سرنوشت سلول‌ها چگونه شکل میگیرد؟

به گزارش مجله خبری نگار/آنا، دانشمندان یک مدل هوش مصنوعی به نام «آی‌آر‌بی‌اِس» (IRIS) ساخته‌اند که می‌تواند از روی داده‌های ژنتیکی یک سلول، مسیر‌های پیام‌رسانی فعال در آن را شناسایی کند و حتی ترتیب تغییر این سیگنال‌ها را در جریان رشد سلول بازسازی کند.

این چارچوب که در «موسسه فناوری ماساچوست» (MIT) توسعه یافته، در آزمایش‌های مختلف روی سلول‌های بنیادی و جنین موش عملکرد نشان داده است. پژوهشگران همچنین از پیش‌بینی‌های این مدل برای اصلاح دستورالعمل تولید سلول‌های مزانشیمی ریه استفاده کردند؛ سلول‌هایی که برای ساخت مدل‌های آزمایشگاهی ریه اهمیت دارند.

سلول‌های جنینی در آغاز رشد، هنوز هویت نهایی خود را پیدا نکرده‌اند. آنها تحت تأثیر مجموعه‌ای از پیام‌های شیمیایی، به تدریج وارد مسیر‌هایی می‌شوند که سرنوشتشان را تعیین می‌کند. این پیام‌ها از طریق «مسیر‌های پیام‌رسانی سلولی» (cell signaling pathways) منتقل می‌شوند؛ شبکه‌هایی از مولکول‌ها که دریافت یک سیگنال در سطح سلول را به مجموعه‌ای از تغییرات درون سلول و در نهایت تغییر فعالیت ژن‌ها تبدیل می‌کنند.

مسئله اینجاست که یک سلول معمولاً در معرض یک سیگنال منفرد قرار نمی‌گیرد. چندین مسیر می‌توانند هم‌زمان فعال یا مهار شوند و ترکیب آنها در طول زمان تغییر کند. پژوهش جدید تلاش کرده است همین الگوی پیچیده را به کمک هوش مصنوعی قابل خواندن کند.

سلول‌ها چگونه تصمیم می‌گیرند چه چیزی شوند؟

در مراحل ابتدایی رشد جنین، سلول‌ها باید میان مسیر‌های متفاوت تمایز قرار بگیرند. «تمایز سلولی» (cell differentiation) فرآیندی است که طی آن سلول‌هایی با ظرفیت‌های گسترده، ویژگی‌های تخصصی پیدا می‌کنند و به انواع مشخص سلول‌های بدن تبدیل می‌شوند.

این فرآیند تنها به ژن‌های درون سلول وابسته نیست. محیط اطراف سلول نیز نقش تعیین‌کننده‌ای دارد. مولکول‌هایی که از سلول‌های مجاور یا محیط خارج سلول آزاد می‌شوند، به گیرنده‌های سلولی متصل می‌شوند و زنجیره‌ای از واکنش‌های مولکولی را فعال می‌کنند. این زنجیره‌ها در نهایت می‌توانند برخی ژن‌ها را فعال و برخی دیگر را خاموش کنند.

در میان مسیر‌های مهمی که در مطالعه جدید بررسی شدند، شش مسیر پیام‌رسانی اصلی قرار داشتند: «WNT»، «فاکتور رشد فیبروبلاستی» (fibroblast growth factor; FGF)، «پروتئین مورفوژنتیک استخوان» (bone morphogenetic protein; BMP)، «جوجه‌تیغی» (Hedgehog; HH)، «اسید رتینوئیک» (retinoic acid; RA) و «فاکتور رشد تغییردهنده بتا» (transforming growth factor beta; TGF-β).

این مسیر‌ها در بسیاری از مراحل رشد جنینی بار‌ها مورد استفاده قرار می‌گیرند و همچنین در بازسازی بافت‌ها در بدن بزرگسال نقش دارند. برای همین، شناخت الگوی فعالیت آنها برای زیست‌شناسی تکوینی و تولید سلول‌های تخصصی از سلول‌های بنیادی اهمیت زیادی دارد.

مشکل اصلی؛ یک سیگنال، پاسخ‌های متفاوت

پژوهشگران پیش‌تر می‌دانستند که مسیر‌های پیام‌رسانی در سلول‌های مختلف می‌توانند پاسخ‌های متفاوتی ایجاد کنند. همین موضوع باعث شده بود شناسایی سابقه سیگنال‌های یک سلول در بدن زنده دشوار باشد.

