هوش مصنوعی علائم پنهان پیری را در ساختار سه‌بعدی DNA شناسایی می‌کند

پژوهشگران سیستم هوش مصنوعی‌ای توسعه داده‌اند که می‌تواند تغییرات ظریف مرتبط با افزایش سن در سازماندهی سه‌بعدی DNA داخل سلول‌های بنیادی خونی موش‌ها را شناسایی کند.

با افزایش سن، بدن ما به تدریج توانایی کمتری برای تولید کافی سلول‌های خونی پیدا می‌کند. این افت عملکرد، سیستم هماتوپویتیک (خون‌ساز) را تحت تأثیر قرار می‌دهد؛ شبکه‌ای از اندام‌ها و بافت‌ها که مسئولیت تولید خون را بر عهده دارند. یافتن راه‌هایی برای حفظ یا بازگرداندن عملکرد این سیستم نیازمند درک چگونگی پیر شدن سلول‌های بنیادی سازنده خون است، اما تغییرات فیزیکی درون این سلول‌ها می‌تواند بسیار متنوع باشد و آنقدر ظریف است که زیر میکروسکوپ قابل تشخیص نیست.

پژوهشگران ابزاری مبتنی بر هوش مصنوعی به نام ChromAgeNet را برای کمک به تشخیص این تغییرات توسعه داده‌اند. این ابزار تصاویر سه‌بعدی هسته سلول را بررسی کرده و الگوهایی در نحوه سازماندهی DNA را جستجو می‌کند. در مطالعه‌ای روی سلول‌های بنیادی خونی موش که در مجله Aging Cell منتشر شد، این مدل احتمال ۷۷ درصدی برای تمایز صحیح سلول‌های جوان از سلول‌های مسن نشان داد.

این پژوهش به سرپرستی دکتر ماریا کارولینا فلوریان، محقق برنامه پزشکی بازسازی در مؤسسه تحقیقات زیست‌پزشکی بلویتجه (IDIBELL) و استاد پژوهشی ICREA، و دکتر پائولا پترونه، محقق مرکز ابررایانه بارسلون–مرکز ملی ابررایانش (BSC-CNS) و مؤسسه جهانی سلامت بارسلون (ISGlobal)، انجام شد.

تشخیص الگوهای مرتبط با سن می‌تواند راهی برای ارزیابی درمان‌هایی به محققان بدهد که هدفشان تغییر این الگوها است. به عنوان یک اثبات مفهوم، تیم پژوهشی ChromAgeNet را بر روی سلول‌های بنیادی خونی مسن درمان‌شده با داروهای اپی‌ژنتیک مختلف اعمال کرد؛ داروهایی که بر مکانیسم‌های تنظیم فعالیت ژنی اثر می‌گذارند.

آن‌ها از مدل برای ارزیابی این موضوع استفاده کردند که آیا درمان‌ها سازماندهی DNA را به سمت الگویی متناسب با سلول‌های جوان‌تر تغییر داده‌اند یا خیر. نتایج، پتانسیل ابزار را برای تشخیص پاسخ به مداخلات نشان می‌دهد، اما ثابت نمی‌کند که داروها عملکرد سلول‌ها را بازگردانده یا آن‌ها را جوان‌سازی کرده‌اند.

در داخل هسته، DNA در ماده‌ای به نام کروماتین بسته‌بندی می‌شود که عمدتاً از DNA و پروتئین تشکیل شده است. سازماندهی کروماتین به تنظیم اینکه کدام ژن‌ها فعال هستند کمک می‌کند و هویت و عملکرد سلول را شکل می‌دهد. مطالعه این آرایش، راهی برای بررسی پیری از طریق معماری فیزیکی هسته در اختیار محققان قرار می‌دهد.

برای توسعه ChromAgeNet، تیم پژوهشی تصاویر سه‌بعدی هسته سلول‌های بنیادی هماتوپویتیک موش را که با DAPI رنگ‌آمیزی شده بودند جمع‌آوری کرد؛ تکنیکی رایج برای دیدنی کردن DNA. یک شبکه عصبی کانولوشنی (Convolutional Neural Network)، نوعی هوش مصنوعی طراحی شده برای تحلیل تصویر، یاد گرفت که سلول‌های جوان را از مسن تمایز دهد. این مدل عملکرد بهتری نسبت به یک مدل جداگانه یادگیری ماشین داشت که بر ویژگی‌های کروماتینی تعریف‌شده از پیش توسط محققان تکیه می‌کرد.

