به گزارش پایگاه اطلاع رسانی بنیان، چهار مطالعه علمی برجسته، منتشرشده بین سال‌های 2021 تا 2025 در مجلات معتبر مانند Pharmaceuticals، World Journal of Stem Cells، Nature Communications و Protein & Cell، نشان‌دهنده پتانسیل عظیم این فناوری‌ها در حوزه‌هایی از درمان پیری تخمدان گرفته تا غربالگری دارویی و مدل‌سازی جنینی هستند. این مقالات، با تمرکز بر کاربرد سلول‌های بنیادی پرتوان القایی (iPSCs)، سلول‌های بنیادی مزانشیمی (MSCs) و ابزارهای هوش مصنوعی، راهکارهای نوینی برای چالش‌های پزشکی ارائه می‌دهند. در این گزارش خبری، خلاصه‌ای منسجم از این مطالعات ارائه می‌شود که نویدبخش آینده‌ای روشن برای بهبود سلامت انسان است.

پیری تخمدان: امیدی نو برای باروری زنان

پیری تخمدان، که با کاهش کیفیت و تعداد اووسیت‌ها مشخص می‌شود، یکی از موانع اصلی باروری در زنان با سنین باروری پیشرفته (35-49 سال) است. مقاله‌ای در Protein & Cell (2025) توسط ییبو وانگ و همکاران، رویکردی پیشگامانه برای مقابله با این مشکل معرفی می‌کند. این مطالعه مفهوم سلول‌های نجات تخمدان (OvaResCells) را مطرح کرده که از iPSCs با استفاده از ویرایش ژن CRISPR/Cas9 و ابزار هوش مصنوعی OvaRePred تولید می‌شوند. OvaRePred، با تحلیل پارامترهایی مانند هورمون آنتی‌مولرین (AMH)، هورمون محرک فولیکول (FSH) و سن، ذخیره تخمدانی زنان را تخمین زده و نقاط عطف باروری مانند کاهش ذخیره تخمدانی (DOR) و شروع پیش‌یائسگی را پیش‌بینی می‌کند. این ابزار به پزشکان امکان می‌دهد تا زمان‌بندی دقیق مداخلات درمانی را تعیین کنند.

فرآیند تولید OvaResCells شامل چندین مرحله کلیدی است: ابتدا، سلول‌های سوماتیک مانند فیبروبلاست‌ها یا سلول‌های خونی از داوطلبان سالم جمع‌آوری شده و با استفاده از ویروس سندای، که فاکتورهای بازبرنامه‌ریزی (Oct3/4، Sox2، L-Myc، Klf4) را منتقل می‌کند، به iPSCs تبدیل می‌شوند. این ویروس به دلیل عدم یکپارچگی با ژنوم میزبان، ایمنی بالایی دارد. سپس، ژن‌های هدف مرتبط با پیری تخمدان، مانند FOXP1 یا ژن‌های آنتی‌اکسیدانی، با CRISPR/Cas9 ویرایش می‌شوند تا iPSCs تقویت‌شده عملکردی (EiPSCs) تولید شود. در نهایت، این سلول‌ها به OvaResCells تمایز یافته و طبق استانداردهای تولید خوب دارویی (GMP) آماده تزریق به تخمدان می‌شوند. تزریق مستقیم به تخمدان، به دلیل دقت و اثربخشی بالاتر نسبت به تزریق وریدی، ترجیح داده می‌شود و می‌تواند کیفیت و تعداد فولیکول‌ها را به‌طور قابل‌توجهی بهبود بخشد.

هوش مصنوعی در این فرآیند نقش حیاتی ایفا می‌کند. الگوریتم‌های یادگیری ماشینی (ML) و یادگیری عمیق (DL)، مانند شبکه‌های کانولوشنی (CNN)، کیفیت کلون‌های iPSC را با دقت 99% ارزیابی کرده و خطاهای دستی را به حداقل می‌رسانند. ابزارهایی مانند ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF) نیز استانداردسازی و مقیاس‌پذیری تولید را تضمین می‌کنند. این روش در مقایسه با درمان‌های سنتی مبتنی بر MSCs، که با چالش‌هایی مانند پیری سلولی و ناهمگونی مواجه هستند، دقت و ایمنی بیشتری ارائه می‌دهد.

