به گزارش پایگاه اطلاع رسانی بنیان، درک دقیق‌تر از رفتار پویا و تنوع عملکردی سلول‌های بنیادی، یکی از چالش‌های اساسی در توسعه درمان‌های نوین سلولی به‌شمار می‌رود. در تازه‌ترین پیشرفت محققان در حوزه سلول‌های بنیادی خون‌ساز، یک سامانه تحلیلی مبتنی بر تصویربرداری فاز کمی (QPI)  و مطالعه دینامیک زمان‌مند سلول‌های بنیادی، توانسته ویژگی‌های متنوعی را میان سلول‌هایی ظاهر کند که پیش از این با روش‌های ثابت و مجرد تصویربرداری نمی‌شد دیده یا پیش‌بینی کرد. این تکنیک، پیوستگی زمانی الگوهای رشدی مانند تغییر جرم خشک، شکل کروی یا سرعت تقسیم را در یک دوره زنده‌مانی ثبت می‌کند و سپس با کمک الگوریتم‌های یادگیری ماشین، سطح عملکرد (Stemness) هر سلول را ارزیابی می‌نماید. پژوهشگران در این مطالعه نشان داده‌اند که تنوع عملکردی سلول‌های بنیادی خون‌ساز فراتر از تصویری لحظه‌ای است و فناوری‌های مرسوم قادر به ثبت آن نیستند . در‌واقع، گروه تحقیق با کشت انفرادی هر سلول بنیادی خارج از بدن و تصویربرداری چندساعته با QPI، نگاشت زمانی ویژگی‌هایی مانند جرم و تحرک را استخراج کرده‌اند. سپس یک مدل یادگیری ماشین برای پیش‌بینی توانایی تکثیر و فرایند خودنوزایی طراحی شده که دقت بالاتری نسبت به روش‌های سنتی ارائه می‌دهد. این رویکرد نوین، مرز بین تشخیص صرف سلول‌های بنیادی و پیش‌بینی آینده عملکرد آن‌ها را جابه‌جا کرده است. در مقالات مشابه که جریان‌های موازی و حمایت‌کننده این نتایج هستند، پژوهشگران روش‌های دیگری را برای تحلیل بدون برچسب  (label-free) سلول‌ها ارائه داده‌اند.

روش شناسایی پویا در جریان سلولی با تصویربرداری هولوگرافیک دیجیتال

در یک مطالعه مستقل، گروهی بر اساس تصویربرداری جریان سلولی به‌صورت هولوگرافی دیجیتال، توانسته‌اند طبقه‌بندی آنی سلول‌های خونی را بدون نیاز به رنگ‌آمیزی یا نشانگرهای اختصاصی انجام دهند. این سیستم، کل اطلاعات ساختاری سلول را در زمان واقعی ثبت کرده و با یادگیری عمیق، سلول‌های سفید خون را دسته‌بندی می‌کند. نتیجه این شد که جداسازی سریع و با دقت از نظر نوع سلول، بدون ورود به مراحل دشوار رنگ‌آمیزی یا برچسب‌گذاری، عملیاتی شد.

استفاده از یادگیری عمیق برای تفکیک زیرگونه‌های سلول‌های بنیادی بر اساس شکل‌شناسی

در مطالعه‌ای دیگر، پژوهشگران نشان داده‌اند با استفاده از تصاویر میکروسکوپی نوری معمولی  (DIC) و بهره‌گیری از مدل یادگیری عمیق، امکان تشخیص و تفکیک انواعی مانند HSCهای طولانی‌مدت (LT-HSC)، کوتاه‌مدت (ST-HSC) و progenitor های چندتوان  (MPP) بدون نیاز به مارکرهای سطحی وجود دارد. این الگوریتم به‌طور خودآموز ویژگی‌های مورفولوژیکی را استخراج کرده و به جداسازی قابل‌اعتماد بین این زیرگروه‌ها دست یافته است . با ترکیب این سه دیدگاه، تصویر واضح‌تری از چشم‌انداز تحول در حوزه طبقه‌بندی و درک سلول‌های بنیادی خون‌ساز شکل می‌گیرد.

نخست با تمرکز بر تحلیل دینامیک سلول‌های منفرد و ثبت ویژگی‌های زمانی آن‌ها با QPI، محققان توانستند تنوع عملکردی را حتی در سلول‌هایی که از لحاظ مارکری مشابه‌اند، آشکار کند. عملکرد این سامانه در پیش‌بینی هر سلول، نمونه روش جدیدی در اندازه‌گیری عملکرد زنده است . تحقیقات بیشتر نشان می‌دهد که حتی بدون تصویربرداری طولانی‌مدت، روش هولوگرافی جریان سلولی قادر است دسته‌بندی سریع سلول‌های خونی را در لحظه فراهم کند. امکان تشخیص وضعیت سلول در جریان واقعی نمونه‌گیری، می‌تواند تحولی برای آزمایشگاه‌های بالینی باشد . مطالعات تکمیلی این امکان را اضافه می‌کند که با استفاده از تصاویر ساده نوری و یادگیری عمیق، زیرگروه‌های سلولی بر اساس شکل‌شناسی تفکیک شوند که افزون بر سهولت، دسترسی به مصورسازی سلول‌ها را بدون نیاز به رنگ‌آمیزی ممکن می‌کند .