محققان همچنین بررسی کردند که کدام ویژگی‌های تصاویر به ChromAgeNet در انجام پیش‌بینی‌هایش کمک کرده است. از جمله این ویژگی‌ها می‌توان به آنتروپی کروماتین (معیاری برای بی‌نظمی) و هتروکروماتین (شکل متراکم کروماتین) نزدیک لبه هسته اشاره کرد. برخی از چگالی‌های کروماتین (Condensates)، یعنی تجمعات متراکم مواد کروماتینی، نیز به تمایز حالت‌های مرتبط با سن کمک کردند. به جای تکیه بر یک تفاوت بصری آشکار، مدل ترکیبی از ویژگی‌های فضایی را شناسایی کرد که حاوی اطلاعاتی درباره پیری سلولی بودند.

دانستن اینکه کدام ویژگی‌ها به پیش‌بینی کمک می‌کنند، طبقه‌بندی‌های مدل را به ویژگی‌های مشخصی از معماری هسته متصل می‌کند. این رویکرد می‌تواند مکمل سایر بیومارکرهای پیری، از جمله ساعت‌های اپی‌ژنتیک باشد که سن بیولوژیکی را از تغییرات شیمیایی DNA مانند تغییرات متیلاسیون تخمین می‌زنند.

استفاده از این ابزار برای غربالگری تعداد زیادی از ترکیبات می‌تواند عملی شود زیرا DAPI ارزان است و به راحتی در پروتکل‌های میکروسکوپی ادغام می‌شود. ChromAgeNet همچنین دارای پارامترهای مدل نسبتاً کمی است؛ مقادیر داخلی که در حین آموزش یاد می‌گیرد. این ویژگی‌ها می‌توانند از کاربرد آن در میکروسکوپی با بازده بالا (High-throughput microscopy)، جایی که مقادیر زیادی نمونه تحلیل می‌شوند، حمایت کنند و به محققان کمک کنند تا ترکیباتی را که ارزش بررسی به عنوان درمان‌های بالقوه جوان‌سازی را دارند، شناسایی کنند.

این پروژه بخش مرکزی رساله دکتری پابلو یانز، محقق ISGlobal، بود و تخصص‌های زیست‌شناسی سلول‌های بنیادی، پیری، تحلیل تصویر و هوش مصنوعی را با هم ترکیب کرد. تیم پژوهشی ChromAgeNet را همراه با مجموعه‌داده‌ای از تصاویر سه‌بعدی سلول‌های بنیادی هماتوپویتیک در اختیار جامعه علمی قرار داده است. مجموعه‌داده‌های تصویری کمی برای مطالعه پیری این سلول‌ها به صورت عمومی در دسترس است و این منبع می‌تواند به سایر محققان در توسعه و اعتبارسنجی ابزارهای محاسباتی کمک کند.

منبع: «پیش‌بینی پیری سلول‌های بنیادی هماتوپویتیک از تصاویر سه‌بعدی کروماتین با یادگیری عمیق» توسط پابلو یانز پیکازو، اوا مِخیا-رامیرز، داریو دی باری، النا ویتال، ماریا کارولینا فلوریان و پائولا پترونه، ۲۷ سپتامبر ۲۰۲۶، Aging Cell.
DOI: 10.1111/acel.70656

تأمین مالی: گرنت شورای اروپایی تحقیقات (ERC) شماره 101002453 (M.C.F.)، گرنت‌های وزارت علوم، نوآوری و دانشگاه اسپانیا شامل RYC2018-025979-I (M.C.F.)، PGC2018-102049-B-I00 (M.C.F.)، CNS2023-144908 (M.C.F.) و PID2021-123922NB-I00 (M.C.F.)، گرنت CEX2023-0001290-S تأمین‌شده توسط MCIN/AEI/10.13039/501100011033، و حمایت از دولت کاتالونیا از طریق برنامه CERCA (P.P.)، و فلوشیپ ورودی INPhINIT از بنیاد «la Caixa» (شناسه 100010434) با کد LCF/BQ/DI22/11940001 (P.I.P.). P.P. فلوشیپی در چارچوب ابتکار «Generación D»، وزارت تحول دیجیتال و خدمت عمومی، برای جذب استعداد (C005/24-ED CV1) دریافت کرد که توسط صندوق‌های NextGenerationEU اتحادیه اروپا از طریق PRTR تأمین مالی شده است.