هوش مصنوعی معمای صد ساله سرطان را حل کرد

به گزارش خبرداغ به نقل ازخبرآنلاین؛تینا مزدکی_بدن انسان برای عملکرد صحیح سلول‌ها به دستورالعمل‌های ژنتیکی دقیق متکی است. سرطان زمانی به وجود می‌آید که این دستورالعمل‌ها دچار اختلال می‌شوند. با انباشته‌شدن تدریجی خطاهای ژنتیکی، سلول‌ها محدودیت طبیعی رشد خود را از دست می‌دهند و به‌صورت خارج از کنترل تکثیر می‌شوند. ناهنجاری‌های کروموزومی شامل تغییرات عددی و ساختاری در کروموزوم‌ها اغلب از نخستین تغییراتی هستند که یک سلول سالم را به‌سمت سرطانی شدن سوق می‌دهند.

اکنون پژوهشگران گروه کوربل در EMBL هایدلبرگ یک ابزار هوش مصنوعی جدید توسعه داده‌اند که امکان بررسی دقیق چگونگی ایجاد این ناهنجاری‌های کروموزومی را برای دانشمندان فراهم می‌کند. یافته‌های این روش می‌تواند به روشن‌شدن نخستین گام‌هایی کمک کند که سلول را وارد مسیر سرطان می‌کنند.

یان کوربل، دانشمند ارشد EMBL و نویسنده مسئول این پژوهش که در مجله Nature منتشر شده، می‌گوید: «ناهنجاری‌های کروموزومی یکی از موتورهای اصلی ایجاد سرطان‌های بسیار تهاجمی هستند و ارتباط شدیدی با مرگ بیماران، متاستاز، عود بیماری، مقاومت شیمی‌درمانی و شروع سریع تومور دارند. ما می‌خواستیم بفهمیم چه عواملی احتمال بروز این تغییرات را تعیین می‌کند و نرخ وقوع این ناهنجاری‌ها هنگام تقسیم یک سلول هنوز سالم چقدر است.»

ارتباط بین کروموزوم‌های غیرطبیعی و سرطان بیش از یک قرن پیش مطرح شد. تئودور بووری، دانشمند آلمانی، در مشاهدات میکروسکوپی خود پیشنهاد کرده بود که محتوای نامنظم کروموزومی می‌تواند نقشی اساسی در ایجاد سرطان داشته باشد.

با این حال، شناسایی این سلول‌های دچار ناهنجاری همیشه دشوار بوده است؛ چون تنها تعداد کمی از سلول‌ها در هر لحظه چنین تغییراتی نشان می‌دهند و بسیاری از این سلول‌ها نیز یا به‌طور طبیعی می‌میرند یا در روند انتخاب طبیعی حذف می‌شوند. پژوهشگران به‌طور سنتی مجبور بودند این سلول‌ها را دستی و ذره‌ذره زیر میکروسکوپ جست‌وجو کنند، و تنها تعداد اندکی از آنها را می‌توانستند برای بررسی‌های عمیق‌تر جدا کنند.

مارکو کوزنزا، پژوهشگر گروه کوربل، پس از همکاری با گروه‌هایی در EMBL که با چالش مشابهی روبه‌رو بودند، به راه‌حل رسید. او و همکارانش یک سیستم خودکار از ترکیب میکروسکوپی اتوماتیک، توالی‌سنجی تک‌سلولی و هوش مصنوعی ساختند و نام آن را MAGIC گذاشتند؛ یعنی همگرایی یادگیری ماشینی با ژنومیک و تصویربرداری.

MAGIC در اصل مانند یک بازی تمام‌خودکار «لیزر تگ» کار می‌کند. این سیستم سلول‌هایی را که یک ویژگی قابل مشاهده دارند که در این پژوهش همان «ریزهسته» شناسایی می‌کند. میکروهسته‌ها محفظه‌های کوچکی داخل سلول هستند که بخشی از DNA جداشده از ژنوم اصلی در آنها قرار می‌گیرد. وجود ریزهسته نشان‌دهنده احتمال بالای تولید ناهنجاری‌های کروموزومی و در نتیجه احتمال سرطانی شدن سلول است.