یکی از روش‌های معمول، استفاده از ژن‌هایی است که به عنوان شاخص فعال شدن یک مسیر شناخته می‌شوند. برای نمونه، ژن Axin۲ می‌تواند به عنوان نشانگری برای فعالیت مسیر WNT و ژن Id۱ برای فعالیت مسیر BMP مورد استفاده قرار گیرد.

اما مطالعه جدید نشان داد که این تعداد محدود ژن برای توضیح کامل پاسخ سلول کافی نیست. الگوی قابل تشخیص فعالیت سیگنال‌ها در بخش بسیار گسترده‌تری از ژنوم سلول پراکنده است. همین یافته مبنای توسعه IRIS شد.

پژوهشگران به جای اینکه از ابتدا برای هر نوع سلول یک آزمون جداگانه طراحی کنند، تلاش کردند الگویی عمومی‌تر پیدا کنند؛ الگویی که بتواند ویژگی‌های مشترک پاسخ سلول‌ها به یک مسیر پیام‌رسانی را استخراج کند، حتی اگر سلول مورد بررسی پیش‌تر در داده‌های آموزشی مدل وجود نداشته باشد.

IRIS از فعالیت ژن‌ها، وضعیت سیگنال‌ها را بازسازی می‌کند

نام IRIS از عبارت Intracellular Response to Infer Signaling State گرفته شده است. این مدل یک شبکه عصبی عمیق است که با استفاده از داده‌های مربوط به فعالیت ژن‌ها آموزش داده شده تا وضعیت مسیر‌های پیام‌رسانی را در سلول‌ها پیش‌بینی کند.

مبنای کار مدل، داده‌های «توالی‌یابی RNA تک‌سلولی» (single-cell RNA sequencing; scRNA-seq) است. این فناوری امکان بررسی الگوی بیان ژن‌ها در سلول‌های منفرد را فراهم می‌کند؛ در نتیجه پژوهشگر می‌تواند به جای مشاهده میانگین رفتار یک جمعیت سلولی، تفاوت‌های میان سلول‌های همان جمعیت را نیز بررسی کند.

پژوهشگران ابتدا داده‌هایی را از آزمایش‌های تحریک و مهار مسیر‌های پیام‌رسانی در سلول‌های بنیادی جنینی جمع‌آوری کردند. در این آزمایش‌ها، سلول‌ها در معرض ترکیب‌های مختلف سیگنال‌ها قرار گرفتند و سپس تغییرات فعالیت ژن‌های آنها ثبت شد.

مدل با یادگیری رابطه میان این تغییرات ژنتیکی و شرایط سیگنال‌دهی، توانست یک «امضای پاسخ سیگنال» (signaling response signature) برای مسیر‌های مختلف ایجاد کند. سپس از این امضا‌ها برای پیش‌بینی وضعیت سیگنال‌ها در سلول‌هایی استفاده شد که مدل آنها را در مرحله آموزش ندیده بود.

آزمون سخت‌تر؛ پیش‌بینی در سلول‌هایی که مدل ندیده بود

یکی از مهم‌ترین ویژگی‌های مطالعه، آزمایش مدل در شرایطی بود که داده مورد بررسی کاملاً مشابه داده آموزشی نبود.

پژوهشگران نشان دادند IRIS می‌تواند با آموزش روی یک مجموعه سلولی، وضعیت سیگنال‌ها را در مجموعه‌ای متفاوت پیش‌بینی کند. مدل حتی در انتقال میان سلول‌های انسان و موش نیز توانست الگو‌های مشترک را شناسایی کند. هدف اصلی مدل، استفاده از داده‌های محدود برای تحلیل طیف بسیار بزرگ‌تری از وضعیت‌های سلولی است.

در آزمایش‌های مربوط به جنین موش، IRIS روی بیش از ۴۰ نوع جمعیت سلولی در بازه زمانی حدود روز ۶.۵ تا ۸.۵ پس از لقاح اعمال شد. مدل توانست ترکیب‌های متفاوت فعالیت مسیر‌های پیام‌رسانی را در سلول‌های مختلف شناسایی کند و تغییر این ترکیب‌ها را در طول رشد جنین دنبال کند.

