Abstract
Un’accurata separazione di popolazioni cellulari che formano un tessuto è una tecnologia chiave nella nella biotecnologia e nella medicina per applicazioni che richiedono lo studio dell’eterogeneità delle popolazioni cellulari. Sebbene i metodi convenzionali, basati su marcatori fluorescenti, possano fornire una separazione ad alta efficienza, questi approcci richiedono una preparazione del campione laboriosa e costosa. I recenti progressi nella tecnologia microfluidica stanno consentendo lo sviluppo di molte soluzioni software e hardware per l’analisi e la separazione di singole cellule senza la necessità di marcatori molecolari, permettendo di ridurre al minimo il tempo di preparazione del campione. Il progetto COLLECT mira a progettare e implementare una piattaforma opto-meccano-fluidica label-free per la separazione cellulare attraverso un sistema di smistamento in tempo reale basato su morfologia e deformabilità, attivato da immagini e supportato da intelligenza computazionale. Il sistema integrerà due componenti complementari: un modulo di imaging label-free, basato sulla microscopia olografica, per il riconoscimento delle varie popolazioni e un dispositivo microfluidico per la separazione intelligente delle cellule attivata dall’analisi delle immagini in tempo reale assistita da machine learning. La tecnologia proposta punta a offrire alta flessibilità, grande scalabilità e elaborazione dati completamente automatizzata. L’obiettivo principale del progetto è la dimostrazione dell’utilità della tecnologia applicata a diversi tipi e dimensioni cellulari, con focus su un’applicazione sfidante in ambito oncologico: la separazione dei diversi tipi di cellule del Microambiente Tumorale (TME) presenti in una massa tumorale solida, con particolare attenzione alla separazione e al conteggio e dei linfociti T. Infatti, un tumore è un sistema complesso, in cui le cellule tumorali coesistono e interagiscono con diverse popolazioni del microambiente, inclusi cellule endoteliali, fibroblasti e cellule immunitarie. Queste cellule non neoplastiche contribuiscono in modo significativo alla progressione tumorale, determinando l’esito della malattia e la risposta alla terapia, il che le rende importanti biomarcatori. Tuttavia, ad oggi, la valutazione del TME è dipendente da marcatori, richiede tempo ed è eseguita da personale altamente qualificato. L’obiettivo di COLLECT, applicando un approccio multidisciplinare garantito dal coinvolgimento di tre unità (CNR-ISASI, UNINA e UNIBO), è dimostrare che la separazione basata su morfologia e deformabilità label-free è un approccio promettente per una rapida e accurata separazione delle popolazioni cellulari del TME.
Project details
Unibo Team Leader: Ivana Kurelac
Unibo involved Department/s:
Dipartimento di Scienze Mediche e Chirurgiche
Coordinator:
CNR - Consiglio Nazionale delle Ricerche(Italy)
Total Unibo Contribution: Euro (EUR) 43.000,00
Project Duration in months: 24
Start Date:
28/09/2023
End Date:
28/02/2026