غربالگری دارویی با iPSCs: گامی به سوی پزشکی شخصی‌سازی‌شده

مقاله‌ای در Pharmaceuticals (2022) توسط دای کوسوموتو و همکاران، کاربرد هوش مصنوعی در غربالگری دارویی با استفاده از iPSCs را بررسی می‌کند. iPSCs، که از سلول‌های سوماتیک بیماران مشتق می‌شوند، امکان مدل‌سازی بیماری‌های خاص مانند بیماری‌های قلبی‌عروقی، عصبی و متابولیک را فراهم می‌کنند. این مطالعه از الگوریتم‌های یادگیری ماشینی برای تحلیل پاسخ‌های سلولی به هزاران ترکیب دارویی استفاده کرده و ترکیبات مؤثر را با سرعت و دقت بالا شناسایی می‌کند. این رویکرد نه‌تنها هزینه و زمان غربالگری را کاهش می‌دهد، بلکه به توسعه درمان‌های شخصی‌سازی‌شده برای بیماری‌هایی مانند پارکینسون، آلزایمر و دیابت کمک می‌کند.

مزیت کلیدی iPSCs در این کاربرد، توانایی بازآفرینی ویژگی‌های ژنتیکی بیمار در محیط آزمایشگاهی است. این ویژگی، همراه با تحلیل‌های پیشرفته هوش مصنوعی، امکان پیش‌بینی دقیق اثرات داروها و عوارض جانبی آن‌ها را فراهم می‌کند. برای مثال، مدل‌های iPSC مشتق از بیماران مبتلا به کاردیومیوپاتی، پاسخ‌های قلبی به داروها را شبیه‌سازی کرده و به شناسایی درمان‌های مؤثرتر کمک کرده‌اند. این روش، با کاهش وابستگی به آزمایش‌های حیوانی و افزایش دقت پیش‌بینی‌های بالینی، گامی بزرگ به سوی پزشکی دقیق محسوب می‌شود.

مدل‌سازی جنینی با هوش مصنوعی: استانداردسازی تحقیقات زیست‌توسعه‌ای

مقاله‌ای در Nature Communications (2025) توسط پائولو کالدارلی و همکاران، از هوش مصنوعی برای استانداردسازی مدل‌های جنینی مشتق از سلول‌های بنیادی موش (ETiX-embryos) استفاده کرده است. این مدل‌ها، که از ترکیب سلول‌های بنیادی جنینی (ESCs)، سلول‌های تروفوبلاست (TSCs) و ESCs القاشده با GATA4 تشکیل می‌شوند، مراحل اولیه جنین‌زایی را شبیه‌سازی می‌کنند و ابزار ارزشمندی برای مطالعه فرآیندهای توسعه‌ای هستند. با این حال، تنوع در خودسازمان‌دهی اولیه این ساختارها، استانداردسازی آزمایش‌ها را دشوار کرده است.

این مطالعه مدل هوش مصنوعی StembryoNet، مبتنی بر معماری ResNet18، را توسعه داد که 900 ساختار ETiX را با دقت 88% در 90 ساعت پس از کاشت و 65% در مراحل اولیه به دو دسته نرمال و غیرنرمال طبقه‌بندی کرد. StembryoNet با تحلیل تصاویر فلورسانس زنده، ویژگی‌های کلیدی مانند تعداد سلول‌های اولیه و مورفولوژی فشرده را به‌عنوان شاخص‌های رشد نرمال شناسایی کرد. این مدل نه‌تنها 18 برابر سریع‌تر از جنین‌شناسان انسانی عمل کرد، بلکه نیاز به برچسب‌گذاری دستی را کاهش داد. نتایج نشان داد که افزایش تعداد سلول‌های اولیه، مانند ESCs و TSCs، می‌تواند تنوع را کاهش داده و نسبت ساختارهای نرمال را از 23% به 60% افزایش دهد. این رویکرد، با تسهیل تحقیقات پربازده، بینش‌های جدیدی در خودسازمان‌دهی جنینی ارائه می‌دهد و کاربردهای بالقوه‌ای در پزشکی بازساختی و درمان ناباروری دارد.

نقش گسترده هوش مصنوعی در پزشکی بازساختی

مقاله‌ای در World Journal of Stem Cells (2021) توسط سایالی موکرجی و همکاران، کاربردهای گسترده هوش مصنوعی در درمان‌های مبتنی بر سلول‌های بنیادی را بررسی می‌کند. این مطالعه بر نقش MSCs و iPSCs در درمان بیماری‌هایی مانند دیابت، بیماری‌های قلبی‌عروقی، عصبی و ارتوپدی تمرکز دارد. MSCs به دلیل خواص ضدالتهابی و باززایی بافت، در درمان بیماری‌هایی مانند آرتروز و آسیب‌های نخاعی مؤثر بوده‌اند، در حالی که iPSCs به دلیل قابلیت تمایز به انواع سلولی، در مدل‌سازی بیماری و درمان‌های شخصی‌سازی‌شده کاربرد دارند.

