15 دسامبر 2025، Mrigakshi Dixit -تصویری از مگس میوه.گتی ایماژ
اولین نبض زندگی، حرکت دقیق و الگوی سلولها که ارگانیسم جدیدی ایجاد میکند، همیشه چیزی شبیه به یک معجزه مخفی بوده است.اکنون، مهندسان MIT یک مدل یادگیری عمیق را معرفی کردهاند که قادر به پیشبینی حرکات دقیق، تقسیمبندی و بازسازی هزاران سلول در طول انتقال جنین از یک خوشه ساده به یک ارگانیسم پیچیده است.
این مدل در حال حاضر نگاهی گذرا به اولین مرحله رشد مگس میوه می دهد. در آینده، می توان از آن برای پیش بینی چگونگی رشد بافت ها، اندام ها و موجودات پیچیده تر استفاده کرد.در نهایت، این به شناسایی الگوهای سلولی مرتبط با بیماری های زودرس مانند آسم و سرطان کمک می کند.
هایقیان یانگ، یکی از نویسندگان و دانشجوی فارغ التحصیل MIT، گفت: «بافتهای آسمی هنگام تصویربرداری زنده، پویایی سلولی متفاوتی را نشان میدهند.
یانگ افزود: «ما تصور میکنیم که مدل ما میتواند این تفاوتهای دینامیکی ظریف را به تصویر بکشد و نمایش جامعتری از رفتار بافت ارائه دهد، که به طور بالقوه تشخیصها یا سنجشهای غربالگری دارو را بهبود میبخشد».
مدل یادگیری عمیق، موقعیت یک سلول، همسایگان آن، و اینکه آیا در حین رشد مگس میوه تا می شود یا تقسیم می شود را ردیابی می کند.ویدئوهای با کیفیت بالا و با وضوح تک سلولی در این مطالعه ضروری بودند و جنینهای مگس میوه را که هر کدام با تقریباً 5000 سلول شروع میشد، ثبت کردند.به ویژه، این مدل برای یادگیری نحوه تغییر سلول ها در طول گاسترولاسیون مگس میوه آموزش دیده بود.
مینگ گوئو، نویسنده این مطالعه و دانشیار مهندسی مکانیک در MIT، میگوید: «این مرحله اولیه به نام گاسترولاسیون شناخته میشود که تقریباً طی یک ساعت انجام میشود، زمانی که سلولهای منفرد در مقیاس زمانی چند دقیقه دوباره مرتب میشوند.جالب اینجاست که پیشبینی میکرد که چگونه هر سلول در اولین ساعت توسعه با دقت 90 درصد تا میشود، جابهجا میشود و مرتب میشود.علاوه بر این، این مدل بسیار دقیق بود و نه تنها رویدادهای سلولی (مانند تا شدن یا جدا شدن) را پیشبینی میکرد، بلکه دقیقه دقیقی را که در آن رخ میدادند نیز پیشبینی میکرد.
گوئو افزود: «با مدلسازی دقیق این دوره اولیه، میتوانیم شروع کنیم به کشف اینکه چگونه فعل و انفعالات سلولی محلی باعث ایجاد بافتها و ارگانیسمهای جهانی میشود.»
به طور معمول، روشهای استاندارد برای مدلسازی رشد جنین شامل نمایش «ابر نقطه» (سلولها به عنوان نقاط متحرک) یا مدل «فوم» (سلولها به عنوان حبابهای متحرک) است.
با این حال، محققان تصمیم گرفتند که هر دو رویکرد را در یک ساختار واحد “گراف دوگانه” ترکیب کنند. این رویکرد ترکیبی به آنها اجازه داد تا اطلاعات ساختاری دقیق تری در مورد نحوه اتصال و ترتیب مجدد سلول ها به دست آورند.این تیم در نظر دارد از این قدرت پیشبینی در رشد گونههای دیگر مانند گورخرماهی و موشها و بافتها و اندامهای انسان استفاده کند.اگرچه تنها محدودیت فعلی در دسترس بودن داده های با کیفیت بالا است.
گوئو خاطرنشان کرد: “از دیدگاه مدل، فکر می کنم آماده است. گلوگاه واقعی داده ها است. اگر داده های با کیفیت خوبی از بافت های خاص داشته باشیم، این مدل می تواند مستقیما برای پیش بینی توسعه ساختارهای بیشتر استفاده شود.”
سفر پیچیده زندگی با یک سلول آغاز می شود، سپس هزاران سلول برای تشکیل بافت ها و اندام ها. این فرآیند نیاز به هماهنگی بی عیب و نقص در سطح سلولی دارد.
با این حال، حتی یک نقص جزئی، مانند یک خطا در تقسیم سلولی، تا کردن، یا بازآرایی، می تواند رشد طبیعی را مختل کند. این خطاهای اولیه میتواند منجر به عواقب مخربی شود که اغلب منجر به بیماریهای زودرس مانند آسم، سرطان یا سایر ناهنجاریها میشود.
این فناوری جدید میتواند فرآیندهای اولیه رشد بافتهای مستعد بیماری را آشکار کند و در نهایت منجر به اقدامات مداخلهای بهتر و به موقعتر شود.
این مطالعه در ژورنال Nature Methods در 15 دسامبر منتشر شد.
