به گزارش پایگاه اطلاع رساین بنیان، اندامک‌ها، که به عنوان "اندام‌های کوچک" نیز شناخته می‌شوند، برای پزشکی ترمیمی، کشف دارو و تحقیقات اساسی بسیار حیاتی هستند. اکنون، مدل‌های یادگیری عمیق می‌توانند پیشرفت‌های آن‌ها را در مراحل اولیه پیش‌بینی کنند. فوکوکا، ژاپن ، اندامک‌ها ، بافت‌های کوچک و کشت‌شده در آزمایشگاه که عملکرد و ساختار اندام را تقلید می‌کنند، در حال تحول در تحقیقات زیست‌پزشکی هستند. آن‌ها نوید موفقیت بزرگ در زمینه پیوندهای شخصی، مدل‌سازی بهتر بیماری‌هایی مانند آلزایمر و سرطان و بینش‌های دقیق‌تر در مورد اثرات داروهای پزشکی را می‌دهند. اکنون، محققان دانشگاه کیوشو و دانشگاه ناگویا در ژاپن مدلی را توسعه داده‌اند که از هوش مصنوعی (AI) برای پیش‌بینی پیشرفت اندامک‌ها در مراحل اولیه استفاده می‌کند. این مدل، که سریع‌تر و دقیق‌تر از محققان متخصص است، می‌تواند کارایی را بهبود بخشد و هزینه‌های کشت اندامک‌ها را کاهش دهد.در این مطالعه، که در تاریخ 6 دسامبر 2024 در Communications Biology منتشر شد، محققان بر پیش‌بینی توسعه اندامک‌های هیپوتالاموس-هیپوفیز تمرکز کردند.

درباره مطالعه

 ما از سیستم‌های کشت سه‌بعدی سلول‌های بنیادی پرتوان انسانی برای تمایز به ارگانوئیدهای هیپوفیز استفاده می‌کنیم. کشت سه‌بعدی به طور ذاتی با توانایی خود در القای جمعیت‌های سلولی متنوع مشخص می‌شود، که این موضوع حفظ کارایی مداوم تمایز را دشوار می‌کند. به همین دلیل، فرآیند کشت جنبه‌های تجربی دارد. در این مطالعه، ما از فناوری یادگیری عمیق برای ایجاد مدلی استفاده می‌کنیم که بتواند از تصاویر ارگانوئیدها پیش‌بینی کند که آیا تمایز به درستی پیش می‌رود یا خیر. مدل‌های ما که از EfficientNetV2-S یا Vision Transformer استفاده می‌کنند و بیان RAX متصل به VENUS را به کار می‌برند، تصاویر روشن‌زمینه ارگانوئیدها را با دقت 70 درصد به سه دسته طبقه‌بندی می‌کنند، که این دقت بالاتر از پیش‌بینی‌های ناظرین متخصص است. علاوه بر این، مدلی که از یادگیری مجموعه‌ای با این دو الگوریتم به دست آمده است می‌تواند بیان RAX را در سلول‌های بدون RAX::VENUS پیش‌بینی کند که نشان می‌دهد مدل ما می‌تواند در کاربردهای بالینی مانند پیوند استفاده شود.

عملکرد غده هیپوفیز در تولید هورمون

غده هیپوفیز، که مرکز ترشح هورمون‌ها است، با دریافت سیگنال‌هایی از هیپوتالاموس و ترشح هورمون‌های مختلف، به متابولیسم، تولید مثل و هموستاز کمک می‌کند. ژن‌های زیادی با توسعه هیپوفیز مرتبط هستند و اختلال در هیپوفیز می‌تواند به علت نقص‌های ژنتیکی مختلف ایجاد شود. سیستم هیپوتالاموس-هیپوفیز-آدرنال مسئول پاسخ به استرس‌هایی مانند عفونت، فشار خون پایین و جراحی است. نقص در این سیستم می‌تواند باعث خستگی، بی‌اشتهایی و سایر مشکلاتی شود که تهدیدکننده حیات هستند. درمان استاندارد برای کمبود هورمون آدرنوکورتیکوتروپیک (ACTH) جایگزینی استروئید است، اما استفاده از آن خطر نارسایی حاد آدرنال و مرگ را از بین نمی‌برد.