نکات کلیدی و تاثیرات بالقوه این رویکردها در پژوهش و کاربرد درمانی:

ابتدا، روش QPI با داده‌های زمانی، امکان دسته‌بندی دقیق سلول‌های بنیادی از منظر عملکرد را فراهم می‌آورد، نه فقط ویژگی ظاهری یا مولکولی. این موضوع وقتی اهمیت می‌یابد که سلول‌های بنیادی به‌ عنوان محصول درمان‌های سلولی مورد استفاده قرار می‌گیرند: کیفیت عملکردی سلول تعیین‌کننده موفقیت پیوند یا ترمیم است. سامانه جدید بررسی قابلیت پیش‌بینی Stemness در سطح هر سلول، می‌تواند کیفیت این محصولات بالینی را تضمین کند.

دوم، تکنولوژی تصویربرداری جریان سلولی با هولوگرافی دیجیتال نشان داد می‌شود که بدون نیاز به رنگ‌آمیزی یا آماده‌سازی پیچیده، دسته‌بندی آنی ممکن است. در شرایط کلینیکال یا آزمایشگاهی با حجم بالای نمونه، این روش می‌تواند سرعت و دقت تشخیص را بالا ببرد و هزینه‌ها را کاهش دهد.

سوم، استفاده از یادگیری عمیق با تصاویر نوری استاندارد، نشان‌دهنده راهی مقرون‌به‌صرفه برای جدا کردن زیرگروه‌های سلولی است که پیش از این نیازمند مجموعه‌های پیچیده مارکر و دستگاه‌های خاص بود. با ارتقای دقت این الگوریتم و ترکیب آن با QPI یا سایر تصویربرداری‌های لایف‌ساینس، ترکیب چندوجهی قدرتمندی به دست می‌آید.

سبک نوآوری:

در تمامی این پژوهش‌ها، نکته مشترک توجه به ویژگی‌ دینامیک سلول در طول زمان یا در جریان نمونه‌برداری است. برخلاف روش‌های ثابت یا آنالیز یک‌باره که صرفاً تصویر لحظه‌ای ارائه می‌دهند، این رویکردها به ثبت تغییرات واقعی و رفتار طبیعی سلول‌ها توجه دارند. این امر فاصله جدی با روش‌های سنتی ایجاد کرده و افق جدیدی برای درک هتروژنیستی پنهان در جمعیت‌های سلولی باز کرده است. با وجود مزایای بی‌شمار، اجرای این فناوری‌ها در مقیاس کلینیکی هنوز با دشواری‌هایی مواجه است. برای سامانه QPI - یادگیری ماشین نیاز به تجهیزات دقیق تصویربرداری و سیستم‌های محاسباتی پیشرفته است. داده‌های ویدئویی با کیفیت بالا حجم زیادی دارند که مدیریت و تحلیل آن‌ها نیازمند زیرساخت مناسب است. همچنین مدل‌های یادگیری باید بسیار دقیق آموزش داده شوند تا بتوانند پیش‌بینی‌هایی با قابلیت اعتماد برای استفاده انسانی انجام دهند. در بحث تصویربرداری هولوگرافی و یادگیری عمیق با تصاویر ساده، باید گسترده بودن نمونه‌ها و تنوع نمونه‌های بالینی را در نظر گرفت. الگوریتم‌ها باید با داده‌های واقعی انسان سازگار شوند نه فقط مدل‌های حیوانی یا سلول‌های آزمایشگاهی. بنابراین گام بعدی، تأمین مجموعه داده‌های بزرگ‌مقیاس با تنوع زیستی بالا و شرایط واقعی بالینی خواهد بود.

نتیجه‌گیری:
محققان با ترکیب تصویربرداری فاز کمی با یادگیری ماشین، توانسته‌اند تصویری پویاتر و دقیق‌تر از سلول‌های بنیادی خون‌ساز ارائه دهند که پیش‌بینی عملکرد آن‌ها را ملایم‌تر و قابل‌اتکا‌تر می‌سازد. دو روش مکمل دیگر، تصویربرداری هولوگرافی جریان سلولی و یادگیری عمیق مورفولوژی سلولی بدون برچسب—به شکل‌گیری اکوسیستمی از فناوری‌های غیرتهاجمی و دقیق برای طبقه‌بندی سلولی کمک می‌کنند. در مجموع، این حرکت علمی گامی بزرگ به سوی درک بهتر تنوع سلولی، ارتقای کیفیت محصولات درمانی سلولی، و کاهش وابستگی به مارکرهای بیولوژیک و برچسب‌های شیمیایی است. این پیشرفت می‌تواند مسیر جدیدی برای شناسایی غیرتهاجمی و دقیق سلول‌های بنیادی فراهم کند و کیفیت درمان‌های سلولی را به طور چشمگیری ارتقا دهد.

پایان مطلب./