هنگامی که سلول‌های دارای ریزهسته شناسایی شوند، سیستم آن‌ها را با لیزر نشانه‌گذاری می‌کند. پژوهشگران از یک رنگ فوتوتبدیل‌پذیر استفاده کردند؛ مولکولی فلورسنت که در صورت تابش نور، واکنش شیمیایی داده و رنگ نور بازتابی خود را تغییر می‌دهد.

کوزنزا می‌گوید: «این پروژه مجموعه‌ای از علایق من را کنار هم قرار داد؛ از ژنومیک و تصویربرداری میکروسکوپی تا اتوماسیون رباتیک. در دوران قرنطینه کرونا در سال ۲۰۲۰ فرصت داشتم روی یادگیری و به‌کارگیری فناوری بینایی کامپیوتری برای تصاویر زیستی کار کنم. سپس آزمایش‌هایی طراحی کردیم تا این سیستم را ارزیابی و توسعه دهیم.»

در عمل فرایند به این شکل است:

۱. یک میکروسکوپ خودکار مجموعه‌ای از تصاویر نمونه سلولی را ثبت می‌کند.
۲. الگوریتم یادگیری ماشینی که روی نمونه‌های دارای ریزهسته آموزش دیده، تصاویر را اسکن می‌کند.
۳. در صورت شناسایی سلول‌های هدف، مکان آن‌ها به میکروسکوپ گزارش می‌شود و سیستم با تابش نور، سلول‌ها را برای همیشه نشانه‌گذاری می‌کند.
۴. این سلول‌های نشانه‌گذاری شده سپس می‌توانند با روش‌هایی مانند فلوسایتومتری از دیگر سلول‌های زنده جدا شوند و مورد تحلیل‌های ژنومی دقیق قرار گیرند.

خودکارسازی این روند که قبلاً دستی، کند، خطاپذیر و بسیار زمان‌بر بود، به پژوهشگران اجازه داده در مقیاسی بی‌سابقه کار کنند. اکنون می‌توان در کمتر از یک روز نزدیک به ۱۰۰ هزار سلول را بررسی کرد. پژوهشگران با استفاده از MAGIC ناهنجاری‌های کروموزومی را در سلول‌های کشت‌شدهٔ مشتق‌شده از سلول‌های انسانی طبیعی بررسی کردند. نتایج نشان داد بیش از ۱۰٪ تقسیم‌های سلولی به‌طور خودبه‌خودی منجر به نوعی ناهنجاری کروموزومی می‌شوند. همچنین اگر ژن p۵۳ که یکی از شناخته‌شده‌ترین ژن‌های سرکوبگر تومور است دچار جهش باشد، این نرخ تقریباً دو برابر می‌شود.

در این مطالعه، عوامل دیگری نیز بررسی شدند؛ از جمله محل و نوع شکستگی‌های دو رشته‌ای DNA روی کروموزوم‌ها. این پروژه حاصل همکاری گسترده میان گروه‌های مختلف EMBL و خارج از آن بود؛ از جمله مرکز میکروسکوپی پیشرفته نوری (ALMF) و تیم پپِرکُک در EMBL هایدلبرگ، گروه ایسیدرو کورترس-سیرینو در EMBL-EBI، و تیم آندریاس کولوزیک در مرکز تحقیقات سرطان آلمان (DKFZ) که بخشی از واحد شراکت پزشکی مولکولی (MMPU) با دانشگاه هایدلبرگ است.

MAGIC بسیار انعطاف‌پذیر و قابل‌انطباق است. در این مطالعه الگوریتم برای شناسایی ریزهسته‌ها آموزش داده شد، اما اصولاً می‌توان آن را روی هر ویژگی سلولی قابل مشاهده آموزش داد. کوربل می‌گوید: «تا وقتی یک ویژگی وجود داشته باشد که بتوان آن را از یک سلول معمولی تشخیص داد، هوش مصنوعی قادر است آن را یاد بگیرد. بنابراین، سیستم ما می‌تواند به پیشبرد کشفیات آینده در حوزه‌های مختلف زیست‌شناسی کمک کند.»

منبع: scitechdaily