۱۸ سپتامبر ۲۰۲۶- میتوکندریها - ساختارهای کوچکی که مواد مغذی را به انرژی تبدیل میکنند - اغلب به شکل اشیاء مجزا و لوبیاییشکل تصویر میشوند. اما در واقعیت، آنها یک شبکه پویا و بههمپیوسته را در سراسر سلول تشکیل میدهند که هنگام انتقال به نقاطی که بیشترین نیاز به انرژی را دارند، بهسرعت دچار تقسیم (Fission) و همجوشی (Fusion) میشوند.
از آنجایی که شبکههای میتوکندریایی بسته به سلامت سلول، تغییر شکل میدهند، میتوان از آنها بهعنوان نشانگرهای بیماری یا برای آزمایش درمانهای جدید استفاده کرد. با این حال، درک چگونگی تأثیر این تغییرات بر عملکرد سلول دشوار بوده است، زیرا میتوکندریها عمدتاً بهصورت تصاویر دوبعدی، تخت و ساکن تصویربرداری شدهاند.
اکنون، پژوهشگران دانشگاه کالیفرنیا در سن دیگو (UC San Diego) با استفاده از دو رویکرد متفاوت، از طریق ساخت «سلولهای مجازی» (مدلهای دیجیتالی که فرآیندهای بیولوژیکی پویای سلولهای واقعی را تقلید میکنند)، این تغییرات ریختشناختی را کمیسازی کردهاند. هر دو رویکرد از میکروسکوپ «لتیس لایت-شیت چهاربعدی[1]» استفاده میکنند؛ تکنیکی پیشرفته که چگونگی حرکت میتوکندریها و سایر ساختارها را در سه بعد و در طول زمان ثبت میکند.
در یک رویکرد، یک مدل هوش مصنوعی یادگیری عمیق (Deep-learning AI) بر روی ۴۰,۰۰۰ فیلم چهاربعدی از سلولهای تحت درمان با دارو آموزش داده شد تا بتواند تنها از روی شکل میتوکندری، سلامت سلول را پیشبینی کند.
در رویکرد دیگر، یک «دوقلوی دیجیتال (Digital Twin)» از یک سلول زنده بر اساس یک فیلم چهاربعدی ساخته شد؛ به این صورت که مجموعهای از قوانین درباره رفتار اندامکها (Organelles) تعریف و این قوانین در یک مدل مبتنی بر فیزیک پیادهسازی شدند. آنها دریافتند که نحوه پاسخدهی شبکههای میتوکندریایی مجازی به داروها، شباهت بسیار زیادی به سلولهای واقعی دارد.
این دو مطالعه که هر دو در مجله Cellمنتشر شدهاند، میتوانند وابستگی به آزمایشهای آزمایشگاهی زمانبر را کاهش داده و روند کشف دارو را برای طیف وسیعی از بیماریها از جمله سرطان، دیابت، آلزایمر و اختلالات میتوکندریایی کودکان تسریع کنند.
مدل هوش مصنوعی یادگیری عمیق MitoSpace
پژوهشگران سلولهای سرطانی را با ۲۵ ترکیب مختلف که به دلیل ایجاد اختلال در میتوکندری (از طریق مکانیسمهای مختلف) شناخته شدهاند، تیمار کردند و ۴۰,۰۰۰ فیلم چهاربعدی از تکسلولها تولید کردند. آنها از این کتابخانه برای آموزش یک مدل یادگیری عمیق به نام MitoSpaceاستفاده کردند. برخلاف اکثر مدلهای هوش مصنوعی که نیاز به برچسبگذاری دستی تصاویر توسط انسان دارند، MitoSpaceالگوها را بهطور خودکار پیدا کرد و یاد گرفت که چه چیزی میتوکندری یک سلول را از سلول دیگر متمایز میکند.
نتایج خیرهکننده بود: مدل بدون اینکه بداند از چه دارویی برای هر سلول استفاده شده است، یک نقشه سازمانیافته ایجاد کرد که سلولهایی با پاسخهای مشابه را در کنار هم گروهبندی کرد. علاوهبر این، مدل توانست وضعیت انرژی سلول را صرفاً بر اساس شکل و حرکت میتوکندریها در ۲۶ شرایط دارویی مختلف پیشبینی کند.
پروفسور یوهانس شونبرگ، نویسنده مسئول و دانشیار دانشکده پزشکی UC San Diego، گفت: «برای یک قرن، ما معتقد بودیم که شکل میتوکندری بازتابدهنده عملکرد آن است؛ این مطالعه نشان میدهد که این رابطه چنان قوی است که یک مدل میتواند بدون دیدن پاسخِ صحیح، آن را یاد بگیرد.»
