به گزارش پایگاه اطلاع رسانی بنیان، در دنیای پزشکی امروز، خون محیطی به عنوان یک منبع ساده و در دسترس، نقش کلیدی در تشخیص و درمان بیماری‌های پیچیده مانند سرطان ایفا می‌کند. خون محیطی، که از رگ‌های سطحی بدن گرفته می‌شود، حاوی سلول‌های مختلفی است که می‌توانند اطلاعات ارزشمندی درباره وضعیت سلامت بدن ارائه دهند. اخیراً، تحقیقات نشان داده‌اند که تحلیل این خون می‌تواند به پیش‌بینی عوارض درمان‌های ایمونوتراپی کمک کند، دسترسی‌پذیری کروماتین سلول‌ها را پروفایل کند و حتی لوسمی را با استفاده از هوش مصنوعی تشخیص دهد. این پیشرفت‌ها نه تنها فرآیند تشخیص را سریع‌تر و کم‌تهاجمی‌تر می‌کنند، بلکه امید به درمان‌های شخصی‌سازی‌شده را افزایش می‌دهند.

تاریخچه تحلیل خون محیطی در پزشکی

تحلیل خون محیطی ریشه در قرن نوزدهم دارد، زمانی که دانشمندان برای اولین بار با استفاده از میکروسکوپ به بررسی سلول‌های خون پرداختند. در آن دوران، پزشکان متوجه شدند که تغییرات در شکل و تعداد سلول‌های خون می‌تواند نشانه‌ای از بیماری‌های مختلف باشد. برای مثال، در سال‌های اولیه قرن بیستم، معرفی روش‌های رنگ‌آمیزی مانند رنگ رایت، امکان بررسی دقیق‌تر لکه‌های خون محیطی را فراهم کرد. این روش‌ها به پزشکان کمک کرد تا اختلالات خونی مانند کم‌خونی یا عفونت‌ها را تشخیص دهند.

یکی از نقاط عطف در تاریخچه، معرفی سوراخ کردن مغز استخوان در سال ۱۹۲۹ توسط یک پزشک آلمانی بود. این روش، دسترسی به سلول‌های بنیادی را آسان‌تر کرد، اما همچنان تحلیل خون محیطی به عنوان اولین گام در تشخیص باقی ماند. در دهه‌های بعد، با پیشرفت تکنولوژی، تحلیل خون محیطی به بخشی جدایی‌ناپذیر از تشخیص بیماری‌های خونی تبدیل شد. در جنگ جهانی دوم، پزشکان از خون محیطی برای نظارت بر سلامت سربازان استفاده می‌کردند و متوجه شدند که تغییرات در تعداد گلبول‌های سفید می‌تواند نشانه‌ای از عفونت یا استرس باشد.

در نیمه دوم قرن بیستم، با ظهور دستگاه‌های اتوماتیک شمارش سلول، تحلیل خون محیطی سریع‌تر شد. این دستگاه‌ها می‌توانستند تعداد گلبول‌های قرمز، سفید و پلاکت‌ها را در عرض چند دقیقه محاسبه کنند. امروزه، خون محیطی نه تنها برای تشخیص روتین استفاده می‌شود، بلکه در تحقیقات پیشرفته مانند ژنتیک و ایمونولوژی کاربرد دارد. برای مثال، در دهه ۱۹۸۰، دانشمندان از خون محیطی برای مطالعه ویروس HIV استفاده کردند و متوجه شدند که کاهش تعداد لنفوسیت‌ها می‌تواند پیش‌بینی‌کننده پیشرفت بیماری باشد. این تاریخچه نشان می‌دهد که خون محیطی همیشه به عنوان "پنجمین نشانه حیاتی" در هماتولوژی شناخته شده است، زیرا بررسی لکه خون می‌تواند سرنخ‌های مهمی برای تشخیص ارائه دهد.

نقش خون محیطی در ایمونوتراپی سرطان

ایمونوتراپی، یکی از انقلاب‌های اخیر در درمان سرطان، بر پایه فعال‌سازی سیستم ایمنی بدن برای مبارزه با سلول‌های سرطانی استوار است. مهارکننده‌های چک‌پوینت ایمنی مانند آنتی‌بادی‌های ضد PD-1 و CTLA-4، با برداشتن ترمزهای ایمنی، به سلول‌های T اجازه می‌دهند تا تومورها را نابود کنند. اما این درمان‌ها گاهی عوارض جانبی شدیدی به نام رویدادهای نامطلوب مرتبط با ایمنی (irAEs) ایجاد می‌کنند، که می‌تواند پوست، غدد درون‌ریز، ریه‌ها و دستگاه گوارش را تحت تأثیر قرار دهد.

