به گزارش پایگاه اطلاع رسانی بنیان، در سال‌های اخیر، سلول‌های بنیادی به دلیل توانایی منحصربه‌فردشان در بازسازی و تبدیل به انواع مختلف سلول‌های بدن، به یکی از موضوعات اصلی تحقیقات پزشکی تبدیل شده‌اند. این سلول‌ها، به‌ویژه سلول‌های بنیادی مزانشیمی (MSCs)، در درمان بیماری‌های مختلف، از جمله بیماری‌های پوستی مانند پسوریازیس و بازسازی بافت‌ها، نقش مهمی ایفا می‌کنند.

سلول‌های بنیادی مزانشیمی: امیدی برای پزشکی بازساختی

سلول‌های بنیادی مزانشیمی، که از منابعی مانند مغز استخوان، بند ناف، یا بافت چربی به دست می‌آیند، به دلیل توانایی‌شان در تمایز به انواع سلول‌ها و خواص ضدالتهابی‌شان، در درمان بیماری‌های مختلف مورد توجه قرار گرفته‌اند. به گفته‌ی مؤسسه ملی سلامت آمریکا (NIH)، این سلول‌ها می‌توانند در درمان بیماری‌های قلبی، اختلالات ایمنی، و حتی آسیب‌های بافتی ناشی از ضربه یا بیماری‌های مزمن مانند آرتروز نقش داشته باشند. اما یکی از چالش‌های اصلی در استفاده از این سلول‌ها، بهینه‌سازی فرآیندهای کشت و تنظیم رفتار آن‌ها در محیط‌های درمانی است. اینجا است که مدل‌های ریاضی وارد میدان می‌شوند.

طراحی فضای احتمالی برای کشت سلول‌های بنیادی

مقاله‌ای که در مجله Biotechnology and Bioengineering منتشر شده، به بررسی یک مدل ریاضی برای بهینه‌سازی فرآیند کشت پاساژ سلول‌های بنیادی مزانشیمی از مغز استخوان (BM-MSCs) و بند ناف (UC-MSCs) پرداخته است. این مطالعه، که توسط هیرونو و همکاران انجام شده، بر پیش‌بینی نرخ رشد سلول‌ها به‌عنوان تابعی از سطح دو برابر شدن جمعیت تجمعی (cPDL) تمرکز دارد. یکی از مشکلات اصلی در کشت سلول‌های بنیادی، پدیده پیری سلولی (senescence) است که با افزایش تعداد پاساژها، نرخ رشد سلول‌ها کاهش می‌یابد.

این مطالعه سه مرحله اصلی را دنبال کرده است:

1. انجام آزمایش‌های کشت پاساژ برای ارتباط دادن نرخ رشد ظاهری با cPDL.
2. توسعه مدلی برای پیش‌بینی نرخ رشد به‌عنوان تابعی از cPDL.
3. استفاده از شبیه‌سازی تصادفی برای طراحی فرآیند کشت پاساژ.

مدل ریاضی ارائه‌شده در این مطالعه از معادلات زیر برای پیش‌بینی رفتار سلول‌ها استفاده می‌کند:

معادله رشد سلولی در فاز نمایی:

[ X_{i,h} = \min \left{ X_s \exp(\mu_i t_h), X_m \right} ]

که در آن (X_{i,h}) چگالی سلول‌ها پس از کشت i-ام، (X_s) چگالی اولیه، (\mu_i) نرخ رشد ویژه، (t_h) زمان برداشت، و (X_m) حداکثر چگالی سلولی است.

محاسبه cPDL:

[ cPDL_i = \sum_{j=1}^i \log_2 \left( \frac{X_{j,h}}{X_s} \right) ]

این معادله نشان می‌دهد که چگونه سطح دو برابر شدن جمعیت تجمعی با هر پاساژ افزایش می‌یابد.

پیش‌بینی نرخ رشد:

[ \mu_{i+1} = \frac{\mu_m}{1 + \exp \left{ K_{sr} (cPDL_i - K_{50}) \right}} + e ]

در این معادله، (\mu_m) حداکثر نرخ رشد، (K_{sr}) نرخ پیری، (K_{50}) ثابت مدل پاساژ، و (e) متغیر تصادفی برای در نظر گرفتن تغییرات است.

