به گزارش پایگاه اطلاع رسانی بنیان، محققان با بهره‌گیری از فناوری‌های نوظهور توالی‌یابی تک‌سلولی و روش‌های بیوپسی مایع، تحولی در درک و پایش بیماری میلوما ایجاد کرده‌اند که می‌تواند جایگزین روش‌های سنتی و تهاجمی نمونه‌برداری مغز استخوان شود. به کمک روش‌هایی مانند SWIFT‑seq، توانایی شناسایی و تحلیل دقیق سلول‌های توموری در گردش خون (CTCs) فراهم شده است، موضوعی که نویدبخش تشخیص زودهنگام، پایش طولانی‌مدت و درمان هدفمند این بیماری خونی پیچیده است.

فناوری SWIFT‑seq؛ گامی نو در تحلیل سلول‌های توموری خون

روش SWIFT‑seq با ترکیب توالی‌یابی RNA تک‌سلولی و تحلیل گیرنده‌های ایمنی B، امکان شناسایی جامع سلول‌های توموری در گردش خون را فراهم کرده است. محققان در مطالعه‌ای که روی بیش از صد بیمار مبتلا به میلوما و مرحله پیش‌سرطانی آن انجام دادند، نشان دادند که این روش نه تنها تعداد دقیق سلول‌های توموری را می‌شمارد، بلکه می‌تواند ساختار ژنتیکی، سرعت تقسیم سلول و ویژگی‌های مولکولی پیش‌آگهی‌دهنده بیماری را در سطح تک‌سلولی ارائه دهد.  SWIFT‑seq تصویر واقعی‌تر و غیر تهاجمی‌تری از وضعیت بیماری نسبت به نمونه‌برداری مغز استخوان ارائه می‌کند و تنوع ژنتیکی تومور را در نقاط مختلف بدن نشان می‌دهد.

بیوپسی مایع: تشخیص غیرتهاجمی و تکرارشونده

بیوپسی مایع که شامل بررسی سلول‌های توموری در گردش و قطعات DNA آزاد در خون است، در سال‌های اخیر به عنوان جایگزینی قابل اطمینان و غیر تهاجمی برای نمونه‌برداری مغز استخوان مطرح شده است. میلوما که به دلیل پخش شدن سلول‌های سرطانی در مغز استخوان، تشخیص و پایش دشواری دارد، اکنون با استفاده از بیوپسی مایع، روند تشخیص آسان‌تر و کم‌دردسرتر شده است. این روش به پزشکان امکان می‌دهد در فواصل زمانی کوتاه، وضعیت بیماری را بررسی کنند و تغییرات ژنتیکی و مولکولی را که ممکن است به مقاومت درمانی منجر شود، ردیابی کنند. مطالعات نشان داده‌اند که سلول‌های توموری در گردش خون در بسیاری از بیماران حتی پیش از ظهور علائم بالینی قابل شناسایی هستند و می‌توانند به عنوان شاخص‌های پیش‌بینی‌کننده پاسخ به درمان و احتمال پیشرفت بیماری به کار روند.

GeTMoR؛ ترکیب مورفولوژی، ژنومیک و ترنسکریپتوم

در کنار SWIFT‑seq، فناوری GeTMoR نیز گامی رو به جلو در شناخت سلول‌های توموری محسوب می‌شود. این فناوری اجازه می‌دهد تا همزمان اطلاعات ظاهری (مورفولوژیکی)، ژنومی و الگوهای بیان ژنی یک سلول به دست آید. این قابلیت در مطالعه سلول‌های نادر مانند CTCها اهمیت زیادی دارد، زیرا می‌توان با مشاهده همزمان چند لایه اطلاعات، به درک عمیق‌تری از رفتار و ویژگی‌های سلول‌های توموری رسید. این موضوع به ویژه در میلوما که تومورها دارای پیچیدگی ژنتیکی و تغییرات متنوع هستند، کاربرد حیاتی دارد.

پیچیدگی‌های ژنتیکی میلوما در سطح تک‌سلولی

یکی از چالش‌های اساسی در درمان میلوما، تنوع ژنتیکی گسترده سلول‌های توموری است. سلول‌ها در یک بیمار می‌توانند دارای جهش‌ها و ناهنجاری‌های متفاوتی باشند که هرکدام بر رفتار تومور و پاسخ به درمان تاثیرگذارند. فناوری‌های تک‌سلولی این امکان را فراهم کرده‌اند که تنوع کلونال (clonal heterogeneity) در میلوما به صورت دقیق‌تر بررسی شود. این تحلیل‌های دقیق به شناسایی زیرگروه‌های سلولی مقاوم به درمان و طراحی استراتژی‌های درمانی هدفمند کمک می‌کند.

مطالعات اخیر با توالی‌یابی تک‌سلولی نشان داده‌اند که تغییرات ژنتیکی در سلول‌های توموری در مغز استخوان و گردش خون با هم مطابقت دارند، اما نمونه خون تصویری ساده‌تر و دسترس‌پذیرتر ارائه می‌کند که می‌تواند روند درمان را تسهیل کند.

