حل معمای صدساله سرطان با توان هوش مصنوعی

پژوهشگران EMBL ابزار تازه‌ای مبتنی بر هوش مصنوعی ساخته‌اند که با رویکردی شبیه به «لیزر‌تگ مولکولی» سلول‌هایی را شناسایی می‌کند که قادرند ابتدایی‌ترین منشأهای بروز سرطان را آشکار کنند.
بدن انسان برای عملکرد درست سلول‌ها به دستورالعمل‌های ژنتیکی دقیق وابسته است. زمانی که این دستورالعمل‌ها مختل می‌شوند، فرایند شکل‌گیری سرطان آغاز می‌شود. با انباشته‌شدن تدریجی خطاهای ژنتیکی، سلول‌ها محدودیت‌های طبیعی رشد خود را از دست می‌دهند و شروع به تکثیر کنترل‌نشده می‌کنند. ناهنجاری‌های کروموزومی، شامل نقص‌های عددی و ساختاری در کروموزوم‌ها اغلب از نخستین تغییراتی هستند که سلول‌های سالم را به سمت سرطانی‌شدن سوق می‌دهند.

پژوهشگران گروه کُربل در مرکز EMBL هایدلبرگ ابزار تازه‌ای مبتنی بر هوش مصنوعی ایجاد کرده‌اند که راهی نوین برای بررسی دقیقِ چگونگی شکل‌گیری ناهنجاری‌های کروموزومی در اختیار دانشمندان قرار می‌دهد. یافته‌های به‌دست‌آمده از این روش ممکن است در نهایت برخی از ابتدایی‌ترین مراحل منتهی به بروز سرطان را روشن کند.

 این را یان کُربل، دانشمند ارشد در EMBL و نویسنده ارشد این پژوهش تازه که در Nature منتشر شده، می‌گوید: «ناهنجاری‌های کروموزومی از محرک‌های اصلی به‌ویژه در سرطان‌های بسیار تهاجمی هستند و ارتباط نزدیکی با مرگ بیماران، متاستاز، عود بیماری، مقاومت به شیمی‌درمانی و بروز سریع تومور دارند. ما می‌خواستیم بفهمیم چه عواملی احتمال بروز این تغییرات کروموزومی را تعیین می‌کنند و نرخ شکل‌گیری چنین ناهنجاری‌هایی در زمان تقسیم یک سلول هنوز سالم چقدر است.»

ارتباط میان کروموزوم‌های غیرطبیعی و سرطان مدت‌هاست مورد توجه قرار گرفته است. بیش از ۱۰۰ سال پیش، دانشمند آلمانی تئودور بووری بر اساس مشاهدات میکروسکوپی خود پیشنهاد کرد که محتوای نامنظم کروموزومی در سلول‌ها نقشی کلیدی در شکل‌گیری سرطان ایفا می‌کند.

چرا ناهنجاری‌های کروموزومی مطالعه‌پذیر نیستند

با این حال، شناسایی این ناهنجاری‌ها مدت‌ها دشوار بوده است، زیرا تنها تعداد کمی از سلول‌ها در هر لحظه چنین تغییراتی را نشان می‌دهند و بسیاری از این سلول‌ها یا خودبه‌خود می‌میرند یا از طریق انتخاب طبیعی حذف می‌شوند (یا کشته می‌شوند). پژوهشگران به‌طور سنتی مجبور بودند این سلول‌ها را با دست و از طریق میکروسکوپ جستجو کنند و تنها می‌توانستند تعداد کمی از آن‌ها را برای بررسی‌های دقیق‌تر جمع‌آوری کنند.

مارکو کوزنزا، دانشمند پژوهشی در گروه کُربل، پس از همکاری با تیم‌های دیگر در EMBL که با چالش‌های مشابه دست‌وپنجه نرم می‌کردند، به راه‌حلی برای این مشکل دست یافت. او و همکارانش سیستم خودکاری جدیدی توسعه دادند که میکروسکوپی خودکار، توالی‌یابی تک‌سلولی و هوش مصنوعی را با هم ترکیب می‌کند و آن را «همگرایی ژنومیک و تصویربرداری با کمک یادگیری ماشینی» یا به اختصار MAGIC نامیدند.

«لیزر‌تگ» برای شناسایی و علامت‌گذاری دقیق سلول‌ها

در اصل، سیستم MAGIC مانند یک بازی کامل و خودکار لیزرتگ عمل می‌کند. این سیستم «دشمنان» یا همان سلول‌هایی با ویژگی خاص قابل مشاهده را شناسایی می‌کند. در این مطالعه، دانشمندان بر ساختار سلولی به نام «ریز‌هسته» تمرکز کردند. ریزهسته‌ها بخش‌های کوچک محصور شده‌ای در داخل سلول‌ها هستند که حاوی بخشی از DNA سلول‌اند که از بخش اصلی ژنوم جدا شده است. سلول‌هایی که ریزهسته دارند، تمایل دارند ناهنجاری‌های کروموزومی جدید تولید کنند، که احتمال سرطانی شدن آن‌ها را افزایش می‌دهد.