سیگنال‌ها در طول رشد ثابت نمی‌مانند

یکی از یافته‌های مهم این تحلیل، پویایی بسیار زیاد ترکیب سیگنال‌ها در مراحل ابتدایی رشد جنین بود. پژوهشگران مشاهده کردند که در حدود روز هفتم رشد جنینی، ترکیب‌هایی از سیگنال‌ها که در مراحل بسیار ابتدایی دیده می‌شوند، تغییر می‌کنند و مجموعه‌های جدیدی جای آنها را می‌گیرند. برخی مسیر‌ها مانند WNT، FGF و BMP در بخش بزرگی از این دوره مشاهده شدند، اما فعال بودن آنها در همه سلول‌ها یکسان نبود. در مقابل، فعالیت TGF-β بیشتر با مراحل اولیه رشد ارتباط داشت و فعالیت اسید رتینوئیک در مراحل بعدی افزایش پیدا کرد.

سرنوشت یک سلول فقط به این بستگی ندارد که «کدام مسیر» فعال است، بلکه به زمان فعال شدن، مدت فعالیت و ترکیب آن مسیر با سایر سیگنال‌ها نیز وابسته است. IRIS تلاش می‌کند همین الگوی زمانی و ترکیبی را بازسازی کند.

از قلب و روده تا سرنخ‌های شکل‌گیری ریه

پژوهشگران برای بررسی صحت پیش‌بینی‌های مدل، مسیر‌های مختلف تمایز سلولی را بررسی کردند. در مسیر سلول‌های قلبی، مدل توانست تغییرات زمانی فعالیت برخی مسیر‌های پیام‌رسانی را با مراحل شناخته‌شده تمایز سلول‌های قلبی هماهنگ کند. در سلول‌های مربوط به حفره‌های دهلیزی قلب نیز فعالیت اسید رتینوئیک با بیان نشانگر‌های مرتبط با این سرنوشت سلولی همراه بود.

در سلول‌های اندودرمی نیز ترکیب فعالیت FGF، WNT و BMP با تفاوت میان سلول‌های مربوط به بخش‌های مختلف روده ارتباط داشت. برای مثال، سلول‌های دارای فعالیت هم‌زمان FGF، WNT و BMP با ویژگی‌های مربوط به بخش‌های میانی و پشتی روده ارتباط بیشتری داشتند، در حالی که سلول‌هایی با فعالیت پایین‌تر این مسیر‌ها ویژگی‌های مربوط به پیش‌روده را نشان می‌دادند.

این نتایج با مطالعات پیشین درباره نقش این مسیر‌ها در شکل‌گیری روده و ریه نیز همخوانی دارد. پژوهش‌های قبلی نشان داده‌اند که تعامل میان FGF، BMP و WNT در تعیین هویت بخش‌هایی از پیش‌روده و آغاز برنامه تکوینی ریه نقش دارد.

IRIS برای ریه یک پیش‌بینی قابل آزمایش ارائه کرد

یکی از مهم‌ترین بخش‌های پژوهش زمانی آغاز شد که مدل برای بررسی سلول‌های مزانشیمی ریه به کار رفت. «مزانشیم» (mesenchyme) مجموعه‌ای از سلول‌های پشتیبان است که در اطراف ساختار‌های در حال شکل‌گیری ریه قرار دارند. این سلول‌ها تنها عناصر ساختمانی نیستند؛ آنها با سلول‌های اپی‌تلیالی ریه ارتباط متقابل دارند و در رشد و سازمان‌دهی بافت ریه نقش ایفا می‌کنند.

مطالعات پیشین نیز نشان داده‌اند که مزانشیم اطراف جوانه‌های در حال رشد ریه، سیگنال‌هایی را فراهم می‌کند که بر سلول‌های پیش‌ساز ریه اثر می‌گذارند. برای نمونه، پژوهشی در سال ۲۰۲۲ نشان داد جمعیتی از سلول‌های مزانشیمی دارای RSPO۲ می‌تواند فعالیت WNT را در سلول‌های پیش‌ساز جوانه ریه تقویت کند و در حفظ ویژگی‌های چندتوانی آنها نقش داشته باشد.

IRIS در جنین موش در حدود روز نهم رشد، فعالیت بیشتر WNT و BMP را در سلول‌هایی پیش‌بینی کرد که به سمت سرنوشت مزانشیمی ریه حرکت می‌کردند. این پیش‌بینی سپس در آزمایشگاه مورد آزمایش قرار گرفت.