تعامل میکرو محیط تومور با سیستم ایمنی

سلول‌های توموری در میلوما به طور مداوم با میکرو محیط اطراف خود و سیستم ایمنی بیمار در تعامل هستند. فناوری‌های جدید تک‌سلولی امکان تحلیل این تعاملات پیچیده را فراهم ساخته‌اند. پژوهشگران با بررسی بیان ژن‌های مرتبط با سیستم ایمنی در سلول‌های توموری و سلول‌های محیطی، توانسته‌اند مسیرهای بیولوژیکی کلیدی را شناسایی کنند که در فرار از سیستم ایمنی و مقاومت به درمان نقش دارند. این یافته‌ها به توسعه داروهایی با هدف تقویت پاسخ ایمنی و مقابله با مقاومت دارویی کمک شایانی می‌کند.

الگوریتم‌های هوشمند و یادگیری ماشین؛ دقت بیشتر در تشخیص و ردیابی

افزایش حجم و پیچیدگی داده‌های تک‌سلولی نیازمند روش‌های نوین پردازش و تحلیل است. به همین منظور، الگوریتم‌های مبتنی بر یادگیری ماشین مانند CTC-Tracer توسعه یافته‌اند که با تحلیل عمیق داده‌های بیان ژنی، منشأ بافتی سلول‌های توموری در گردش را تعیین می‌کنند. این الگوریتم‌ها امکان تمایز دقیق‌تر بین سلول‌های سرطانی و سلول‌های سالم و شناسایی زیرنوع‌های توموری را فراهم می‌کنند. استفاده از این تکنیک‌ها نه تنها دقت تشخیص را افزایش می‌دهد بلکه می‌تواند به شناسایی سریع تغییرات مولکولی مرتبط با پیشرفت بیماری کمک کند.

مزایای کاربردی و آینده‌نگری در درمان میلوما

تحول در فناوری‌های تشخیصی مانند SWIFT‑seq و GeTMoR چشم‌انداز جدیدی برای درمان میلوما رقم زده است. با شناسایی دقیق‌تر سلول‌های توموری در گردش و تحلیل جامع مولکولی، امکان انتخاب درمان‌های اختصاصی و بهبود پاسخ بیمار فراهم می‌شود. همچنین، پایش طولانی‌مدت بیماری بدون نیاز به نمونه‌برداری‌های متعدد و دردناک، کیفیت زندگی بیماران را به طور قابل توجهی افزایش می‌دهد. از سوی دیگر، این روش‌ها می‌توانند در مطالعات بالینی نقش اساسی ایفا کنند و روند توسعه داروهای جدید را تسریع کنند. امکان شناسایی سریع مقاومت‌های دارویی و تغییر مسیر درمانی از مزیت‌های کلیدی این فناوری‌ها است.

نتیجه‌گیری

پیشرفت‌های اخیر در حوزه بیوپسی مایع و توالی‌یابی تک‌سلولی، به ویژه فناوری‌هایی مانند SWIFT‑seq و GeTMoR، نقطه عطفی در مدیریت بیماری‌های پیچیده‌ای همچون میلوما محسوب می‌شوند. این روش‌ها به کمک اطلاعات دقیق و غنی از سلول‌های توموری در گردش، امکان تشخیص زودهنگام، پایش مداوم و درمان هدفمند را فراهم کرده‌اند. آینده‌ی تشخیص سرطان با استفاده از این فناوری‌ها نویدبخش کاهش تهاجم، افزایش دقت و بهبود کیفیت مراقبت‌های بالینی است. علاوه بر فناوری‌های تک‌سلولی، توسعه روش‌های تحلیلی پیشرفته و ادغام داده‌های چندلایه، نقش کلیدی در افزایش دقت و قابلیت پیش‌بینی در مدیریت میلوما ایفا می‌کند. با ترکیب داده‌های ژنومی، ترنسکریپتومی و پروتئومیکی، محققان قادر خواهند بود الگوهای دقیق‌تری از پیشرفت بیماری، مقاومت به درمان و تغییرات میکرو محیط تومور ارائه دهند. این رویکرد جامع نه تنها به بهبود تشخیص زودهنگام کمک می‌کند، بلکه زمینه‌ساز طراحی درمان‌های شخصی‌سازی شده با هدفگذاری مولکولی دقیق‌تر می‌شود. همچنین، فناوری‌های یادگیری ماشین و هوش مصنوعی در تحلیل حجم عظیمی از داده‌های تک‌سلولی، توانسته‌اند روند تصمیم‌گیری بالینی را تسریع و خطاهای احتمالی را کاهش دهند. به این ترتیب، ترکیب فناوری‌های نوین توالی‌یابی و الگوریتم‌های هوشمند، نه تنها به فهم عمیق‌تر بیولوژی میلوما کمک می‌کند، بلکه نقش تعیین‌کننده‌ای در تحول درمان و بهبود کیفیت زندگی بیماران دارد و افق‌های نوینی را در حوزه پزشکی دقیق و شخصی‌سازی شده پیش روی جامعه پزشکی قرار می‌دهد.

پایان مطلب./