به گزارش ایسنا، دانشمندان ابزارهای قدرتمندی را برای ردیابی اولین گام‌هایی که مسیر تبدیل شدن یک سلول به سلول خونی، سلول عصبی یا سلول رنگدانه‌ای را ترسیم می‌کنند، توسعه داده‌اند؛ اما یک چالش همچنان پابرجاست. چالش نه تنها درک این است که سلول‌ها به کجا می‌روند، بلکه درک این است که کدام تنظیم‌کننده‌ها آنها را به سوی سرنوشت نهایی هدایت می‌کنند.

به نقل از فیز، پژوهش جدید پژوهشگران «موسسه پژوهش پزشکی استورز»(Stowers Institute for Medical Research) و مرکز پژوهشی «هلمهولتز مونیخ»(Helmholtz Munich)، چارچوب جدیدی را برای پاسخ دادن به این پرسش ارائه داده‌اند.

این فناوری جدید موسوم به «RegVelo» یک مدل هوش مصنوعی است و دو حوزه از زیست‌شناسی تک‌سلولی را که اغلب جدا هستند، به هم متصل می‌کند. این دو حوزه، روش‌هایی هستند که چگونگی تغییر سلول‌ها را به مرور زمان تخمین می‌زنند و روش‌هایی که شبکه‌های تنظیم‌کننده ژنی کنترل‌کننده این تغییرات را استنباط می‌کنند.

مدل RegVelo با کنار هم قرار دادن این بخش‌ها به پژوهشگران امکان می‌دهد تا در زمان سفر کنند، نحوه تغییر سلول‌ها را پیش‌بینی کنند و بفهمند که کدام ژن‌ها این تغییرات را تحت کنترل دارند. آنها می‌توانند همه این کارها را با کمک شبیه‌سازی‌های رایانه‌ای انجام دهند و نیاز به اجرای هر آزمایش در آزمایشگاه را از بین ببرند.

دکتر «تاتیانا ساکا اسپنگلر»(Tatjana Sauka-Spengler)، پژوهشگر ارشد این پروژه گفت: چرا دانستن این موضوع مهم است؟ اگر مجموعه‌ای بسیار اولیه از سلول‌ها را داشته باشید، داشتن مجموعه‌ای ویژه از دستورالعمل‌ها می‌تواند به شما امکان دهد تا برخی از سلول‌ها را در شرایط آزمایشگاهی به روشی بسیار طبیعی تولید کنید. سپس، این سلول‌ها را می‌توان در درمان‌های سلولی در حوزه پزشکی ترمیمی مورد استفاده قرار داد.

دکتر «آلخاندرو سانچز آلوارادو»(Alejandro Sánchez Alvarado)، رئیس و مدیر ارشد علمی موسسه استورز گفت: اسپنگلر و همکارانش، روشی کاملاً متفاوت را برای پردازش این نوع داده‌ها ایجاد کرده‌اند. این روش به ما امکان می‌دهد تا محتمل‌ترین مسیر هر مؤلفه را در فضا و زمان درک کنیم و از یادگیری عمیق برای پیش‌بینی این پویایی‌ها و آزمایش تجربی آنها بهره ببریم.

مدل RegVelo در این پژوهش، گروهی از سلول‌های جنینی اولیه موسوم به تاج عصبی را که می‌توانند به بخش‌های گوناگون بدن تبدیل شوند، مدل‌سازی کرد. این مدل در گورخرماهی، یک محرک اولیه تشکیل سلول‌های رنگدانه را شناسایی کرد و یک تنظیم‌کننده ناشناخته سرنوشت سلول‌های رنگدانه را آشکار ساخت. سپس، این پیش‌بینی‌ها به صورت تجربی پشتیبانی شدند و نشان دادند که این مدل می‌تواند کاری بیش از توصیف تغییرات تکوینی انجام دهد.

اسپنگلر گفت: همیشه یک عنصر آغازگر و محرک در چیزی وجود دارد که در پایان تعریف خواهد شد، اما بیشتر اوقات - اگر نه همیشه - اگر فقط حالت نهایی سلول را تحلیل کنید، آن عنصر از بین می‌رود. توسعه اغلب به عنوان مجموعه‌ای از تصاویر لحظه‌ای ایستا از حالت‌های سلولی توصیف می‌شود. با وجود این، آنچه ما واقعاً می‌خواهیم درک کنیم، این است که سلول‌ها چگونه تصمیم می‌گیرند از یک حالت به حالت دیگر منتقل ‌شوند. مدل RegVelo مدل‌سازی می‌کند که چگونه این تصمیم‌ها درباره سرنوشت در شبکه‌های تنظیم ژن به مرور زمان رمزگذاری می‌شوند و چه چیزی آنها را هدایت می‌کند.

این کار با کمک به اتصال رویدادهای تنظیمی اولیه به سرنوشت‌های بعدی سلول می‌تواند نحوه بررسی اختلالات رشدی توسط دانشمندان را نیز بهبود ببخشد و با گذشت زمان، به هدایت تلاش‌ها در پزشکی ترمیمی و سلول‌درمانی کمک کند.

آلوارادو گفت: ارزش RegVelo فراتر از سلول‌های عصبی است. این روش برای هر سیستمی که در آن سلول‌ها با گذشت زمان تغییر می‌کنند، از زیست‌شناسی رشدی پایه گرفته تا مدل‌سازی مسیرهای تومور و نتایج سلولی که ممکن است به درمان کمک کنند، قابل استفاده است. این روش شایسته توجه هر کسی است که روی پویایی سلولی کار می‌کند.

این پژوهش در مجله «Cell» به چاپ رسید.

انتهای پیام