تحقیقات نشان داده‌اند که شمارش سلول‌های خون محیطی می‌تواند پیش‌بینی‌کننده این عوارض باشد. در یک متاآنالیز گسترده که شامل ۶۰ مطالعه و بیش از ۱۶ هزار بیمار سرطانی بود، مشخص شد که سطوح بالاتر تعداد مطلق لنفوسیت‌ها (ALC) و ائوزینوفیل‌ها (AEC) در پایه، با افزایش خطر irAEs مرتبط است. در مقابل، سطوح پایین‌تر تعداد مطلق نوتروفیل‌ها (ANC)، نسبت نوتروفیل به لنفوسیت (NLR) و نسبت پلاکت به لنفوسیت (PLR) نیز این خطر را افزایش می‌دهد. برای مثال، بیمارانی با ALC بالاتر از ۲×۱۰^۹ در لیتر، دو برابر بیشتر در معرض خطر بودند.

این یافته‌ها با مطالعات دیگر همخوانی دارد. در تحقیقات اخیر، مشخص شده که تغییرات در تعداد سلول‌های ایمنی قبل از درمان می‌تواند نشان‌دهنده پاسخ سیستم ایمنی باشد. مثلاً، افزایش ائوزینوفیل‌ها ممکن است به دلیل آزادسازی اینترلوکین‌هایی مانند IL-5 باشد که التهاب را تشدید می‌کند. همچنین، نسبت نوتروفیل به لنفوسیت پایین‌تر نشان‌دهنده تعادل بهتر بین سلول‌های التهابی و ایمنی است. این پیش‌بینی‌ها به پزشکان کمک می‌کند تا بیماران پرخطر را زودتر شناسایی کنند و درمان را تنظیم نمایند، بدون اینکه نیاز به آزمایش‌های گران‌قیمت مانند تومور موتیشن بوردن باشد.

برای جذابیت بیشتر، تصور کنید بیمارانی که تحت درمان با این داروها هستند، می‌توانند با یک آزمایش خون ساده، از عوارض احتمالی آگاه شوند. این رویکرد نه تنها هزینه‌ها را کاهش می‌دهد، بلکه کیفیت زندگی بیماران را بهبود می‌بخشد. در مطالعات بالینی، بیمارانی که irAEs خفیف داشتند، اغلب پاسخ بهتری به درمان نشان دادند، که نشان‌دهنده ارتباط بین فعال‌سازی ایمنی و موفقیت درمانی است.

پیشرفت‌های روش‌های پروفایلینگ تک‌سلولی با خون محیطی

یکی از دستاوردهای بزرگ اخیر، توسعه روش‌های تک‌سلولی برای بررسی دسترسی‌پذیری کروماتین است. روش IT-scATAC-seq، یک رویکرد نیمه‌خودکار و مقیاس‌پذیر، امکان پروفایلینگ دسترسی‌پذیری کروماتین در سطح تک‌سلول را فراهم می‌کند. این روش با استفاده از ترانسپوزوم‌های شاخص‌دار و استراتژی بارکدینگ سه‌مرحله‌ای، می‌تواند تا ۱۰ هزار سلول را در یک روز پردازش کند، با هزینه‌ای حدود ۰.۰۱ دلار به ازای هر سلول.

در آزمایش‌ها، این روش بر روی سلول‌های بنیادی جنینی موش و سلول‌های تک‌هسته‌ای خون محیطی انسان اعمال شد و توانست تغییرات کروماتین طی تمایز سلولی را نشان دهد. برای مثال، در خون محیطی، زیرمجموعه‌های ایمنی مختلف شناسایی شد و برنامه‌های تنظیمی خاص سلول مانند موتیف‌های GATA در سلول‌های میلوییدی مشخص گردید. این روش نسبت به روش‌های قبلی مانند droplet-based یا plate-based، پیچیدگی کتابخانه بالاتری دارد و آلودگی میتوکندریایی کمتری نشان می‌دهد.