تاثیر یادگیری عمیق در تحلیل داده‌ها

یادگیری عمیق به عنوان یک روش پیشرفته در تحلیل داده‌ها و شناسایی الگوها، توانسته است در زمینه‌های مختلفی از جمله بیولوژی سلولی و زیست‌شناسی بنیادین به کار گرفته شود. تمایز سلولی به سمت اندامک‌های کوچک (ارگانوییدها) یکی از این زمینه‌ها است که در آن یادگیری عمیق می‌تواند نقش مهمی ایفا کند.اول اینکه برای بهبود پیش‌بینی فرایند تمایز که طی آن یادگیری عمیق با استفاده از الگوریتم‌های پیچیده و مدل‌های مانند شبکه‌های عصبی کانولوشنی (CNN) می‌تواند ویژگی‌های بصری و میکروسکوپی ارگانوئیدها را تجزیه و تحلیل کند. این قابلیت به دانشمندان کمک می‌کند تا پیش‌بینی کنند که آیا سلول‌ها به درستی به سمت تمایز پیش می‌روند یا خیر. دوم از لحاظ کاهش زمان و هزینه‌ها میتواند با استفاده از مدل‌های یادگیری عمیق می‌تواند زمان مورد نیاز برای بررسی تمایز سلولی را کاهش دهد. به جای ارزیابی بصری زمان‌بر که ممکن است نتایج متناقضی به همراه داشته باشد، این مدل‌ها می‌توانند به سرعت و با دقت بیشتر نتایج را تحلیل کنند. سوم از طریق شناسایی الگوهای پنهان میتواندیادگیری عمیق توانایی شناسایی الگوهای پنهان در داده‌ها را دارد که ممکن است توسط ناظران انسانی نادیده گرفته شود. این ویژگی می‌تواند در شناسایی انواع خاصی از تمایز یا الگوهای رفتاری سلولی مؤثر باشد. چهارم اینکه کاربرد در پزشکی و درمان این روش از طریق مدل‌های یادگیری عمیق می‌توانند در توسعه درمان‌های جدید و شخصی‌سازی‌شده نقش داشته باشند. به عنوان مثال، پیش‌بینی تمایز به سمت اندامک‌ها می‌تواند به شناسایی سلول‌های کافی برای پیوند و درمان‌های سلولی کمک کند.

بررسی عملکرد اندامک‌های تولید شده در آزمایشگاه

 این اندامک‌ها عملکردهای غده هیپوفیز را را برای عملکرهایی چون تولید هورمون آدرنوکورتیکوتروپیک (ACTH) هورمونی حیاتی برای تنظیم استرس، متابولیسم، فشار خون و التهاب تقلید می‌کنند. کمبود ACTH می‌تواند منجر به خستگی، بی‌اشتهایی و سایر مشکلاتی شود که می‌تواند تهدیدکننده زندگی باشد. در این زمینه، هیدتاکا سوگا، استاد وابسته دانشگاه ناگویا، می‌گوید: "در آزمایشگاه ما، مطالعات بر روی موش‌ها نشان می‌دهد که پیوند اندامک‌های هیپوتالاموس-هیپوفیز پتانسیل درمان کمبود ACTH در انسان‌ها را دارد." با این حال، یکی از چالش‌های کلیدی برای محققان تعیین این است که آیا اندامک‌ها به درستی در حال توسعه هستند یا خیر. اندامک‌ها که از سلول‌های بنیادی در مایعات معلق تهیه می‌شوند، به تغییرات محیطی حساس هستند و در نتیجه، تنوع در توسعه و کیفیت نهایی آن‌ها وجود دارد.

کاربردهای اندامک‌های تولید شده در آزمایشگاه

محققان دریافتند که یکی از نشانه‌های پیشرفت خوب، بیان وسیع پروتئین RAX در مراحل اولیه تکوین است، که معمولاً منجر به اندامک‌هایی با ترشح قوی ACTH در مراحل بعدی می‌شود. سوگا می‌گوید: "ما می‌توانیم پیشرفت را با تغییر ژنتیکی اندامک‌ها برای فلورسانس پروتئین RAX پیگیری کنیم. با این حال، اندامک‌هایی که برای استفاده بالینی، مانند پیوند، در نظر گرفته شده‌اند، نمی‌توانند به طور ژنتیکی تغییر یابند تا فلورسانس داشته باشند. بنابراین محققان ما باید بر اساس آنچه که با چشم می‌بینند، قضاوت کنند: زیرا فرآیندی زمان‌بر و نادرست. است. بنابراین، سوگا و همکارانش در ناگویا با هیروهیکو نیوکا، استاد ابتکار نوآوری داده‌محور در دانشگاه کیوشو، همکاری کردند تا مدل‌های یادگیری عمیق را برای این کار آموزش دهند. نیوکا توضیح می‌دهد: "مدل‌های یادگیری عمیق نوعی از هوش مصنوعی هستند که شیوه پردازش اطلاعات توسط مغز انسان را تقلید می‌کنند و به آن‌ها اجازه می‌دهند تا مقادیر زیادی از داده‌ها را با شناسایی الگوها تجزیه و تحلیل و طبقه‌بندی کنند."

نتیجه‌گیری

به طور کلی، یادگیری عمیق می‌تواند به افزایش دقت و کارایی در پیش‌بینی تمایز به سمت اندامک‌های کوچک کمک کند. این فناوری نوین در حال تبدیل شدن به ابزاری حیاتی در تحقیقات سلولی و بالینی است و می‌تواند تأثیرات قابل توجهی بر پیشرفت علم و پزشکی بگذارد.

پایان مطلب/.