de la ECM, mientras que la piel vieja exhibió declive metabólico, alteración de la homeostasis iónica y programas modificados de procesamiento de RNA. El análisis Earth Mover's Distance cuantificó la divergencia transcripcional a nivel de tipo celular, identificando las células endoteliales y los linfocitos T en el pulmón, y los fibroblastos y las células epidérmicas interfoliculares en la piel, como las poblaciones más alteradas por el envejecimiento.

Utilizando p21 como marcador canónico de senescencia, los autores identificaron poblaciones de células senescentes y sus programas transcripcionales específicos de cada órgano. Las células senescentes pulmonares estaban dominadas por genes de remodelación de la ECM y señalización TGF-β (<i>Serpine1</i>, <i>Dab2</i>, <i>Igfbp7</i>), mientras que las células senescentes cutáneas presentaban módulos de queratinización y homeostasis de barrera (<i>Krt10</i>, <i>Lor</i>, <i>Sbsn</i>). De manera crucial, la imagen Raman reveló una firma bioquímica conservada en ambos tejidos: un pico espectral a 1131–1135 cm⁻¹ vinculado a ácidos grasos de cadena ramificada que distingue de forma robusta las células senescentes p21+ de las células vecinas no senescentes, sin necesidad de ningún marcaje ni destrucción tisular.

Para unificar estas modalidades, los investigadores desarrollaron un «código de barras multimodal» derivado del aprendizaje automático que integra cuantitativamente las características espectrales Raman con los datos transcripcionales. Este código de barras permite la identificación in situ no destructiva de células senescentes y proporciona una lectura más rica y completa del estado celular que cualquiera de las modalidades por separado. En un experimento de cicatrización de heridas, RamanOmics capturó la reconfiguración dinámica de las células senescentes, documentando una regulación positiva coordinada de genes de reparación de barrera (<i>Krt10</i>, <i>Lor</i>, <i>Sbsn</i>, <i>Sfn</i>, <i>Dmkn</i>) junto con los correspondientes aumentos en las señales Raman asociadas a lípidos, lo que confirma que la plataforma puede rastrear transiciones de estado biológico en respuesta a estímulos fisiológicos.

Al tratarse de un preprint, estos hallazgos están pendientes de revisión por pares. El estudio se limita actualmente a modelos murinos, y la traslación a tejidos humanos requerirá validación. El rendimiento de la imagen Raman y su integración con los flujos de trabajo de patología clínica existentes siguen siendo desafíos prácticos. No obstante, RamanOmics representa un avance conceptual y técnico hacia la caracterización no destructiva y sin etiquetado de los estados de envejecimiento celular en tejidos vivos o mínimamente procesados.