یک پیش‌بینی محاسباتی به آزمایش زیستی تبدیل شد

پژوهشگران بافت پیش‌روده جنین موش را جدا کردند و آن را در شرایط آزمایشگاهی تحت تأثیر موادی قرار دادند که فعالیت WNT را افزایش یا مهار می‌کردند. نتایج با پیش‌بینی IRIS سازگار بود. فعال کردن WNT باعث گسترش نشانگر‌های مرتبط با سلول‌های ریوی به نواحی مجاور شد، در حالی که مهار این مسیر موجب از بین رفتن یکی از این نشانگر‌ها شد.

IRIS صرفاً یک الگوریتم برای دسته‌بندی سلول‌ها نیست؛ می‌تواند از داده‌های موجود، فرضیه‌ای درباره نقش یک سیگنال تولید کند و پژوهشگران سپس آن فرضیه را در آزمایشگاه بررسی کنند. تغییر زمان فعال‌سازی WNT، دستورالعمل تولید سلول ریه را اصلاح کرد. پژوهشگران در مرحله بعد به سراغ یک دستورالعمل موجود برای تولید سلول‌های مزانشیمی ریه از سلول‌های بنیادی انسانی رفتند.

در این روش، WNT در مرحله پایانی فرآیند هفت‌روزه فعال می‌شد. اما تحلیل IRIS نشان داد که WNT احتمالاً در مرحله‌ای زودتر از آنچه در دستورالعمل استفاده می‌شد، یعنی هنگام تعیین هویت ریوی سلول، اهمیت دارد؛ بنابراین پژوهشگران فعال‌سازی WNT را به روز چهارم منتقل کردند. این تغییر باعث افزایش چشمگیر یک نشانگر کلیدی سلول‌های مزانشیمی ریه شد و در میان دوز‌های آزمایش‌شده، یک مقدار میانی بهترین نتیجه را ایجاد کرد.

این یافته در زمینه تولید «ارگانوئید» (organoid) اهمیت دارد. ارگانوئید‌ها ساختار‌های سه‌بعدی آزمایشگاهی هستند که از سلول‌های بنیادی یا سلول‌های پیش‌ساز ایجاد می‌شوند و می‌توانند برخی ویژگی‌های ساختاری و عملکردی اندام واقعی را بازسازی کنند.

تولید ارگانوئید‌های ریه پیش از این نیز امکان‌پذیر بوده است. مطالعات نشان داده‌اند که ترکیب کنترل‌شده مسیر‌های پیام‌رسانی می‌تواند سلول‌های بنیادی پرتوان انسانی را به سمت سلول‌های پیش‌ساز و ساختار‌های شبیه بافت ریه هدایت کند. برخی از این ارگانوئید‌ها ویژگی‌هایی مشابه ریه در حال رشد انسان دارند و برای مطالعه رشد ریه و بیماری‌های آن مورد استفاده قرار گرفته‌اند.

چرا خواندن «تاریخچه» سلول اهمیت دارد؟

یکی از محدودیت‌های اصلی زیست‌شناسی تکوینی این است که مشاهده مستقیم تمام سیگنال‌هایی که یک سلول در طول زمان دریافت کرده، دشوار است. پژوهشگر ممکن است بتواند وضعیت فعلی سلول را ببیند، اما تشخیص اینکه این سلول در چند ساعت یا چند مرحله قبل در معرض چه سیگنال‌هایی قرار داشته، بسیار پیچیده‌تر است. IRIS تلاش می‌کند این مشکل را با استفاده از ردپای مولکولی باقی‌مانده در فعالیت ژن‌ها حل کند.

البته این ردپا یک ثبت مستقیم و کامل از گذشته سلول نیست. فعالیت ژن‌ها تحت تأثیر عوامل متعددی قرار دارد و برخی پاسخ‌های سلولی نیز می‌توانند برای مدتی پس از پایان سیگنال باقی بمانند. به همین دلیل، پژوهشگران در مقاله خود بر ضرورت اعتبارسنجی تجربی پیش‌بینی‌های مدل تأکید کرده‌اند.