این مدل با استفاده از شبیه‌سازی تصادفی، مناطق عملیاتی مناسب برای تعداد پاساژ ((N_p)) و زمان برداشت ((t_h)) را شناسایی کرد که در آن‌ها سه شاخص کیفی (سطح پیری، سطح تراکم، و تعداد کل سلول‌ها) با احتمال مشخصی برآورده می‌شوند. نتایج نشان داد که از 165 شرط بررسی‌شده، 10 شرط برای BM-MSCs و 62 شرط برای UC-MSCs مناسب بودند. این یافته‌ها می‌توانند به طراحی صنعتی فرآیندهای کشت سلول‌های بنیادی کمک کنند.

مدل‌سازی ارتباطات بین‌نانوکلاستری برای تنظیم رفتار سلول‌ها

مقاله منتشرشده در Nature Communications، رویکردی نوآورانه برای تنظیم رفتار سلول‌های بنیادی با استفاده از مدل‌سازی ریاضی مبتنی بر نظریه گراف ارائه می‌دهد. این مطالعه، به رهبری کیم و همکاران، بر تنظیم اتصالات بین‌نانوکلاستری لیگاندهای آرژینین-گلیسین-آسپارتیک اسید (RGD) تمرکز دارد که در ماتریکس خارج‌سلولی (ECM) نقش مهمی در چسبندگی و تمایز سلول‌های بنیادی ایفا می‌کنند.

این مطالعه از نانوبلاکرهای مغناطیسی با شکل‌های مختلف (با ناهمسان‌گردی بالا، متوسط، و پایین) برای تنظیم تعداد اتصالات بین‌نانوکلاستری (تعداد لبه‌های بین‌کلاستری) استفاده کرد. نانوبلاکرهای با ناهمسان‌گردی بالا، اتصالات بین لیگاندهای RGD را کاهش می‌دهند، در حالی که نانوبلاکرهای با ناهمسان‌گردی پایین، این اتصالات را افزایش می‌دهند. این تنظیمات از طریق میدان مغناطیسی به‌صورت برگشت‌پذیر کنترل می‌شوند.

مدل ریاضی این مطالعه از الگوریتم لووین (Louvain) برای تقسیم‌بندی شبکه‌های لیگاند به خوشه‌ها استفاده کرد. تعداد لبه‌های بین‌کلاستری با استفاده از مثلث‌بندی دلونی (Delaunay triangulation) محاسبه شد.

نتایج نشان داد که کاهش ناهمسان‌گردی نانوبلاکرها یا خطی‌سازی آن‌ها باعث افزایش تعداد لبه‌های بین‌کلاستری می‌شود، که به نوبه خود چسبندگی سلول‌های بنیادی، تشکیل نقاط کانونی (focal adhesion)، و تمایز از طریق مکانیزم‌های مکانیکوتрансداکشن را تقویت می‌کند. این رویکرد می‌تواند در بازسازی بافت‌هایی مانند استخوان یا تاندون، که به تنظیم دقیق تعاملات سلول-ماده نیاز دارند، بسیار مفید باشد.

درمان پسوریازیس با سلول‌های بنیادی و مهارکننده‌های بیولوژیک

مقاله منتشرشده در Scientific Reports، به بررسی یک مدل ریاضی برای درمان پسوریازیس با استفاده از پیوند سلول‌های بنیادی مزانشیمی و مهارکننده‌های بیولوژیک TNF-α پرداخته است. پسوریازیس یک بیماری خودایمنی مزمن است که با تکثیر بیش‌ازحد کراتینوسیت‌ها و التهاب پوستی مشخص می‌شود. این مطالعه، که توسط کوشاری و همکاران انجام شده، مدلی را ارائه می‌دهد که تعاملات بین سلول‌های T، سلول‌های دندریتیک (DCs)، کراتینوسیت‌ها، و سلول های بنیادی مزانشیمی را با استفاده از معادلات دیفرانسیل معمولی غیرخطی توصیف می‌کند.

