جامعة بكين تطور نظامًا لتمايز الخلايا الجذعية متعددة القدرات يعتمد على التعلم الآلي لإعداد الخلايا الوظيفية بكفاءة وثبات
المحتويات في لمحة:منذ القرن العشرين، أصبحت تقنية الخلايا الجذعية والطب التجديدي واحدة من أبرز التطورات في المجال الطبي الحيوي الدولي. واليوم، بدأ الباحثون في استكشاف طرق تحويل الخلايا الجذعية إلى أنواع محددة من الخلايا. ومع ذلك، خلال هذه العملية، قد تنمو الخلايا الجذعية بشكل غير منتظم أو تتمايز تلقائيًا إلى أنواع مختلفة من الخلايا. ومن ثم فإن التحكم في نمو الخلايا الجذعية وتمايزها يصبح أحد التحديات التي يواجهها الباحثون. في هذه المقالة، حاول باحثون، بما في ذلك مجموعة الأبحاث التابعة لتشاو يانغ في جامعة بكين، تطبيق التعلم الآلي على عملية التمايز للخلايا الجذعية متعددة القدرات، مما أدى إلى تحسين الوضع بشكل فعال وإدخال اتجاهات جديدة للطب التجديدي.
الكلمات المفتاحية:الخلايا الجذعية متعددة القدرات تحليل الصور التعلم الآلي
نُشرت هذه المقالة لأول مرة على منصة HyperAI WeChat العامة~
الخلايا الجذعية متعددة القدرات (PSCs) هي نوع من الخلايا متعددة القدرات التي لديها القدرة على تجديد نفسها والتكاثر الذاتي. يمكنها أن تتكاثر وتتمايز إلى أنواع مختلفة من الخلايا إلى أجل غير مسمى في المختبر.أدى استبدال الخلايا التالفة وتعزيز تعافي وظيفة الأنسجة التالفة إلى ظهور أمل جديد في علاج أمراض العيون وأمراض القلب والأوعية الدموية وأمراض الجهاز العصبي.
ومع ذلك، فإن عملية التمايز الموجهة الحالية للخلايا الجذعية متعددة القدرات ستؤدي إلى مشاكل مثل التمايز غير المستقر بين خطوط الخلايا (من خط إلى خط) والدفعات (من دفعة إلى دفعة)، مما يجعل إعداد الخلايا الوظيفية يستغرق وقتًا طويلاً ويتطلب جهدًا كبيرًا، مما يعيق بشكل خطير البحث والتطوير والتصنيع على نطاق واسع لمنتجات التطبيقات السريرية للخلايا الجذعية متعددة القدرات.ولذلك، فمن المهم بشكل خاص تحقيق مراقبة في الوقت الحقيقي لعملية التمايز للخلايا الجذعية متعددة القدرات.
في الآونة الأخيرة، قامت مجموعات البحث التابعة لتشاو يانغ وتشانغ يو من جامعة بكين، بالتعاون مع مجموعة البحث التابعة لليو يي يان من جامعة بكين جياوتونغ، بتطوير نظام تمييز يعتمد على التصوير الديناميكي للمجال الساطع للخلايا الحية والتعلم الآلي. يمكن للنظام تنظيم وتحسين عملية التمايز للخلايا الجذعية متعددة القدرات بذكاء في الوقت الحقيقي، وتحقيق إنتاج فعال ومستقر للخلايا الوظيفية.حاليًا، تم نشر نتائج البحث في مجلة Cell Discovery، تحت عنوان "استراتيجية التعلم الآلي القائمة على صور الخلايا الحية لتقليل التباين في أنظمة تمايز الخلايا الجذعية متعددة القدرات".
وقد نشرت نتائج البحث في مجلة Cell Discovery
عنوان الورقة:
https://www.nature.com/articles/s41421-023-00543-1
نظرة عامة على التجربة
في الوقت الحالي، أصبحت تقنية المجهر قادرة على التقاط صور للخلايا، كما أصبحت طرق التعلم الآلي قادرة على تحليل صور الخلايا.لذلك، استخدمت هذه الدراسة خوارزميات التعلم الآلي لتحديد وتصنيف الخلايا في صور المجال الساطع لتحديد سلالتها أو تركيبها الخلوي، مما يساعد الباحثين على فهم بنية الخلية ووظيفتها بشكل أفضل.