پیشرفت‌های اخیر در scATAC-seq شامل ترکیب با RNA-seq برای multi-omics است. مثلاً، روش‌هایی مانند snRNA-seq و scATAC-seq همزمان، امکان بررسی همزمان بیان ژن و دسترسی‌پذیری کروماتین را فراهم می‌کنند. در مطالعات روی مغز جنین انسان، این روش‌ها نشان دادند که چگونه سلول‌های عصبی تمایز می‌یابند. همچنین، مدل‌های مبتنی بر گراف ترانسفورمر مانند scGT، ادغام داده‌های RNA-seq و ATAC-seq را بهبود بخشیده‌اند تا ناهمگونی اپی‌ژنتیکی را بهتر درک کنند.

این دستاوردها، تحقیقات را به سمت تحقیقات بالینی سوق می‌دهند. تصور کنید که با یک نمونه خون محیطی، پزشکان بتوانند نقشه ژنتیکی سلول‌های ایمنی را ترسیم کنند و درمان‌های هدفمند طراحی نمایند. این روش‌ها نه تنها در سرطان، بلکه در بیماری‌های خودایمنی و عفونی نیز کاربرد دارند.

تشخیص و تیپ‌بندی لوسمی با هوش مصنوعی و خون محیطی

لوسمی، یک سرطان خونی ناهمگن، نیاز به تشخیص سریع و دقیق دارد. روش‌های سنتی مانند آسپیراسیون مغز استخوان، تهاجمی هستند و تأخیر ایجاد می‌کنند. اما اخیراً، هوش مصنوعی با تحلیل یک سلول خون محیطی، این فرآیند را متحول کرده است. در یک مطالعه، شبکه‌ای مبتنی بر بخش‌بندی و آموزش با پچ‌های جیگساو، بر روی ۲۱ هزار تصویر از ۲۳۷ بیمار آموزش دید و توانست سلول‌های خوش‌خیم را از بدخیم تمایز دهد.

این مدل، APL را از non-APL با دقت ۸۹ درصد، حساسیت ۹۷ درصد و F1 score ۹۳ درصد تشخیص داد. همچنین، ALL با کروموزوم Ph را از بدون آن تمایز داد. این دستاورد، با مطالعات دیگر همخوانی دارد؛ برای مثال، مدل‌هایی با حساسیت ۹۴ درصد برای لوسمی میلوئیدی حاد و ۹۸ درصد برای لوسمی لنفوبلاستی حاد توسعه یافته‌اند.AI  می‌تواند سلول‌های blast را از سلول‌های سالم جدا کند و حتی زیرنوع‌ها را طبقه‌بندی نماید.

در تحقیقات دیگر، AI برای تشخیص لوسمی میلوئیدی مزمن با استفاده از مورفولوژی لکوسیت‌ها استفاده شده و دقت بالایی نشان داده است. مدل‌های hierarchical، لوسمی را از تصاویر لکه خون پیش‌بینی می‌کنند. این رویکردها، تشخیص را سریع‌تر و دقیق‌تر می‌کنند، به ویژه در مناطق کم‌منابع.

برای جذابیت، فکر کنید به بیمارانی که بدون نیاز به بیوپسی دردناک، با یک آزمایش خون ساده، نوع لوسمی‌شان مشخص می‌شود. این نه تنها رعایت بیمار را افزایش می‌دهد، بلکه درمان را تسریع می‌کند.

دستاوردها و چشم‌انداز آینده

دستاوردهای اخیر در استفاده از خون محیطی، از پیش‌بینی irAEs تا پروفایلینگ تک‌سلولی و تشخیص AI، پزشکی را دگرگون کرده‌اند. این روش‌ها هزینه‌ها را کاهش می‌دهند، دقت را افزایش می‌دهند و درمان‌های شخصی را ممکن می‌سازند. در آینده، ترکیب AI با multi-omics می‌تواند نقشه کاملی از سیستم ایمنی ارائه دهد و درمان‌های جدیدی برای سرطان ابداع کند.

با پیشرفت تکنولوژی، خون محیطی می‌تواند به ابزار اصلی در پزشکی پیش‌بینی‌کننده تبدیل شود. تصور کنید جهانی که در آن، یک قطره خون تمام رازهای سلامتی را فاش می‌کند. این پیشرفت‌ها، امید به آینده‌ای سالم‌تر را زنده نگه می‌دارند.

پایان مطلب./