هوش مصنوعی جدید دانشمندان اسپانیایی پیری سلول‌های بنیادی خون را تشخیص می‌دهد
دانشمندان با تحلیل سه‌بعدی DNA و بدون نیاز به روش‌های پرهزینه، دگرگونی ساختار هسته سلول در گذر زمان را آشکار کردند.
افزایش سن به مرور زمان توانایی بازسازی بافت‌های بدن را ضعیف می‌کند و اثر مخربی بر روند تولید سلول‌های خونی بر جای می‌گذارد. در این مسیر، بررسی دگرگونی‌های رخ‌داده در سلول‌های بنیادی خون اهمیت زیادی دارد تا برای کند کردن روند فرسایش آنها و بازیابی عملکرد اولیه‌شان راهکاری پیدا کرد. اکنون تیمی از پژوهشگران در بارسلونا موفق به توسعه یک ابزار هوش مصنوعی به نام «ChromAgeNet» شده‌اند که با بررسی ساختار سه‌بعدی DNA، نشانه‌های پیری را در سلول‌های بنیادی خون شناسایی می‌کند.
نتایج این مطالعه که در نشریه Aging Cell منتشر شده، به سرپرستی «ماریا کارولینا فلورین» از مؤسسه پژوهش‌های زیست‌پزشکی بلویچ (IDIBELL) و «پائولا پترونه» از مرکز فوق‌رایانش بارسلونا (BSC-CNS) و مؤسسه سلامت جهانی بارسلونا (ISGlobal) انجام گرفته است. این تحقیق نشان می‌دهد که نحوه چینش و سازمان‌دهی کروماتین (یا همان ساختار فشرده DNA و پروتئین‌ها درون هسته سلول) حامل داده‌هایی است که تمایز سلول‌های بنیادی موش‌های جوان و مسن را ممکن می‌کند.
پژوهشگران برای آموزش این مدل، شبکه‌های عصبی را روی تصاویر سه‌بعدی از هسته سلول‌های بنیادی موش‌ها پیاده‌سازی کرده‌اند. این سیستم تغییرات ظریف ساختاری را که فراتر از دید چشم انسان است شناسایی می‌کند.
یکی از چالش‌های همیشگی استفاده از شبکه‌های عصبی، عدم آگاهی از مبنای تصمیم‌گیری آنها بوده است؛ بااین‌حال، ChromAgeNet به‌عنوان یک هوش مصنوعی که نحوه تصمیم‌گیری و منطق عملکرد مدل را مشخص می‌کند، این مانع را کنار زده است. این سیستم به‌طور میانگین توانسته حدود ۶۸ درصد از سلول‌ها را با استفاده از تصاویر رنگ‌آمیزی‌شده با رنگ استاندارد و ارزان‌قیمت DAPI به درستی در دو دسته جوان یا مسن طبقه‌بندی کند. بررسی نحوه تصمیم‌گیری این ابزار نشان داده که تغییرات ایجادشده در لبه‌های بیرونی هسته سلول، ارتباط مستقیمی با روند پیری دارند؛ به گونه‌ای که کروماتین در لبه هسته سلول‌های جوان ساختاری متراکم و منظم دارد، در‌حالی‌که در سلول‌های مسن به شکل پراکنده دیده می‌شود.
کاربرد ابزار هوش مصنوعی ChromAgeNet در ارزیابی داروهای جوانسازی
پژوهشگران برای بررسی عملکرد عملی این الگوریتم، یک طرح اثبات مفهوم پیاده کردند و این ابزار را برای سلول‌های مسنی که در معرض داروهای اپی‌ژنتیک مختلف قرار گرفته بودند به کار بردند. هدف این بود که مشخص شود آیا این مولکول‌ها می‌توانند دگرگونی‌هایی در ساختار کروماتین ایجاد کنند که به حالت سلول‌های جوان نزدیک باشد یا خیر. این موضوع ظرفیت سامانه را برای غربالگری درمان‌هایی که به ترمیم بافت خون‌ساز و تقویت سیستم ایمنی کمک می‌کنند، مشخص می‌کند. تیم سازنده با هدف سرعت بخشیدن به کشفیات تازه، کد برنامه و پایگاه داده تصاویر سه‌بعدی سلول‌های بنیادی را در دسترس جامعه علمی بین‌المللی قرار داده است.
دکتر فلورین درباره کاربردهای این پروژه توضیح می‌دهد:
«ما درحال‌حاضر ابزاری ساخته‌ایم که به‌عنوان اثبات مفهوم در سلول‌های بنیادی خون‌ساز موش عمل می‌کند. اکنون درحال بهینه‌سازی و تطبیق آن با سلول‌های بنیادی انسانی هستیم، با این امید که از آن برای ارزیابی داروهای جدید اثرگذار بر ساختار هسته و جوانسازی سلول‌های بنیادی فرسوده بهره ببریم.»
دکتر پترونه نیز در این زمینه اشاره کرد که الگوریتم‌های یادگیری عمیق می‌توانند با تحلیل تصاویر ساده هسته سلول، نمونه‌های جوان و کهنسال را تشخیص دهند. او تأکید کرده هدف اصلی، افزایش طول عمر سالم است و غربالگری ترکیبات دارویی با این شیوه می‌تواند به کاهش آسیب‌های ناشی از پیری سیستم ایمنی کمک کند. با این وجود، پترونه احتیاط را در این مرحله ضروری می‌داند و هشدار داده که نباید در برداشت از نتایج اغراق شود؛ چرا که رسیدن چنین فناوری‌هایی به سطح کاربردهای بالینی و آزمایشگاهی انسانی نیازمند سال‌ها توسعه و اعتبارسنجی دقیق است.
نظر شما