وقد ثبت أن نتائج البحث يمكن أن تعمل بشكل فعال على تحسين وتحسين عملية تمايز الخلايا الجذعية متعددة القدرات إلى خلايا عضلية القلب (CM) وخلايا الكبد والكلى الهجينة.الطريقة وطريقة البحث بأكملها هي كما يلي:
الشكل 1: PSC-to-CM المُحسَّنة بالتعلم الآلي
أ:يوضح الرسم البياني العلوي وجود تباين في كل عملية تمييز لـ PSC، ويوضح الرسم البياني السفلي أن التعلم الآلي المطبق على عمليات التمييز المذكورة أعلاه يقلل التباين بشكل فعال.
ب:عملية التمايز بين الخلايا الجذعية متعددة القدرات والخلايا الجذعية متعددة القدرات باستخدام منظمات جزيئية صغيرة لتنظيم مسار إشارات Wnt التقليدي. تشير الأسهم الخضراء إلى مدة وتركيز تنظيم CHIR في المرحلة الأولى، وتشير النقاط الملونة إلى نقاط تفتيش التعلم الآلي.
ج:صور المجال الساطع المتأخر ونتائج فلورسنت cTnT على مدى فترة 10 أيام.
د:الموقع وشكل الخلايا التي نجحت أو فشلت في التمايز أثناء العملية بأكملها.
هـ:يتغير نسيج وشكل الخلايا المتمايزة بنجاح من اليوم الخامس إلى اليوم الثاني عشر.
ف:التباين من خط إلى خط في كفاءة التمايز.
ج:التباين في تمايز الخلايا بين الدفعات المختلفة.
ح:تغيرات في السمات المحلية لصور التمايز عند جرعات CHIR مختلفة.
الإجراءات التجريبية
مجموعة البيانات التجريبية
وباستخدام التمايز بين الخلايا الجذعية متعددة القدرات والخلايا الجذعية المشتقة (PSC-to-CM) كمثال رئيسي، استخدم الباحثون منصة التصوير الآلي بالكامل للخلايا الحية Zeiss Cell Discover 7 لالتقاط صور ميدانية ساطعة لعملية التمايز في الوقت الفعلي وتتبع العملية بأكملها، كما هو موضح في الشكل 1ب أعلاه. في نهاية التمايز، تم التعرف على الخلايا العضلية القلبية المتمايزة بنجاح عن طريق الوسم الفلوري باستخدام cTnT، وهو علامة خاصة بالخلايا العضلية القلبية.خلال هذه العملية، ومن أجل زيادة تنوع الصور، أدخل الباحثون العديد من المتغيرات (خلايا جذعية متعددة خاصة مختلفة، كثافة الخلايا الأولية، وسط التمايز، جرعات CHIR مختلفة)، وفي النهاية جمعوا أكثر من 7.2 مليون صورة.
النتائج التجريبية
من خلال الجمع بين تقنية تصوير الخلايا الحية والتعلم الآلي،وقد حققت هذه التجربة النتائج الأربعة التالية:
* يمكن للتعلم الآلي تحديد حالة الخلايا المتمايزة بدقة وتقدير كفاءة التمايز.
ووجد الباحثون أنه في اليوم السادس من عملية التمايز، بدأت الخلايا التي تمايزت في النهاية إلى خلايا CM، أي خلايا السلف القلبية (CPCs)، في إظهار شكل المغزل.لذلك، استخدموا نموذجًا ضعيف الإشراف لتحديد مثل هذه الخلايا في صور المجال الساطع وأطلقوا عليه اسم "CPC المعترف بها بالصورة (IR-CPC)".وكما هو موضح في الشكل 2 أدناه، خلص الباحثون إلى أن الارتباط بين نسبة IR-CPC في إجمالي الخلايا وكفاءة التمايز الفعلية كان 88%.
الشكل 2: الارتباط بين نسبة IR-CPC وكفاءة التمايز الحقيقية
وفي الوقت نفسه، استخدم الباحثون نموذج التعلم العميق pix2pix للتنبؤ بصور المجال الساطع لمرحلة تحريض CM (أي المرحلة الأولى من التمايز).كما هو موضح في الشكل أدناه، فإن الارتباط بين كفاءة التمايز المتوقعة وكفاءة التمايز الفعلية هو 93%.
الشكل 3: الارتباط بين كفاءة التمايز المتوقعة والفعلية
تظهر التجارب المذكورة أعلاه أن التعلم الآلي يمكنه تحديد حالة الخلية في مراحل مختلفة من التمايز والتنبؤ بنتائج التمايز في الوقت الفعلي.
