شکست متخصصان با پیش‌بینی بهتر کیفی‌ مینی‌ارگان‌ها توسط هوش مصنوعی!

تحول در تحقیقات بیومدیکال با ارگانوئیدها

ارگانوئیدها، بافت‌های کوچک و کشت‌شده در آزمایشگاه که عملکرد و ساختار اعضای بدن را شبیه‌سازی می‌کنند، در حال تغییر شکل تحقیقات بیومدیکال هستند. این تکنولوژی نویدبخش پیشرفت‌هایی در پیوندهای شخصی‌سازی‌شده، مدل‌سازی بهتر بیماری‌هایی مانند آلزایمر و سرطان، و درک دقیق‌تر از تأثیرات داروهای پزشکی است.

اکنون، محققان دانشگاه کیوشو و دانشگاه ناگویا در ژاپن مدلی را توسعه داده‌اند که از هوش مصنوعی (AI) برای پیش‌بینی توسعه ارگانوئیدها در مراحل اولیه استفاده می‌کند. این مدل که سریع‌تر و دقیق‌تر از محققان متخصص عمل می‌کند، می‌تواند کارایی و هزینه کشت ارگانوئیدها را بهبود بخشد.

پیش‌بینی توسعه ارگانوئیدهای هیپوتالاموس-هیپوفیز

در این مطالعه که در تاریخ ۶ دسامبر ۲۰۲۴ در نشریه Communications Biology منتشر شد، محققان بر پیش‌بینی توسعه ارگانوئیدهای هیپوتالاموس-هیپوفیز تمرکز کردند. این ارگانوئیدها عملکردهای غده هیپوفیز را شبیه‌سازی می‌کنند، از جمله تولید هورمون آدرنوکورتیکوتروپیک (ACTH) که هورمونی حیاتی برای تنظیم استرس، متابولیسم، فشار خون و التهاب است. کمبود ACTH می‌تواند به خستگی، بی‌اشتهایی و مشکلات دیگری منجر شود که ممکن است تهدیدکننده زندگی باشند.

هیدتاکا سوگا، نویسنده مسئول و استاد دانشگاه ناگویا، می‌گوید: “در آزمایشگاه ما، مطالعات بر روی موش‌ها نشان می‌دهد که پیوند ارگانوئیدهای هیپوتالاموس-هیپوفیز پتانسیل درمان کمبود ACTH در انسان‌ها را دارد.”

چالش‌های پیش روی محققان

با این حال، یکی از چالش‌های کلیدی برای محققان تعیین این است که آیا ارگانوئیدها به درستی در حال توسعه هستند یا خیر. ارگانوئیدها که از سلول‌های بنیادی معلق در مایع به دست می‌آیند، به تغییرات کوچک محیطی حساس هستند که منجر به تنوع در توسعه و کیفیت نهایی آن‌ها می‌شود. محققان دریافتند که یکی از نشانه‌های پیشرفت خوب، بیان گسترده پروتئینی به نام RAX در مراحل اولیه توسعه است که معمولاً به ترشح قوی ACTH در ارگانوئیدها منجر می‌شود.

سوگا می‌گوید: “ما می‌توانیم توسعه را با تغییر ژنتیکی ارگانوئیدها به گونه‌ای که پروتئین RAX فلورسانس داشته باشد، پیگیری کنیم. اما ارگانوئیدهایی که برای استفاده بالینی، مانند پیوند، در نظر گرفته شده‌اند، نمی‌توانند به این شکل تغییر ژنتیکی یابند. بنابراین، محققان ما باید بر اساس آنچه با چشم می‌بینند قضاوت کنند که این فرآیند زمان‌بر و نادرست است.”

بنابراین، سوگا و همکارانش در ناگویا با هیروهیکو نیوکا، استاد ابتکار نوآوری مبتنی بر داده در دانشگاه کیوشو، همکاری کردند تا مدل‌های یادگیری عمیق را برای این کار آموزش دهند. نیوکا توضیح می‌دهد: “مدل‌های یادگیری عمیق نوعی از هوش مصنوعی هستند که شیوه پردازش اطلاعات توسط مغز انسان را شبیه‌سازی می‌کنند و به آن‌ها این امکان را می‌دهند که مقادیر زیادی از داده‌ها را با شناسایی الگوها تحلیل و دسته‌بندی کنند.”

