ارگانوئیدها-تحقیقات-بیومدیکال

انقلابی در پژوهش‌های زیست‌پزشکی با استفاده از ارگانوئیدها

ارگانوئیدها، بافت‌های کوچک و آزمایشگاهی‌ای که ساختار و عملکرد اندام‌های بدن را شبیه‌سازی می‌کنند، در حال دگرگون کردن عرصه‌ی پژوهش‌های زیست‌پزشکی هستند. این فناوری نویدبخش پیشرفت‌های بزرگی است در زمینه‌ی درمان‌های شخصی‌سازی‌شده، مدل‌سازی بهتر بیماری‌هایی مثل آلزایمر و سرطان، و درک عمیق‌تر از اثرات داروهای مختلف.

اخیراً، پژوهشگرانی از دانشگاه کیوشو و دانشگاه ناگویا در ژاپن، مدلی را توسعه داده‌اند که از هوش مصنوعی (AI) برای پیش‌بینی چگونگی رشد ارگانوئیدها در مراحل اولیه استفاده می‌کند. این مدل که سریع‌تر و دقیق‌تر از متخصصان عمل می‌کند، می‌تواند کارایی و هزینه‌های مربوط به تولید ارگانوئیدها را بهبود بخشد.

پیش‌بینی رشد ارگانوئیدهای هیپوتالاموس-هیپوفیز

در این مطالعه که نتایج آن در تاریخ ۶ دسامبر ۲۰۲۴ در نشریه‌ی Communications Biology منتشر شد، محققان بر پیش‌بینی رشد ارگانوئیدهای هیپوتالاموس-هیپوفیز تمرکز کردند. این ارگانوئیدها، عملکردهای غده‌ی هیپوفیز را بازسازی 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 گاهی، خطرآفرین هستند.

\"تصویری
نمایی جذاب از محققانی که در حال آماده‌سازی و بررسی ارگانوئیدها در آزمایشگاه هستند.

هیدتاکا سوگا، نویسنده‌ی مسئول و استاد دانشگاه ناگویا، می‌گوید: «در آزمایشگاه ما، مطالعات انجام‌شده بر روی موش‌ها نشان می‌دهد که پیوند ارگانوئیدهای هیپوتالاموس-هیپوفیز، می‌تواند در درمان کمبود ACTH در انسان‌ها مؤثر باشد.»

چالش‌های پیش روی محققان

با این حال، یکی از مهم‌ترین چالش‌ها برای محققان، تعیین این است که آیا ارگانوئیدها به شکل درستی در حال رشد هستند یا خیر. ارگانوئیدها که از سلول‌های بنیادی معلق در مایع به دست می‌آیند، نسبت به تغییرات کوچک محیطی بسیار حساس هستند و این مسئله می‌تواند منجر به تفاوت در رشد و کیفیت نهایی آن‌ها شود. محققان دریافتند که یکی از نشانه‌های رشد خوب، بیان زیاد پروتئینی به نام RAX در مراحل اولیه است که معمولاً منجر به ترشح مناسب ACTH در ارگانوئیدها می‌شود.

سوگا توضیح می‌دهد: «ما می‌توانیم رشد ارگانوئیدها را، با تغییر ژنتیکی آن‌ها به گونه‌ای که پروتئین RAX زیر نور فلورسنت بدرخشد، پیگیری کنیم. اما ارگانوئیدهایی که برای استفاده‌ی بالینی، مانند پیوند، در نظر گرفته می‌شوند، نباید دستخوش این تغییرات ژنتیکی شوند. بنابراین، محققان ما باید براساس آنچه با چشم می‌بینند، قضاوت کنند که این فرآیند زمان‌بر و غیردقیق است.»

\"تصویر
نمایش شماتیک از نحوه‌ی عملکرد هوش مصنوعی در پیش‌بینی رشد ارگانوئیدها.

بنابراین، سوگا و همکارانش در ناگویا با هیروهیکو نیوکا، استاد 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 شیوه‌ی پردازش اطلاعات توسط مغز انسان را تقلید می‌کنند و این امکان را به آن‌ها می‌دهند که حجم عظیمی از داده‌ها را با تشخیص الگوها تحلیل و دسته‌بندی کنند.»