* يمكن للتعلم الآلي التنبؤ بوقت التمايز وتركيز عامل الاستقراء في الوقت الفعلي.
خلال عملية التمايز، وجد الباحثون أنه في مرحلة الأديم المتوسط (0-3 أيام)، كان للجرعة (التركيز ووقت العلاج) من المحفز CHIR99021 (CHIR) تأثير أكبر على كفاءة التمايز.قاموا ببناء نموذج الانحدار اللوجستي بناءً على الميزات المرتبطة بـ CHIR في صور المجال الساطع في المرحلة المبكرة من التمايز (0-12 ساعة) للتنبؤ بتركيز CHIR في الآبار (منخفض، متوسط، مرتفع).كما هو موضح في الشكل أدناه، عندما يتم اختيار وقت معالجة CHIR لمدة 24 ساعة، تصل دقة النموذج في الحكم على تركيز كل بئر (عنصر مختبري يحتوي على ثقوب صغيرة متعددة) إلى 93.1%.
الشكل 4: نموذج التنبؤ بتركيز CHIR في المسام
وفي الوقت نفسه، قارن الباحثون نتائج التنبؤ (أي درجات الانحراف) للنموذج في ظل أوقات علاج CHIR المختلفة (24 ساعة، أو 36 ساعة، أو 48 ساعة) للحصول على وقت علاج CHIR الأمثل. كما هو موضح في الشكل 5 أدناه،كان وقت العلاج الأمثل لـ CHIR حوالي 12 ساعة (مع أصغر درجة انحراف). بالإضافة إلى ذلك، وكما هو موضح في الشكل 6، يمكن تعديل تركيز CHIR لتحسين كفاءة التمايز وفقًا لنتائج التنبؤ بالنموذج.
الشكل 5: يتنبأ النموذج بالوقت الأمثل لمعالجة CHIR
الشكل 6: نتائج التمايز مع وبدون تعديل تركيز CHIR
وتُظهر التجارب المذكورة أعلاه أن التعلم الآلي يمكن أن يحقق التدخل في جرعة المحفزات.
* يمكن للتعلم الآلي تحديد الحالة المثلى لتمايز بدء PSC في الوقت الفعلي.
ووجد الباحثون أنه حتى في تركيزات CHIR المعتدلة، فشلت الخلايا في التمايز، واقترحوا أن هذا كان ناجمًا عن التمايز المتغير مكانيًا.وهذا يعني أن الخلايا الموجودة على حافة مستعمرة الخلايا الجذعية متعددة القدرات في اليوم 0 من التمايز تكون أكثر احتمالا للنجاح، في حين أن الخلايا الموجودة في وسط مستعمرة الخلايا الجذعية متعددة القدرات تكون أكثر احتمالا للفشل.
ردًا على ذلك، أنشأ الباحثون نموذجًا للتعلم الآلي يعتمد على الغابات العشوائية لتحديد سمات الصورة للخلايا البادئة ذات معدل نجاح التمايز العالي. وأظهرت نتائج النموذج أن الخلايا ذات مساحة الخلية المتوسطة والحواف الأطول والأكثر نتوءًا هي أكثر عرضة للتمييز بنجاح، وهو ما يتفق مع الملاحظات الفعلية.. وبناءً على هذا النموذج، وجد الباحثون أن الارتباط بين التنبؤ بحالة PSC الأولية وكفاءة التمايز الفعلية كان 76%، كما هو موضح في الشكل 7 أدناه.
وبناءً على ذلك، تدخل الباحثون أيضًا بشكل مصطنع وقاموا بتغيير الشكل الأولي للخلايا.تم زيادة كفاءة التمايز بشكل فعال من 21.6% ± 2.7% إلى 88.8% ± 10.5%.
الشكل 7: العلاقة بين تحديد حالة بدء الخلية والتنبؤ بكفاءة التمايز
تظهر النتائج أعلاه أن التعلم الآلي يمكنه إجراء مراقبة الجودة على الحالة الأولية لـ PSC.
* يمكن أن يساعد التعلم الآلي في فحص المركبات الجزيئية الصغيرة وتحسين استقرار التمايز.