تحقیقات نوآورانه در شناسایی کیفیت ارگانوئیدها با استفاده از یادگیری عمیق

محققان ناگویا تصاویر فلورسانس و تصاویر روشن‌فیلد را از ارگانوئیدهایی که پروتئین‌های فلورسانس RAX را در ۳۰ روز توسعه نشان می‌دهند، ثبت کردند. با استفاده از تصاویر فلورسانس به عنوان راهنما، آن‌ها ۱۵۰۰ تصویر روشن‌فیلد را به سه دسته کیفیت تقسیم‌بندی کردند: A (بیان وسیع RAX، کیفیت بالا)، B (بیان متوسط RAX، کیفیت متوسط) و C (بیان محدود RAX، کیفیت پایین). نیوکا سپس دو مدل پیشرفته یادگیری عمیق، EfficientNetV2-S و Vision Transformer، که توسط گوگل برای شناسایی تصاویر توسعه یافته‌اند، را آموزش داد تا دسته کیفیت ارگانوئیدها را پیش‌بینی کند. او از ۱۲۰۰ تصویر روشن‌فیلد (۴۰۰ تصویر در هر دسته) به عنوان مجموعه آموزشی استفاده کرد.

پس از آموزش، نیوکا دو مدل یادگیری عمیق را به یک مدل ترکیبی ادغام کرد تا عملکرد را بهبود بخشد. تیم تحقیقاتی از ۳۰۰ تصویر باقی‌مانده (۱۰۰ تصویر از هر دسته) برای آزمایش مدل ترکیبی بهینه‌شده استفاده کردند که تصاویر روشن‌فیلد ارگانوئیدها را با دقت ۷۰ درصد طبقه‌بندی کرد. در مقابل، زمانی که محققان با سال‌ها تجربه در کشت ارگانوئیدها، دسته‌بندی تصاویر روشن‌فیلد مشابه را پیش‌بینی کردند، دقت آن‌ها کمتر از ۶۰ درصد بود. نیوکا می‌گوید: “مدل‌های یادگیری عمیق در تمام جنبه‌ها از جمله دقت، حساسیت و سرعت، از کارشناسان پیشی گرفتند.”

گام بعدی بررسی این بود که آیا مدل ترکیبی قادر است تصاویر روشن‌فیلد ارگانوئیدها را که بدون تغییر ژنتیکی برای فلورسانس RAX هستند، به درستی طبقه‌بندی کند. محققان مدل ترکیبی آموزش‌دیده را بر روی تصاویر روشن‌فیلد ارگانوئیدهای هیپوتالاموس-هیپوفیز که پروتئین‌های فلورسانس RAX ندارند، در ۳۰ روز توسعه آزمایش کردند. با استفاده از تکنیک‌های رنگ‌آمیزی، آن‌ها دریافتند که ارگانوئیدهایی که مدل آن‌ها را به عنوان A (کیفیت بالا) طبقه‌بندی کرده بود، واقعاً بیان بالای RAX را در ۳۰ روز نشان دادند. زمانی که آن‌ها به کشت ادامه دادند، این ارگانوئیدها بعداً ترشح بالای ACTH را نشان دادند. در عین حال، سطوح پایین RAX و بعداً ACTH برای ارگانوئیدهایی که مدل آن‌ها را به عنوان C (کیفیت پایین) طبقه‌بندی کرده بود، مشاهده شد.

نیوکا می‌گوید: “مدل ما می‌تواند در مراحل اولیه توسعه پیش‌بینی کند که کیفیت نهایی ارگانوئید چگونه خواهد بود، صرفاً بر اساس ظاهر بصری.” او ادامه می‌دهد: “تا جایی که ما می‌دانیم، این نخستین بار در جهان است که از یادگیری عمیق برای پیش‌بینی آینده توسعه ارگانوئیدها استفاده شده است.”

در آینده، محققان قصد دارند دقت مدل یادگیری عمیق را با آموزش آن بر روی مجموعه داده‌های بزرگ‌تر بهبود بخشند. اما حتی در سطح فعلی دقت، این مدل تأثیرات عمیقی بر تحقیقات ارگانوئیدها دارد. سوگا نتیجه‌گیری می‌کند: “ما می‌توانیم به سرعت و به آسانی ارگانوئیدهای با کیفیت بالا را برای پیوند و مدل‌سازی بیماری انتخاب کنیم و با شناسایی و حذف ارگانوئیدهایی که به خوبی توسعه نمی‌یابند، زمان و هزینه‌ها را کاهش دهیم.” او می‌افزاید: “این یک تغییر بازی است.”