پژوهشگران یک مدل یادگیری عمیق توسعه دادهاند که قادر است بهصورت دقیقهبهدقیقه پیشبینی کند سلولهای منفرد در مراحل اولیه رشد چگونه تغییر میکنند. این دستاورد که از پیشرفتهترین تلاشها برای فهم چگونگی شکلگیری بافتها و اندامها از نخستین لحظات پیدایش به شمار میرود، میتواند به شناسایی الگوهای سلولی مرتبط با بیماریها در مراحل بسیار اولیه، از جمله آسم و سرطان، کمک کند.
به گزارش جماران این مطالعه که در نشریه Nature Methods منتشر شده، نشان میدهد مدل هوش مصنوعی میتواند هزاران سلول را با دقت بالا دنبال کرده و نحوه تاخوردگی، تقسیم و جابهجایی مداوم آنها را در مرحله آغازین رشد پیشبینی کند. چنین قابلیتی افقهای تازهای برای کاربردهای آینده، از جمله پیشبینی شکلگیری اندامهای پیچیدهتر و تشخیص زودهنگام الگوهای بیماریزا، میگشاید.
هدف اصلی این پژوهش پاسخ به پرسشی بنیادین در زیستشناسی تکوینی است: چگونه هزاران سلول حرکتها و برهمکنشهای خود را هماهنگ میکنند تا ساختارهای زیستی پایه یک موجود زنده شکل بگیرد؟
مرحله «گاسترولاسیون» (تمعج جنینی) یکی از حساسترین مراحل رشد جنین است؛ زمانی که جنین از شکلی ساده و بدون جزئیات به ساختاری پیچیده با چینخوردگیها و تمایزهای سلولی تبدیل میشود.
مینگ گوئو، نویسنده اصلی مطالعه و دانشیار مهندسی مکانیک در مؤسسه فناوری ماساچوست (MIT)، میگوید این مرحله که حدود یک ساعت طول میکشد، شاهد تغییراتی عظیم در مقیاس دقیقه است و مدلسازی دقیق آن گامی اساسی برای درک چگونگی شکلگیری بافتها و ساختارهای پیچیده از برهمکنشهای محلی سلولها به شمار میآید.
پژوهشگران این مدل را روی ویدئوهای سهبعدی با وضوح بالا از جنین مگس سرکه اعمال کردند؛ ویدئوهایی که هر یک شامل حدود پنج هزار سلول است و روند تقسیم، پیچخوردگی و بازآرایی آنها را در گذر زمان ثبت میکند. نتایج نشان داد مدل میتواند با دقتی نزدیک به ۹۰ درصد، رفتار سلولها را لحظهبهلحظه پیشبینی کند؛ از جمله احتمال تقسیم یا تاخوردگی سلول و حفظ تماس با سلولهای مجاور.
هسته محاسباتی این مدل بر پایه ساختاری نوآورانه به نام «گراف دوگانه» بنا شده است؛ رویکردی که دو دیدگاه رایج اما متفاوت در مدلسازی زیستی—«ابرنقاط» و «کف/حباب»—را با هم ترکیب میکند. این تلفیق امکان ثبت جزئیات هندسی بیشتری مانند موقعیت هسته، مرزهای سلولی و نوع اتصال سلولها را فراهم میسازد.
دادههای آموزشی مورد استفاده که با همکاری دانشگاه میشیگان تهیه شدهاند به دلیل وضوح نزدیک به میکرون و پوشش کامل سهبعدی جنین، مجموعهای کمنظیر به شمار میآیند و به مدل اجازه میدهند تغییرات مکانیکی و هندسی هر سلول را بهدقت بیاموزد.
به گفته پژوهشگران، این چارچوب محاسباتی نهتنها برای مگس سرکه، بلکه بهطور نظری برای سامانههای زیستی پیچیدهتر مانند بافتهای مهرهداران، ماهیها و حتی پستانداران نیز قابل استفاده است. محدودیت اصلی، نه توان محاسباتی مدل، بلکه کمبود دادههای تصویربرداری باکیفیت در مقیاس تکسلولی در موجودات بزرگتر است.
هدف نهایی این پژوهش، بهرهگیری از مدل برای شناسایی الگوهای سلولی مرتبط با بیماریها در مراحل اولیه است. برای نمونه، بافت ریه در آسم ویژگیهای سلولی متفاوتی نسبت به بافت سالم دارد، اما چگونگی شکلگیری این تفاوتها در آغاز هنوز بهطور کامل شناخته نشده است. پژوهشگران معتقدند این مدل میتواند «تفاوتهای دینامیکی ظریف» را در روند تکوین بافتها آشکار کند و به تشخیص زودهنگام یا بهبود آزمونهای دارویی کمک رساند.
این مطالعه نشان میدهد ادغام هوش مصنوعی با زیستشناسی تکوینی میتواند درک ما از شکلگیری حیات و منشأ اختلالات آن را دگرگون کند و افقهای تازهای برای تشخیص و درمان زودهنگام بیماریها بگشاید.