از سوی دیگر، بعضی مسیر‌ها مانند FGF در پیش‌بینی‌ها عملکرد ضعیف‌تری داشتند. همچنین فاصله زمانی میان برخی آزمایش‌ها به اندازه‌ای بود که نمی‌توان همیشه با قطعیت مشخص کرد یک الگوی ژنتیکی مربوط به یک سیگنال جدید است یا ادامه اثر سیگنال قبلی؛ بنابراین IRIS را نباید دستگاهی برای «خواندن قطعی گذشته سلول» در نظر گرفت؛ این مدل بیشتر ابزاری برای استنباط احتمالی تاریخچه پیام‌رسانی سلول است که باید با آزمایش‌های زیستی تکمیل شود.

مسیر بعدی؛ تبدیل هوش مصنوعی به بخشی از چرخه طراحی زیستی

اهمیت این روش در نهایت به یک الگوریتم خاص محدود نمی‌شود. پژوهشگران یک چارچوب ترکیبی ایجاد کرده‌اند که در آن آزمایش‌های سلولی، داده‌های بیان ژن، یادگیری ماشین و آزمایش تجربی در یک چرخه قرار می‌گیرند.

در این چرخه، ابتدا سلول‌ها تحت شرایط مختلف پیام‌رسانی قرار می‌گیرند. سپس تغییرات فعالیت ژن‌ها ثبت و مدل بر اساس آنها آموزش داده می‌شود. مدل در مرحله بعد وضعیت سیگنال‌ها را در سلول‌های جدید پیش‌بینی می‌کند و از این پیش‌بینی‌ها برای انتخاب آزمایش‌های بعدی استفاده می‌شود.

این رویکرد می‌تواند فضای بسیار بزرگی از ترکیب‌های احتمالی سیگنال‌ها را محدود کند. در فرآیند تمایز سلولی، تعداد ترکیب‌های ممکن از مسیر‌های مختلف می‌تواند بسیار زیاد باشد و آزمودن همه آنها در آزمایشگاه عملی نیست. IRIS می‌تواند بخشی از این فضای آزمایشی را غربال کند و مسیر‌هایی را که ارزش بررسی تجربی بیشتری دارند، مشخص کند.

پژوهشگران همچنین معتقدند این چارچوب می‌تواند فراتر از شش مسیر بررسی‌شده در این مطالعه گسترش پیدا کند؛ برای مثال به مسیر‌های دیگری مانند NOTCH و YAP در رشد جنینی، سیتوکین‌ها در سیستم ایمنی و هورمون‌ها در تنظیم عملکرد بافت‌های بدن بزرگسال.

شبکه‌ای در حرکت و پیچیده

سلول‌های جنینی برای رسیدن به هویت نهایی خود، در شبکه‌ای از پیام‌های مولکولی حرکت می‌کنند؛ شبکه‌ای که نه ثابت است و نه ساده. یافته جدید نشان می‌دهد بخشی از این شبکه را می‌توان از روی الگوی فعالیت ژن‌ها بازسازی کرد و با کمک هوش مصنوعی، ردپای سیگنال‌هایی را که سلول در مسیر رشد خود دریافت کرده است، دنبال کرد.

IRIS در این مطالعه توانست الگو‌های مشترک پاسخ به مسیر‌های پیام‌رسانی را در انواع مختلف سلول شناسایی کند، تاریخچه سیگنال‌دهی برخی سلول‌های جنینی موش را بازسازی کند و حتی برای اصلاح یک دستورالعمل تولید سلول‌های مزانشیمی ریه به کار رود. این نتایج به معنای آن نیست که هوش مصنوعی اکنون می‌تواند سرنوشت هر سلول را به‌طور کامل پیش‌بینی کند؛ اما نشان می‌دهد داده‌های مولکولی سلول اطلاعاتی بسیار غنی‌تر از آنچه پیش‌تر از چند ژن نشانگر استخراج می‌شد، در خود دارند.

در صورت تأیید و گسترش این روش، هوش مصنوعی می‌تواند از ابزاری برای تحلیل داده‌های زیستی به ابزاری برای طراحی آزمایش‌های زیستی تبدیل شود؛ جایی که مدل ابتدا ردپای پیام‌های سلول را می‌خواند، سپس از روی آن فرضیه‌ای درباره سرنوشت سلول می‌سازد و در نهایت آزمایشگاه این فرضیه را محک می‌زند. آینده مهندسی سلولی شاید نه فقط در شناخت ژن‌های سلول، بلکه در فهمیدن زمان، ترکیب و تاریخچه پیام‌هایی باشد که این ژن‌ها دریافت کرده‌اند.