ووجد الباحثون أن تركيز CHIR هو أحد العوامل المهمة التي تؤثر على التمايز، لذلك حاولوا إجراء فحص جزيئي صغير لاستخدام مركبات جديدة لتعويض تركيزات CHIR غير المناسبة. كما هو موضح في الشكل أدناه،وبناءً على صور الخلايا الحية ذات المجال الساطع في اليوم السادس من عملية التمايز والنموذج الخاضع للإشراف الضعيف، قام الباحثون ببناء منصة فحص جزيئية صغيرة ونجحوا في فحص المركب BI-1347 من أكثر من 3000 جزيء صغير.
الشكل 8: فحص التعلم الآلي للمركبات الجزيئية الصغيرة
تظهر التجارب المذكورة أعلاه أنه بناءً على نموذج التعلم الآلي، يمكن للباحثين إنشاء منصة فحص جزيئية صغيرة لتقصير دورة تجربة الفحص وتقليل تكلفة الفحص.بالإضافة إلى ذلك، فإن الجزيئات الصغيرة التي تم فحصها بواسطة هذه التكنولوجيا قد وسعت نطاق جرعة CHIR، وبالتالي تحسين الاستقرار العام لعملية تمايز PSC.
وأخيرًا، من أجل توسيع سيناريوهات التطبيق، قام الباحثون بتطبيق نتائج هذه الدراسة على المراحل المبكرة من تمايز الخلايا السلفية الكلوية وخلايا الكبد، وحققوا أيضًا نتائج تنبؤ دقيقة.يمكن أن توفر نتائج هذا البحث إرشادات في الوقت الحقيقي لعملية التمايز للخلايا الجذعية متعددة القدرات.
العلاج الخلوي: مسار جديد للطب الحيوي
العلاج بالخلايا هو أسلوب علاجي ناشئ أظهر تأثيرات علاجية جيدة على العديد من الأمراض (السرطان والأمراض الوراثية). وتنقسم طرق العلاج الرئيسية إلى العلاج بالخلايا المناعية والعلاج بالخلايا الجذعية.ومن بينها، أصبحت الخلايا الجذعية أحد الاتجاهات البحثية الأساسية في هذا المجال بسبب وظائفها مثل التمايز متعدد الاتجاهات وتنظيم المناعة وإفراز السيتوكينات.
في الوقت الحاضر، يعتبر تطوير العلاج بالخلايا في بلدي قصيرًا نسبيًا، ولكن آفاق المستقبل واسعة جدًا.ومن ناحية أخرى، وبناء على البيانات، قد تكون السنوات العشر المقبلة فترة من النمو السريع في هذا المجال. وبحسب البيانات ذات الصلة، من المتوقع أن ينمو حجم سوق العلاج الخلوي في بلدي من 1.3 مليار يوان في عام 2021 إلى 58.4 مليار يوان في عام 2030، بمتوسط معدل نمو سنوي يبلغ 53%. وتشير بيانات أخرى إلى أن سوق العلاج بالخلايا والجينات في بلدي من المتوقع أن يصل إلى 2.59 مليار دولار أميركي بحلول عام 2025، بمعدل نمو مركب يبلغ 276%.
ومن ناحية أخرى، عملت الحكومات المحلية بشكل مستمر على إدخال سياسات ذات صلة لدعم وتشجيع هذا المجال.على سبيل المثال، تعمل بكين وشانغهاي وتيانجين وشنتشن وغيرها من الأماكن على تطوير صناعة العلاج بالخلايا بقوة. أطلقت شنغهاي "خطة عمل شنغهاي لتعزيز الابتكار التكنولوجي والتطوير الصناعي للعلاج الخلوي (2022-2024)"، مقترحةً السعي لتحقيق حجم استثمار قدره 10 مليارات يوان في صناعة العلاج الخلوي في شنغهاي بحلول عام 2024. وفي العام الماضي، أصدرت شنتشن سلسلة من الوثائق لدعم تطوير صناعة الأدوية الحيوية، مع التركيز على دعم التطوير عالي الجودة للتجمعات الصناعية، بما في ذلك أدوية العلاج الخلوي.
مجموعة البيانات وعنوان الكود:
https://GitHub.com/zhaoyanglab/ML-for-psc-differentiation
روابط مرجعية:
[1]https://www.thepaper.cn/newsDetail_forward_23417694
[2]http://www.cls.edu.cn/Research/Research_Achievements6067.shtml
[3]https://stcsm.sh.gov.cn/zwgk/ghjh/20221104/f7b02ab5db40439e8d93f15b9dd206da.html
[4] http://legacy.frostchina.com/wp-content/uploads/2021/11/20211116-2.pdf
-- زيادة--