پس از شناسایی سلول‌های دارای ریزهسته، سیستم آن‌ها را با استفاده از لیزر «علامت‌گذاری» می‌کند. برای این کار، دانشمندان از یک رنگ‌دانه فوتوکانورتیبِل (قابل تبدیل با نور) استفاده کردند؛ مولکولی فلورسانت که هنگام تابش نور دچار تحول شیمیایی می‌شود و رنگ نوری که منتشر می‌کند را تغییر می‌دهد.

مارکو کوزنزا گفت: «این پروژه بسیاری از علایق من را در کنار هم جمع کرد. این پروژه شامل ژنومیک، تصویربرداری میکروسکوپی و خودکارسازی رباتیک است. در دوران قرنطینه مرتبط با کووید-۱۹ در سال ۲۰۲۰، توانستم زمان زیادی را صرف یادگیری و به‌کارگیری فناوری‌های بینایی کامپیوتری مبتنی بر هوش مصنوعی روی داده‌های تصویری بیولوژیکی که پیش‌تر جمع‌آوری کرده بودیم، کنم. پس از آن، آزمایش‌هایی طراحی کردیم تا این روش را اعتبارسنجی کرده و آن را گسترش دهیم.»

MAGIC مانند یک بازی کامل و خودکار لیزرتگ عمل می‌کند: سلول‌هایی با ویژگی قابل مشاهده خاص، مانند وجود ریزهسته، را شناسایی کرده و با استفاده از سیستمی شامل لیزر و رنگ‌دانه فوتوکانورتیبِل علامت‌گذاری می‌کند.

در عمل، MAGIC به این صورت کار می‌کند: ابتدا یک میکروسکوپ خودکار، مجموعه‌ای از تصاویر نمونه سلولی را ثبت می‌کند. سپس الگوریتم یادگیری ماشینی، که روی داده‌های دستی علامت‌گذاری شده سلول‌های دارای ریزهسته آموزش دیده است، تصاویر را اسکن می‌کند. هنگامی که الگوریتم سلول‌های دارای ریزهسته را شناسایی می‌کند، موقعیت آن‌ها را به میکروسکوپ منتقل کرده و دستور می‌دهد نور دقیقاً بر روی همان سلول‌ها تابیده شود تا آن‌ها به‌طور دائمی علامت‌گذاری شوند. سپس این سلول‌های علامت‌گذاری‌شده می‌توانند با روش‌هایی مانند فلوسایتومتری به‌راحتی از سلول‌های زنده دیگر جدا شوند و مورد تحلیل‌های عمیق‌تر، مانند بررسی ژنوم سلولی، قرار گیرند.

گسترش یک فرآیند پیش‌تر کند

با خودکارسازی فرآیند قبلاً زمان‌بر، پرزحمت و مستعد خطا در شناسایی سلول‌های دارای ریزهسته، MAGIC به دانشمندان امکان می‌دهد این سلول‌ها را با سرعت و مقیاسی بی‌سابقه مطالعه کنند. با استفاده از این روش، در کمتر از یک روز می‌توان تقریباً ۱۰۰,۰۰۰ سلول را تحلیل کرد.

تیم پژوهشی از MAGIC برای تحلیل ناهنجاری‌های کروموزومی در سلول‌های کشت‌شده استفاده کرد که در اصل از سلول‌های سالم انسانی گرفته شده بودند. نتایج آن‌ها نشان داد که کمی بیش از ۱۰٪ از تمامی تقسیمات سلولی منجر به بروز خودبه‌خودی نوعی ناهنجاری کروموزومی می‌شود و این نرخ تقریباً دو برابر می‌شود وقتی یک ژن خاص p53، که یک سرکوبگر تومور شناخته‌شده است؛ دچار جهش شود. دانشمندان همچنین عوامل و محرک‌های دیگری که در شکل‌گیری ناهنجاری‌های کروموزومی نقش دارند را بررسی کردند، مانند وجود و محل شکست‌های دو رشته‌ای DNA در داخل کروموزوم.

این مطالعه شامل همکاری‌های درون و برون‌EMBL بود، با مشارکت‌های کلیدی از امکانات پیشرفته میکروسکوپی نوری (ALMF) و تیم پپرکوک در EMBL هایدلبرگ، گروه ایسیدرو کورتس-سیریانو در EMBL-EBI، و تیم آندریاس کولوزیک در مرکز تحقیقات سرطان آلمان (DKFZ)، که بخشی از واحد همکاری پزشکی مولکولی (MMPU) بین EMBL و دانشگاه هایدلبرگ نیز به شمار می‌رود.

MAGIC یک تکنیک بسیار چندکاربردی و انعطاف‌پذیر است. در حالی که دانشمندان آن را برای این مطالعه آموزش دادند تا سلول‌هایی با ریزهسته را شناسایی کند، الگوریتم به‌طور نظری می‌تواند روی انواع مختلف داده‌ها آموزش ببیند تا ویژگی‌های سلولی متفاوتی را تشخیص دهد.

یان کُربل می‌گوید: «تا زمانی که ویژگی‌ای وجود داشته باشد که بتوان آن را بصری از یک سلول «عادی» تمایز داد، می‌توان به لطف هوش مصنوعی، سیستم را برای شناسایی آن آموزش داد. بنابراین سیستم ما پتانسیل پیشبرد کشفیات آینده در حوزه‌های متعددی از زیست‌شناسی را دارد.»

منبع خبر : scitechdaily.com