نتائج الإخراج خلال 30 دقيقة. قامت جامعة سنغافورة الوطنية/معهد ماساتشوستس للتكنولوجيا وآخرون ببناء نموذج للكشف عن التلوث الميكروبي يعتمد على SVM
باعتبارها مكونًا مهمًا في الأدوية العلاجية المتقدمة (ATMPs)، فإن منتجات العلاج الخلوي (CTPs) تجلب الأمل للمرضى الذين يعانون من أمراض نادرة ومستعصية. ومع ذلك، فإن عملية إنتاجها معرضة بشدة للغزو الميكروبي، والتلوث الميكروبي يخيم دائمًا على شعاع الأمل هذا مثل الضباب. يبدو أن طرق اختبار العقم التقليدية، مثل USP <71> (طرق اختبار العقم المسجلة في الفصل 71 من دستور الأدوية الأمريكي)، والتي تم استخدامها لمدة نصف قرن، غير قادرة على تلبية المتطلبات الجديدة للطب الدقيق: دورة الثقافة التي تستغرق أسبوعين، وخطوات المعالجة المسبقة المرهقة، وملاحظات العكارة التي تعتمد على الحكم الذاتي لا تتخلف بشكل خطير عن العمر الافتراضي القصير لمستحضرات الخلايا فحسب، بل قد تعرض المرضى أيضًا لمخاطر العدوى بسبب سوء التقدير.
مع التطور الكبير في منتجات العلاج الخلوي، أصبح الكشف السريع والدقيق عن التلوث الميكروبي أمرا ملحا بشكل متزايد. ظهرت طريقة كشف مبتكرة وهي التحليل الطيفي لامتصاص الأشعة فوق البنفسجية بمساعدة التعلم الآلي. إنه يجمع بين التكنولوجيا البصرية وطرق التعلم الآلي القوية. لا يتطلب كمية كبيرة من بيانات التدريب أو خطوات إثراء النمو. لا يتطلب الأمر سوى كمية صغيرة من العينة لإخراج نتائج الاختبار في 30 دقيقة فقط، مما يوفر حماية قوية لسلامة منتجات العلاج الخلوي.
في الآونة الأخيرة، اقترح فريق بحثي مشترك من تحالف أبحاث سنغافورة ومعهد ماساتشوستس للتكنولوجيا، ومختبر سنغافورة A*SRL، والجامعة الوطنية في سنغافورة، ومعهد ماساتشوستس للتكنولوجيا طريقة كشف تجمع بين التحليل الطيفي لامتصاص الأشعة فوق البنفسجية مع التعلم الآلي، والتي يمكنها إكمال الكشف عن التلوث الميكروبي لسائل زراعة الخلايا في غضون 30 دقيقة. تستخدم هذه الطريقة آلة ناقل الدعم من فئة واحدة (SVM من فئة واحدة) لتحليل الاختلافات المميزة بين النيكوتيناميد والنياسين في طيف الأشعة فوق البنفسجية، وتظهر معدل إيجابي حقيقي متوسط قدره 92.7% عند اختبار سبعة كائنات دقيقة ملوثة شائعة. حتى بعد استبعاد عينات المتبرعين الذين يعانون من أيض النياسين غير الطبيعي، فإن المعدل السلبي الحقيقي لا يزال يصل إلى 92%، وهو ما يتجاوز بكثير دقة الأحكام التقليدية التي تعتمد على الخبرة.
وقد تم نشر نتائج البحث ذات الصلة في مجلة Nature Scientific Reports تحت عنوان "استخدام التعلم الآلي في تحليل امتصاص الأشعة فوق البنفسجية للتلوث الميكروبي في منتجات العلاج الخلوي".
عنوان الورقة:https://hyper.ai/en/sota/papers/s41598-024-83114-y
اتبع الحساب العام "HyperAI Super Neural" ورد على "Microbial Contamination Monitoring" للحصول على ملف PDF الكامل
مجموعة البيانات: بيانات عينات زراعة الخلايا الجذعية الوسيطة المعقمة التي تم جمعها باستخدام مطياف تجاري
في هذه الدراسة، دار بناء وتحليل مجموعة البيانات بشكل وثيق حول ثقافة الخلايا الجذعية المتوسطة (MSC). نظرًا للتطبيق الواسع النطاق لعلاج الخلايا الجذعية الوسيطة في علاج إصابات الأنسجة الحادة والأمراض الالتهابية والأمراض التنكسية المزمنة، فقد اختاره فريق البحث كهدف توضيحي واستخدم مطيافًا تجاريًا لجمع أطياف الامتصاص لعينات ثقافة الخلايا الجذعية الوسيطة المعقمة كبيانات أساسية لتدريب نموذج آلة دعم متجه من فئة واحدة (SVM من فئة واحدة). اعتمدت الدراسة على استراتيجية الكشف عن الشذوذ للتنبؤ بحالة التلوث لعينات ثقافة الخلايا من خلال التقاط الاختلافات في السمات الطيفية، واستكشفت الآلية المحتملة لنموذج SVM في تحديد التلوث بناءً على فرضية الاختلافات الطيفية بين النياسين (NA) ومستقلبات النيكوتيناميد (NAM).
