هوش مصنوعی یک زبان مشترک را نشان می دهد که توسعه سلولی را هدایت می کند

توسط شفق ضیا، موسسه فناوری ماساچوست

ویرایش شده توسط Sadie Harley، بررسی توسط Robert Egan

این مقاله با توجه به روند و سیاست های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

همانطور که یک جنین از یک خوشه کوچک از سلول های بنیادی رشد می کند، آن سلول هایی که زمانی "لوح خالی" بودند، شروع به ایفای نقش های تخصصی تری مانند سلول های مغز، کبد یا ماهیچه می کنند و خود را در ساختارهای سه بعدی مانند بافت ها و اندام ها سازماندهی می کنند.

سرنوشت هر سلول - به چه نوع سلول تخصصی تبدیل خواهد شد - بستگی به این دارد که کدام ژن در سلول روشن یا خاموش شود. این الگوهای فعالیت ژنی ساختار و عملکرد سلول را شکل می‌دهند و آن را قادر می‌سازند نقش خاصی را در بدن به عهده بگیرند.

اما این تصمیم به تک تک سلول ها بستگی ندارد. آنها دائما سیگنال‌های شیمیایی را به سلول‌های مجاور می‌فرستند و دریافت می‌کنند، که به آنها کمک می‌کند بفهمند کجا هستند، در چه مرحله‌ای از رشد هستند و باید به چه چیزی تبدیل شوند. این پیام ها از طریق توالی های چند مرحله ای به نام مسیرهای سیگنالینگ منتشر می شوند که سیگنال های خارجی را به تغییرات خاصی در فعالیت ژن در سلول تبدیل می کنند.

برای محققان، توانایی بازیابی توالی دستورالعمل‌هایی که یک سلول دریافت کرده است، راهی برای درک چگونگی رشد بافت‌ها و اینکه چگونه این فرآیندها در بیماری‌ها به اشتباه می‌روند، ارائه می‌دهد.

اما دستیابی به این امر دشوار بوده است، زیرا دانشمندان مدت‌ها تصور می‌کردند که اثرات مسیرهای سیگنالینگ در انواع سلول‌ها بسیار متفاوت است، به این معنی که آنها باید هر مسیر را به طور جداگانه در هر نوع سلول ترسیم کنند - فرآیندی پر زحمت.

اکنون، در یک مطالعه جدید که توسط استادیار زیست شناسی MIT و یکی از اعضای موسسه تحقیقات زیست پزشکی وایت هد، پولین لی و دانشجوی فارغ التحصیل نیکلاس هاچینز رهبری می شود، محققان دریافته اند که هر مسیر سیگنالینگ یک «اثرانگشت» منحصر به فرد از خود به جای می گذارد – یک الگوی متمایز از فعالیت ژنی که منعکس کننده سیگنال های خاصی است که سلول با آن مواجه شده است.

این اثر انگشت‌ها در انواع سلول‌های مختلف برای یک مسیر سیگنال دهی یکسان هستند، به این معنی که به جای نقشه‌برداری از هر نوع سلول به طور جداگانه، دانشمندان می‌توانند تاریخچه سیگنالینگ را در بسیاری از انواع سلول‌ها با استفاده از این اثر انگشت‌های مسیر خاص بازسازی کنند.

این کشف از طریق یک مدل یادگیری ماشینی به نام IRIS امکان پذیر شد. این مدل می تواند اثر انگشت مسیرهای سیگنال دهی مختلف را تشخیص دهد و مشخص کند که کدام سیگنال سلولی در مراحل مختلف رشد در داخل جنین دریافت می شود، حتی برای انواع سلولی که قبلا با آن مواجه نشده بود.

این رویکرد مبتنی بر هوش مصنوعی نشان‌دهنده پیشرفتی نسبت به روش‌های سنتی است که محققان را ملزم می‌کند تا هر مسیری را در هر نوع سلول ممکن آزمایش کنند و امکان نقشه‌برداری جامع تاریخچه سیگنال‌دهی هر سلول در داخل یک موش یا جنین انسان را در مقیاسی بی‌سابقه باز می‌کند.

لی می‌گوید: «به سیستم‌های تشخیص صدا مانند سیری فکر کنید که عمدتا به زبان انگلیسی آموزش داده می‌شوند، اما سپس از این آموزش برای کمک به تشخیص زبان‌های دیگر استفاده می‌کنند. به این امر یادگیری انتقالی گفته می شود و به همین دلیل است که IRIS می تواند در انواع مختلف سلول کار کند.