مدل ریاضی این مطالعه به‌صورت زیر است:

[ \frac{dT(t)}{dt} = \alpha_T + \eta T(t) \left(1 - \frac{T(t)}{T_{\max}}\right) - \frac{\beta_1 T(t)D(t)}{1 + \gamma_1 S_M(t)} - \xi T(t)K(t) - \mu_T T(t) ]

[ \frac{dD(t)}{dt} = \alpha_D - \frac{\beta_2 T(t)D(t)}{1 + \gamma_2 S_M(t)} - \mu_D D(t) ]

[ \frac{dK(t)}{dt} = \alpha_K + \frac{\beta_1 T(t)D(t)}{1 + \gamma_1 S_M(t)} + \frac{\beta_2 T(t)D(t)}{1 + \gamma_2 S_M(t)} - \mu_K K(t) ]

[ \frac{dS_M(t)}{dt} = \alpha_{SM} - \mu_{SM} S_M(t) ]

که در آن (T(t))، (D(t))، (K(t))، و (S_M(t)) به ترتیب نشان‌دهنده چگالی سلول‌های T، سلول‌های دندریتیک، کراتینوسیت‌ها، و MSCs هستند. پارامترهای (\alpha_T)، (\alpha_D)، (\alpha_K)، و (\alpha_{SM}) نرخ تجمع ثابت، و (\mu_T)، (\mu_D)، (\mu_K)، و (\mu_{SM}) نرخ مرگ طبیعی را نشان می‌دهند. (\beta_1) و (\beta_2) نرخ تعاملات بین سلول‌های T و دندریتیک، و (\gamma_1) و (\gamma_2) اثرات بازدارنده MSCs بر این تعاملات را نشان می‌دهند.

این مدل با استفاده از یک استراتژی کنترل بهینه، اثر مهارکننده TNF-α را بررسی کرد و نشان داد که ترکیب پیوند سلول های بنیادی مزانشیمی به‌صورت پالسی با مهارکننده TNF-α می‌تواند چگالی کراتینوسیت‌ها را به‌طور مؤثری کاهش دهد. شبیه‌سازی‌های عددی نشان داد که پس از 80 روز درمان با مهارکننده TNF-α، افزودن پیوند سلول های بنیادی مزانشیمی به‌صورت پالسی می‌تواند نتایج بهتری در کنترل پسوریازیس شدید ارائه دهد.

چرا مدل‌های ریاضی مهم هستند؟

مدل‌های ریاضی، همان‌طور که در این سه مطالعه دیده می‌شود، ابزارهای قدرتمندی برای درک و بهینه‌سازی فرآیندهای پیچیده بیولوژیکی هستند. به گفته‌ی پروفسور جیمز اندرسون از دانشگاه آکسفورد، «مدل‌سازی ریاضی به ما امکان می‌دهد تا سناریوهای مختلف را بدون نیاز به آزمایش‌های پرهزینه و زمان‌بر بررسی کنیم.» این مدل‌ها نه‌تنها به پیش‌بینی رفتار سلول‌ها کمک می‌کنند، بلکه می‌توانند هزینه‌های درمانی را کاهش دهند و اثربخشی درمان‌ها را افزایش دهند.

نتیجه‌گیری

این سه مطالعه نشان‌دهنده پتانسیل عظیم سلول‌های بنیادی مزانشیمی در درمان بیماری‌ها و نقش کلیدی مدل‌های ریاضی در بهینه‌سازی این فرآیندها هستند. از طراحی فرآیندهای کشت سلول گرفته تا تنظیم رفتار سلول‌ها و درمان بیماری‌هایی مانند پسوریازیس، این تحقیقات راه را برای پیشرفت‌های جدید در پزشکی بازساختی هموار می‌کنند. با ادامه تحقیقات و توسعه این مدل‌ها، می‌توان انتظار داشت که درمان‌های مبتنی بر سلول‌های بنیادی در آینده‌ای نزدیک به بخشی جدایی‌ناپذیر از پزشکی تبدیل شوند.

پایان مطلب./