خلال التجربة، قام الباحثون بتلقيح 10 وحدات تشكيل مستعمرة من الإشريكية القولونية في نظام زراعة الخلايا الجذعية الوسيطة للمتبرع أ، ونجحوا في اكتشاف إشارة التلوث بعد 21 ساعة. بعد مقارنة أداء الكشف للعينات من سبعة متبرعين تجاريين، أظهر المتبرع (أ) أداءً جيدًا في تحديد العينات المعقمة من متبرعين آخرين، وبالتالي تم اختياره كمصدر لبيانات التدريب الأولية. وفي دراسات لاحقة، لم تنجح هذه الطريقة في تحقيق الكشف الفعال عن 7 أنواع من الكائنات الحية الدقيقة بمستويات تلوث منخفضة تصل إلى 10 وحدات تشكيل مستعمرة فحسب، بل أثبتت أيضًا قوة التكنولوجيا من خلال الاختبارات المتبادلة بين المتبرعين.
من أجل تحليل أداء نموذج SVM بشكل عميق، تم تقديم تقنية تحليل المكونات الأساسية (PCA) في هذه الدراسة. تم استخدام العينات الملقحة ببكتيريا Pseudomonas aeruginosa كهدف بحث لأنها أظهرت أعلى تركيز للـNA في الكشف باستخدام تقنية الكروماتوغرافيا السائلة - مطياف الكتلة (LC-MS). تم تصور توزيع مجموعات بيانات التدريب والعينات الملوثة من خلال تحليل المكونات الرئيسية (PCA). وأظهرت النتائج أن العينات الملوثة والعينات المعقمة كانت منفصلة بشكل كبير في الفضاء، مما أدى إلى التمييز بشكل فعال بين الحالات المعقمة والملوثة. تم تحليل متجهات التحميل للمكون الرئيسي 1 (PC 1) والمكون الرئيسي 2 (PC 2) بشكل أكبر، وتم دمج أطياف امتصاص الأشعة فوق البنفسجية الطبيعية لـ 100 ميكروجرام / مل من NA وNAM في PBS لتقديم الارتباط بين السمات الطيفية والمكونات الرئيسية بشكل حدسي.
في مرحلة التحقق من قوة النموذج، جمعت الدراسة عينات من وسط زراعة النفايات وعينات تعقيم PBS من 6 متبرعين تجاريين (BG المانح) لبناء مجموعة بيانات اختبار متبادلة للمانحين. ومن خلال تدريب نماذج SVM من مصادر مانحة مختلفة والتحقق المتبادل، وجد أن النموذج الذي تم تدريبه على أساس المانحين A وB كان لديه دقة تنبؤ أعلى. وأظهر تحليل 418 عينة اختبار أن المعدل الإيجابي الحقيقي للنموذج وصل إلى 92.7%، وتم الحفاظ على حد الكشف بشكل ثابت عند 10 وحدات تشكيل مستعمرة؛ ومع ذلك، أشار المعدل السلبي الحقيقي البالغ 77.7% إلى أنه لا يزال هناك مجال للتحسين، ومن بينها مشكلة الإيجابية الكاذبة الناجمة عن مستويات NA غير الطبيعية في عينة F المانحة والتي كانت بارزة بشكل خاص، مما أشار إلى الاتجاه لتحسين قدرة النموذج على التكيف مع الاختلافات الأيضية بين المتبرعين لاحقًا.
مطيافية امتصاص الأشعة فوق البنفسجية بمساعدة التعلم الآلي: آلة ناقل الدعم كخوارزمية أساسية
من أجل تمكين التعلم الآلي من المساعدة بشكل أفضل في الكشف عن التلوث الميكروبي، قامت هذه الدراسة بدمجه بشكل مبتكر مع مطيافية امتصاص الأشعة فوق البنفسجية لاقتراح طريقة سريعة وحساسة وفعالة من حيث التكلفة للكشف عن التلوث الميكروبي. تستخدم هذه الطريقة آلة الدعم المتجه (SVM) كخوارزمية أساسية وتحدد التلوث الميكروبي بدقة من خلال تحليل خصائص طيف امتصاص الأشعة فوق البنفسجية لوسط زراعة الخلايا.