یافته‌های دقیق دسترسی باز محققان که در مجله Nature Methods منتشر شده است، می‌تواند مهندسی سلول‌های بنیادی را برای پزشکی احیاکننده تسریع کند و ایجاد ارگانوئیدها - مدل‌های مینیاتوری و سه بعدی که از اندام‌های واقعی تقلید می‌کنند - برای مطالعه مکانیسم‌های بیماری و آزمایش داروهای جدید را بهبود بخشد. این به این دلیل است که وقتی محققان الگوی سیگنال‌هایی را که سلول‌های بنیادی را به یک نوع سلول خاص سوق می‌دهند، یاد بگیرند، می‌توانند آن سیگنال‌ها را برای کنترل سرنوشت سلول‌های بنیادی در آزمایشگاه یا محیط پزشکی بازسازی کنند.

IRIS یک مدل مبتنی بر شبکه عصبی است که در اصل یک سیستم مبتنی بر هوش مصنوعی است که برای تشخیص الگوها در داده‌های پیچیده طراحی شده است، شبیه به نحوه تشخیص الگوهای مغز ما. این فعالیت کلی ژن سلول را بررسی می‌کند و تخمین می‌زند که کدام مسیرهای سیگنالینگ در زمان‌های خاصی در طول تکامل «روشن» هستند.

لی و هاچینز IRIS را بر روی یک مجموعه داده تجربی بزرگ آموزش دادند که نشان می‌داد چگونه هزاران سلول بنیادی جنینی انسان به ده‌ها ترکیب از شش مسیر اصلی سیگنال دهی در مراحل مختلف توسعه پاسخ می‌دهند. این یک نقشه جامع یا اطلسی از نحوه تأثیر ترکیبات سیگنالینگ بر رفتار سلول ایجاد کرد.

سپس تیم IRIS را با استفاده از سلول‌های منفرد از جنین موش در طول گاسترولاسیون، مرحله‌ای که سلول‌ها به سرعت در حال انشعاب به سرنوشت‌های مختلف هستند، آزمایش کردند. IRIS می تواند به دقت پیش بینی کند که چه زمانی و کجا مسیرهای سیگنالی خاص در سلول هایی که قرار است بخشی از قلب، روده، ماهیچه و بافت نخاع شوند فعال شوند. این تنوع در مولکول های سیگنالینگ همان چیزی است که سلول ها را برای تشکیل ساختارهای مناسب در مکان های مناسب هدایت می کند.

با این رویکرد، دانشمندان نه تنها می توانند به درک اصول ارتباط سلول به سلول بپردازند، بلکه می توانند یک نقشه راه عملی برای هدایت سلول های بنیادی به انواع سلول های خاص و کاربردی در آزمایشگاه به دست آورند.

هنگامی که محققان از IRIS برای شناسایی سیگنال‌های مورد نیاز برای ایجاد یک نوع سلول حیاتی برای رشد ریه استفاده کردند، این مدل پیش‌بینی کرد که فعال کردن یک مسیر سیگنال‌دهی خاص باعث تشویق توسعه خاص ریه می‌شود. آزمایشات روی جنین موش پیش بینی مدل را تایید کرد.

با شناسایی ترکیب دقیق سیگنال‌هایی که رشد سلول‌های ریه را هدایت می‌کنند، می‌توانند با اطمینان بیشتری مدل‌های دقیق و رشد یافته در آزمایشگاه از بافت ریه تولید کنند.

هاچینز می‌گوید: «به این روش‌ها، IRIS به ما کمک می‌کند تا سلول‌های زبانی را که برای صحبت با یکدیگر استفاده می‌کنند، با سرعتی بسیار سریع‌تر از آنچه که می‌توانستیم از طریق آزمایش به آن دست پیدا کنیم، رمزگشایی کنیم.

این مدل‌های بهبودیافته به محققان اجازه می‌دهد بیماری‌هایی مانند آسم، سرطان ریه و فیبروز ریوی را مطالعه کنند، که در آن بافت ریه اغلب بدون علت شناخته‌شده دچار زخم می‌شود. سپس آنها می توانند از این مدل ها برای آزمایش درمان های بالقوه و در نهایت طراحی درمان های احیا کننده ای که می توانند بافت آسیب دیده را ترمیم کنند، استفاده کنند.

نیکلاس تی هاچینز و همکاران، بازسازی تاریخچه سیگنالینگ سلول های منفرد از طریق صفحه های اغتشاش و یادگیری انتقال، روش های طبیعت (2026). DOI: 10.1038/s41592-026-03213-8

ارائه شده توسط موسسه فناوری ماساچوست

کارشناسی علوم زیستی و اکولوژی. پیشینه آزمایشگاه میکروبیولوژی با تجربه اخبار دارویی در صنایع نفت، گاز و تجدیدپذیر. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →

این داستان با حسن نیت از MIT News (web.mit.edu/newsoffice/)، یک سایت محبوب که اخبار مربوط به تحقیقات، نوآوری و آموزش MIT را پوشش می دهد، بازنشر شده است.