تحقیقات نوآورانه در تشخیص 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 اول رشد نشان می‌دادند، ثبت کردند. آن‌ها با استفاده از تصاویر فلورسانس به عنوان راهنما، ۱۵۰۰ تصویر روشن‌فیلد را به سه دسته‌ی کیفیتی تقسیم کردند: A (بیان زیاد RAX، کیفیت بالا)، B (بیان متوسط RAX، کیفیت متوسط) و C (بیان کم RAX، کیفیت پایین). نیوکا سپس دو مدل پیشرفته‌ی یادگیری عمیق، EfficientNetV2-S و Vision Transformer، که توسط گوگل برای شناسایی تصاویر توسعه داده شده‌اند، را آموزش داد تا دسته‌ی کیفی ارگانوئیدها را پیش‌بینی کنند. او از ۱۲۰۰ تصویر روشن‌فیلد (۴۰۰ تصویر از هر دسته) به عنوان مجموعه‌ی آموزشی استفاده کرد.

نیوکا، پس از اتمام آموزش، دو مدل یادگیری عمیق را در 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. مدل جدید توانست تصاویر روشن‌فیلد ارگانوئیدها را با دقت ۷۰ درصد طبقه‌بندی کند. در مقابل، زمانی که محققان با سال‌ها تجربه در کشت ارگانوئیدها، سعی در دسته‌بندی تصاویر روشن‌فیلد مشابه داشتند، دقت آن‌ها کمتر از ۶۰ درصد بود. نیوکا اضافه می‌کند: «مدل‌های یادگیری عمیق از نظر دقت، حساسیت و سرعت، از متخصصان پیشی گرفتند.»

\"تصویر
نگاهی دقیق به ارگانوئیدهای گوناگون و ویژگی‌های کیفی آن‌ها در تحقیقات زیست‌پزشکی.

مرحله‌ی بعدی، بررسی این موضوع بود که آیا مدل ترکیبی می‌تواند تصاویر روشن‌فیلد ارگانوئیدهایی را که از نظر ژنتیکی برای نشان دادن فلورسانس RAX تغییر نکرده‌اند، به درستی طبقه‌بندی کند یا خیر. محققان، مدل ترکیبی آموزش‌دیده را بر روی تصاویر روشن‌فیلد ارگانوئیدهای هیپوتالاموس-هیپوفیز که پروتئین‌های فلورسانس RAX نداشتند، در ۳۰ روز اول رشد آزمایش کردند. آن‌ها با استفاده از تکنیک‌های رنگ‌آمیزی، دریافتند که ارگانوئیدهایی که مدل آن‌ها را در دسته‌ی A (کیفیت بالا) قرار داده بود، واقعاً بیان بالای RAX را در ۳۰ روز نشان می‌دادند. وقتی به کشت ادامه دادند، این ارگانوئیدها بعداً ترشح بالای ACTH را نشان دادند. هم‌زمان، سطوح پایین RAX و در ادامه ACTH برای ارگانوئیدهایی که مدل آن‌ها را در دسته‌ی C (کیفیت پایین) قرار داده بود، مشاهده شد.

نیوکا می‌گوید: «مدل ما می‌تواند در مراحل اولیه‌ی رشد، بر اساس ظاهر بصری، پیش‌بینی کند که کیفیت نهایی ارگانوئید چگونه خواهد بود.» او ادامه می‌دهد: «تا آنجا که ما می‌دانیم، این اولین بار در دنیاست که از یادگیری عمیق برای پیش‌بینی سرنوشت ارگانوئیدها استفاده شده است.»

در آینده، محققان قصد دارند دقت مدل یادگیری عمیق را با آموزش آن بر روی مجموعه‌های داده‌ی بزرگ‌تر، افزایش دهند. اما حتی در سطح فعلی دقت، این مدل تأثیرات عمیقی بر تحقیقات ارگانوئیدها دارد. سوگا در پایان می‌گوید: «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 خوب رشد نمی‌کنند، زمان و هزینه‌ها را کاهش دهیم.» او می‌افزاید: «این یک نقطه‌ی عطف است.»

مقاله های شبیه به این مقاله

بیشتر بخوانید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *