پژوهشگران یک سامانه هوش مصنوعی توسعه داده‌اند که می‌تواند تغییرات ظریف و مرتبط با افزایش سن را در سازمان‌دهی سه‌بعدی دی‌ان‌ای (DNA) داخل سلول‌های بنیادی خون موش‌ها شناسایی کند.
با افزایش سن، توانایی بدن برای تولید مقدار کافی سلول‌های خونی به‌تدریج کاهش می‌یابد. این افت عملکرد، دستگاه خون‌ساز یا سیستم هماتوپوئتیک (Hematopoietic System) را تحت تأثیر قرار می‌دهد؛ شبکه‌ای از اندام‌ها و بافت‌ها که مسئول تولید سلول‌های خونی هستند. یافتن راه‌هایی برای حفظ یا بازگرداندن عملکرد این سیستم، نیازمند درک چگونگی پیر شدن سلول‌های بنیادی خون‌ساز است. بااین‌حال، تغییرات فیزیکی داخل این سلول‌ها می‌توانند بسیار متفاوت و ظریف باشند و تشخیص آن‌ها با استفاده از میکروسکوپ دشوار است.
پژوهشگران برای شناسایی این تغییرات، ابزار هوش مصنوعی جدیدی به نام کروم‌ایج‌نت (ChromAgeNet) توسعه داده‌اند. این سامانه تصاویر سه‌بعدی از هسته سلول را بررسی می‌کند و به دنبال الگوهایی در نحوه سازمان‌دهی دی‌ان‌ای می‌گردد. در مطالعه‌ای روی سلول‌های بنیادی خون موش که در نشریه اَیجینگ سِل (Aging Cell) منتشر شده است، این مدل توانست با احتمال ۷۷ درصد سلول‌های جوان را از سلول‌های پیر تشخیص دهد.
این پژوهش به سرپرستی دکتر ماریا کارولینا فلوریان (Maria Carolina Florian)، پژوهشگر برنامه پزشکی بازساختی در مؤسسه تحقیقات زیست‌پزشکی بِلویچ (IDIBELL) و استاد پژوهشی آی‌کِرِئا (ICREA)، و دکتر پائولا پترونه (Paula Petrone)، پژوهشگر مرکز ابررایانش بارسلونا (BSC-CNS) و مؤسسه سلامت جهانی بارسلونا (ISGlobal)، انجام شده است.
الگوهای جوان‌تر دی‌ان‌ای لزوماً به معنای جوان‌شدن سلول نیستند
شناسایی الگوهای مرتبط با افزایش سن می‌تواند راهی برای ارزیابی روش‌های درمانی باشد که با هدف تغییر این الگوها طراحی شده‌اند. تیم پژوهشی برای اثبات اولیه این مفهوم، از کروم‌ایج‌نت روی سلول‌های بنیادی خون پیر استفاده کرد که با داروهای مختلف اپی‌ژنتیک تحت درمان قرار گرفته بودند. این داروها بر سازوکارهایی اثر می‌گذارند که فعالیت ژن‌ها را تنظیم می‌کنند.
پژوهشگران با استفاده از این مدل بررسی کردند که آیا درمان‌ها سازمان‌دهی دی‌ان‌ای را به الگویی نزدیک‌تر به سلول‌های جوان تغییر می‌دهند یا خیر. نتایج، ظرفیت این ابزار را برای شناسایی واکنش سلول‌ها به مداخلات نشان می‌دهد؛ اما ثابت نمی‌کند که این داروها عملکرد سلول‌ها را بازگردانده یا باعث جوان‌شدن مجدد آن‌ها شده‌اند.
خواندن سن سلول از روی نحوه سازمان‌دهی دی‌ان‌ای
دی‌ان‌ای درون هسته سلول در ساختاری به نام کروماتین (Chromatin) بسته‌بندی می‌شود که عمدتاً از دی‌ان‌ای و پروتئین تشکیل شده است. نحوه سازمان‌دهی کروماتین به تنظیم فعالیت ژن‌ها کمک می‌کند و در نتیجه بر هویت و عملکرد سلول تأثیر می‌گذارد. مطالعه این سازمان‌دهی به پژوهشگران اجازه می‌دهد روند پیری را از طریق معماری فیزیکی هسته سلول بررسی کنند.
برای توسعه کروم‌ایج‌نت، تیم پژوهشی تصاویر سه‌بعدی از هسته سلول‌های بنیادی خون‌ساز موش تهیه کرد. در این تصاویر از رنگ‌آمیزی با دی‌ای‌پی‌آی (DAPI)، روشی رایج برای قابل مشاهده کردن دی‌ان‌ای، استفاده شد. یک شبکه عصبی کانولوشنی (Convolutional Neural Network) که نوعی هوش مصنوعی برای تحلیل تصاویر است، آموزش دید تا سلول‌های جوان را از سلول‌های پیر تشخیص دهد. عملکرد این مدل از یک مدل یادگیری ماشین دیگر که بر اساس ویژگی‌های کروماتین از پیش تعریف‌شده توسط پژوهشگران کار می‌کرد، بهتر بود.
پژوهشگران همچنین بررسی کردند که چه ویژگی‌هایی از تصاویر به کروم‌ایج‌نت در پیش‌بینی‌هایش کمک می‌کنند. از جمله این ویژگی‌ها می‌توان به آنتروپی کروماتین (Chromatin Entropy)، معیاری برای سنجش میزان بی‌نظمی، و هتروکروماتین (Heterochromatin)، شکل متراکم و فشرده کروماتین در نزدیکی لبه هسته، اشاره کرد. برخی متراکم‌شدگی‌های کروماتینی (Chromatin Condensates) نیز به تشخیص وضعیت‌های مرتبط با افزایش سن کمک کردند. این مدل به‌جای تکیه بر یک تفاوت ظاهری واضح، ترکیبی از ویژگی‌های فضایی را شناسایی کرد که اطلاعاتی درباره پیری سلولی در خود داشتند.
مشخص بودن ویژگی‌هایی که در پیش‌بینی مدل نقش دارند، به پژوهشگران کمک می‌کند طبقه‌بندی‌های انجام‌شده توسط مدل را به ویژگی‌های مشخص معماری هسته مرتبط کنند. این روش می‌تواند در کنار سایر نشانگرهای زیستی پیری، از جمله ساعت‌های اپی‌ژنتیک (Epigenetic Clocks)، مورد استفاده قرار گیرد. ساعت‌های اپی‌ژنتیک سن بیولوژیکی را بر اساس تغییرات شیمیایی در دی‌ان‌ای، مانند تغییرات متیلاسیون، تخمین می‌زنند.
یک رنگ‌آمیزی رایج می‌تواند غربالگری داروها را گسترش دهد
استفاده از این ابزار برای بررسی تعداد زیادی ترکیب دارویی می‌تواند عملی باشد، زیرا دی‌ای‌پی‌آی ماده‌ای ارزان است و به‌راحتی می‌توان آن را در فرایندهای میکروسکوپی به کار برد. کروم‌ایج‌نت همچنین تعداد نسبتاً کمی پارامتر در مدل خود دارد؛ پارامترهایی که مدل در فرایند آموزش یاد می‌گیرد. این ویژگی‌ها می‌توانند استفاده از آن را در میکروسکوپی با توان عملیاتی بالا امکان‌پذیر کنند؛ روشی که در آن تعداد زیادی نمونه به‌صورت هم‌زمان بررسی می‌شوند و می‌تواند به پژوهشگران در شناسایی ترکیباتی که ارزش بررسی بیشتر به‌عنوان درمان‌های احتمالی جوان‌سازی دارند، کمک کند.
این پروژه بخش اصلی رساله دکتری پابلو ایانِز (Pablo Iañez)، پژوهشگر مؤسسه سلامت جهانی بارسلونا، بوده و تخصص‌هایی در زمینه زیست‌شناسی سلول‌های بنیادی، پیری، تحلیل تصاویر و هوش مصنوعی را با یکدیگر ترکیب کرده است. تیم پژوهشی کروم‌ایج‌نت را به همراه مجموعه‌داده‌ای از تصاویر سه‌بعدی سلول‌های بنیادی خون‌ساز در اختیار جامعه علمی قرار داده است. از آنجا که داده‌های تصویری عمومی برای مطالعه روند پیری این سلول‌ها بسیار محدود هستند، این منبع می‌تواند به سایر پژوهشگران در توسعه و اعتبارسنجی ابزارهای محاسباتی کمک کند.
منبع: Scitechdaily