هنگام آموزش با فیلمهای چهاربعدی، این مدل توانست با دقت ۷۵٪ بین داروها تمایز قائل شده و آنها را بر اساس مکانیسم اثر گروهبندی کند؛ در حالی که این دقت در صورت استفاده از تصاویر دوبعدی (که امروزه در غربالگریهای گسترده دارویی رایج است)، تنها ۵۶٪ بود.
شونبرگف گفت: «یک سلول، یک شیء چهاربعدی است: دارای عمق است و هرگز از حرکت نمیایستد. سلولهای مجازی باید بر اساس دادههایی ساخته شوند که این واقعیت را ثبت کنند.»
استفاده از MitoSpaceبا فیلمهای چهاربعدی پتانسیل سرعت بخشیدن به کشف درمانهای جدید و همچنین شناسایی کاربردهای جدید برای داروهای موجود را دارد. این مدل همچنین با سازماندهی داروهایی که قبلاً ندیده بود و دستهبندی سلولهای ارگانوئید ریه انسانی بر اساس مرحله تکاملیشان (بدون نیاز به آموزش مجدد)، انعطافپذیری خود را نشان داد. این امر نشان میدهد که این مدل میتواند به ابزاری با کاربرد عمومی در زیستشناسی سلولی تبدیل شود.
دوقلوهای دیجیتال مبتنی بر فیزیک
در مطالعه دوم که در مجله Cell منتشر شده است، پژوهشگران یک «دوقلوی دیجیتال» مبتنی بر فیزیک از یک سلول سرطانی واقعی ساختند. آنها با استفاده از نرمافزار تخصصی تحلیل تصویر، موقعیت میتوکندریها و مسیرهای میکروتوبولهای آنها را نقشهبرداری کردند و سپس پروتئینهای موتوری را که مسئول انتقال آنها هستند، طبق نرخهای تعیینشده قبلی، به مدل اضافه کردند.
این سلول مجازی، قوانین حرکت را در خود جای داده بود و تیم شونبرگ پارامترهای آن را تا زمانی تنظیم کردند که رفتار میتوکندری با سلول واقعی مطابقت پیدا کند.
شونبرگ گفت: «ما یک سلول مجازی مبتنی بر فیزیک ساختهایم و میتوانیم آن را در کنار فیلم میکروسکوپی سهبعدی واقعی مقایسه کنیم؛ کاری که پیش از این هرگز ممکن نبود.»
برای آزمایش مدل، تیم از آن خواست پیشبینی کند که وقتی میکروتوبولها توسط دارویی به نام ناکودازول (Nocodazole) تا حدودی تخریب میشوند، میتوکندریها چه واکنشی نشان میدهند. دوقلوی دیجیتال بدون تغییر حتی یک پارامتر، کاهش حرکت و نرخهای همجوشی و تقسیم (Fission/Fusion) را دقیقاً مشابه سلولهای واقعیِ تیمار شده با دارو، بازسازی کرد. شونبرگ معتقد است چنین دوقلوهای دیجیتالی میتوانند برای آزمایش اثرات دارو، جهشهای بیماری یا طراحیهای مهندسی سلولی استفاده شوند و با صرفهجویی در تلاشهای تجربی، سرعت تحقیقات را بالا ببرند.
او افزود: « Cal27یک رده سلولی سرطان سر و گردن است که تنظیم میتوکندری در آن یک پرسش فعال علمی است. با درک تنظیمات میتوکندری، در نهایت میتوانیم با استفاده از دوقلوهای دیجیتال، راههای جدیدی برای درمان این سرطان پیدا کنیم.»
تأثیر بر علوم سلولی
با نگاه به آینده، تیم شونبرگ قصد دارد MitoSpaceو سلولهای مجازی دوقلوی دیجیتال را در یک گردش کار (Workflow) واحد ترکیب کند. مدل هوش مصنوعی الگوها را در حجم عظیمی از دادهها پیدا میکند و دوقلوهای دیجیتال، دلایل فیزیکی پشت آن الگوها را بررسی میکنند. پژوهشگران امیدوارند با ادغام سایر اندامکهای سلولی در این مدلها، یک سلول مجازی انسانی کامل بسازند.
شونبرگ میگوید: «آینده نهایی، نه یک سلول، بلکه چندین سلول هستند که به عنوان بافت عمل میکنند. مدلسازی بافتهای کامل به ما اجازه میدهد زیستشناسی واقعیتر انسان را شبیهسازی کنیم و در نهایت، درمانهای بالینی را بهبود بخشیم.»
منبع:
https://www.news-medical.net/news/20260918/Researchers-create-virtual-cells-to-accelerate-drug-discovery-efforts.aspx