هوش مصنوعی در تمام مراحل این درمان‌ها، از تولید سلول‌های بنیادی تا کاربرد بالینی، نقش کلیدی ایفا می‌کند. الگوریتم‌های ML و DL، مانند SVM و شبکه‌های عصبی مصنوعی (ANN)، کیفیت کلون‌های سلولی را ارزیابی کرده و پاسخ‌های درمانی را پیش‌بینی می‌کنند. برای مثال، در تولید iPSCs، این الگوریتم‌ها کلون‌های باکیفیت را با تحلیل مورفولوژی و پایداری ژنومی انتخاب می‌کنند. در کاربردهای بالینی، هوش مصنوعی با تحلیل داده‌های چنداُمیک، اهداف درمانی را شناسایی کرده و اثربخشی درمان‌ها را بهینه می‌کند. این مطالعه همچنین به چالش‌هایی مانند ایمنی، مقیاس‌پذیری و نیاز به استانداردسازی اشاره کرده و بر اهمیت همکاری‌های بین‌رشته‌ای تأکید دارد.

چالش‌ها و چشم‌اندازهای آینده

با وجود پیشرفت‌های چشمگیر، این فناوری‌ها با موانع متعددی مواجه هستند. در درمان پیری تخمدان، پیچیدگی‌های تولید OvaResCells، نگرانی‌های ایمنی، موانع نظارتی، مسائل اخلاقی و هزینه‌های بالا، کاربرد بالینی را محدود می‌کنند. در غربالگری دارویی، نیاز به داده‌های گسترده و اعتبارسنجی بالینی چالش‌ساز است. در مدل‌سازی جنینی، وابستگی به برچسب‌گذاری انسانی و تنوع در خودسازمان‌دهی همچنان مشکلاتی ایجاد می‌کند. همچنین، در کاربردهای گسترده سلول‌های بنیادی، استانداردسازی فرآیندها و تضمین ایمنی طولانی‌مدت نیازمند تحقیقات بیشتری است.

با این حال، آینده این حوزه بسیار امیدوارکننده است. توسعه الگوریتم‌های خودنظارتی مانند DINO می‌تواند وابستگی به برچسب‌گذاری انسانی را کاهش دهد. فناوری‌های پیشرفته‌تر مانند پلتفرم‌های میکروفلوئیدیک و ارگانوئیدها، دقت و مقیاس‌پذیری را افزایش خواهند داد. همکاری‌های بین‌رشته‌ای، آزمایش‌های بالینی طراحی‌شده و سیاست‌گذاری‌های منطقی می‌توانند موانع نظارتی و اخلاقی را برطرف کنند. علاوه بر این، ادغام هوش مصنوعی با فناوری‌های نوظهور مانند چاپ زیستی سه‌بعدی، امکان تولید بافت‌های پیچیده‌تر را فراهم می‌کند که می‌تواند در درمان بیماری‌های مزمن و بازسازی اندام‌ها تحول‌آفرین باشد.

نتیجه‌گیری

ترکیب هوش مصنوعی و سلول‌های بنیادی، پارادایم جدیدی در پزشکی بازساختی و تولیدمثلی ایجاد کرده است. از نجات پیری تخمدان با OvaResCells و استانداردسازی مدل‌های جنینی با StembryoNet گرفته تا غربالگری دارویی شخصی‌سازی‌شده و درمان بیماری‌های پیچیده، این فناوری‌ها پتانسیل بهبود کیفیت زندگی میلیون‌ها نفر را دارند. ابزارهای هوش مصنوعی مانند OvaRePred، همراه با الگوریتم‌های پیشرفته ML و DL، دقت، سرعت و ایمنی درمان‌ها را به سطح بی‌سابقه‌ای رسانده‌اند. با غلبه بر چالش‌های موجود از طریق نوآوری، همکاری و تحقیقات گسترده، این پیشرفت‌ها می‌توانند به‌عنوان ستون‌های اصلی پزشکی آینده، سلامت انسان را در ابعاد جدیدی ارتقا دهند.

پایان مطلب./