من حيث بناء النموذج، استخدم الباحثون آلة دعم متجهية من فئة واحدة واختاروا دالة الأساس الشعاعي (RBF) كدالة أساسية، وضبطوا قيمة γ إلى 0.002 وقيمة ν إلى 0.2. تتكون مجموعة بيانات التدريب من المتبرع رقم 5 من اليوم الثاني إلى اليوم السابع من الممرات 2 و4 و6، وعينات معقمة مضاف إليها PBS للمتبرع رقم 8، والتي تم وضع علامة 1 عليها جميعًا، لتمثيل حالة التعقيم. غطت بيانات الامتصاص لكل عينة نطاق الطول الموجي من 237 نانومتر إلى 300 نانومتر للتركيز على السمات الطيفية الهامة للنياسين (NA) والنيكوتيناميد (NAM) وتجنب التداخل من الضوضاء في النطاقات الأخرى. تم تحديد متوسط مركزية جميع العينات قبل تدريب النموذج لتصحيح الانحرافات الطيفية الناجمة عن انجراف الجهاز وعوامل أخرى، وبالتالي تحسين دقة النموذج.
من حيث التحقق من صحة النموذج وتطبيقه، تم استخدام مطيافية امتصاص الأشعة فوق البنفسجية بمساعدة التعلم الآلي لإثبات قدرة هذه الطريقة على اكتشاف الملوثات منخفضة التركيز عن طريق إضافة 10 وحدات تشكيل مستعمرة من الإشريكية القولونية إلى ثقافة الخلايا الجذعية الوسيطة للمتبرع أ واستخراج عينات من العصارة العلوية ثلاث مرات على فترات 3 ساعات بين 9 و 24 ساعة. وتظهر النتائج في الشكل أدناه. تمكن نموذج SVM من التنبؤ بدقة بأن العينة ملوثة بعد 21 ساعة، وكان إجمالي وقت الكشف حوالي 21.5 ساعة.
علاوة على ذلك، قارنت الدراسة بين مطيافية امتصاص الأشعة فوق البنفسجية بمساعدة التعلم الآلي والطرق الموجودة. أظهرت النتائج أن طريقة مطيافية امتصاص الأشعة فوق البنفسجية بمساعدة التعلم الآلي كان لها وقت اكتشاف (TTD) لمدة 21 ساعة، وهو ما يضاهي اختبار USP <71> (24 ساعة حتى يتم ملاحظة العكارة) وطريقة حساب نسبة NA / NAM بواسطة LC-MS (18 ساعة). ومع ذلك، يتطلب كل من BacT/Alert® 3D وUSP <71> مشغلين مدربين لاستخراج العينات من مزارع الخلايا وتطعيمها في وسائط إثراء النمو المختلفة. إن سير عمل مطيافية امتصاص الأشعة فوق البنفسجية بسيط نسبيًا ولا يتطلب تلقيحًا إضافيًا في وسط إثراء النمو، ولا يتطلب أيضًا وقت حضانة إضافيًا وإعداد العينة، وبالتالي القضاء على الموارد والتكاليف الإضافية المطلوبة لخطوة تلقيح إثراء النمو الملحوظ.
لتحديد ما إذا كان من الممكن تطبيق طريقة مطيافية امتصاص الأشعة فوق البنفسجية بمساعدة التعلم الآلي المقترحة على الكائنات الحية الدقيقة الأخرى، استخدم الباحثون عينات معقمة بـ PBS من المتبرع A وطبقوا الطريقة على اكتشاف الكائنات الحية البطيئة النمو الأخرى مثل المكورات العنقودية الذهبية (S. aureus)، والزائفة الزنجارية (P. paraeruginosa)، والعصية الرقيقة (B. spizizenii)، والمطثية الحاطمة (C. sporogenes)، والخميرة مثل المبيضات البيضاء (C. albicans)، والإشريكية القولونية K-12 (E. coli)، والبروبيونيباكتيريوم حب الشباب (C. acnes)، مع حد الكشف (LoD) منخفض يصل إلى 10 CFU. بالإضافة إلى ذلك، قامت الدراسة أيضًا بتصور أداء نموذج SVM من خلال تحليل المكونات الأساسية (PCA) ووجدت أن العينات الملقحة بـ Pseudomonas aeruginosa كانت مميزة بوضوح عن العينات المعقمة بـ PBS في مخطط PCA، مما يشير إلى أن النموذج يمكنه التقاط الاختلافات في السمات الطيفية بشكل فعال.
من حيث دراسة قوة النموذج، مع الأخذ في الاعتبار أن الاختلافات بين الجهات المانحة قد تؤثر على أداء النموذج، قام الباحثون بجمع عينات من وسط زراعة النفايات من 6 جهات مانحة تجارية (الجهة المانحة BG) وأعدوا عينات معقمة من PBS. ومن خلال تدريب نماذج SVM على أساس متبرعين مختلفين وتقييم دقة التنبؤ الخاصة بهم على عينات من متبرعين آخرين، وجد أن نماذج المتبرعين A وB لديها معدلات تنبؤ متوسطة أعلى. لذلك، في هذه الدراسة، تم تطبيق نموذج SVM المدرب على أساس المتبرعين A وB على عينات من المتبرعين الستة الآخرين. وأظهرت النتائج أن مطيافية امتصاص الأشعة فوق البنفسجية بمساعدة التعلم الآلي حققت معدل إيجابي حقيقي قدره 92.7%، وظل حد الكشف (LoD) ثابتًا عند 10 CFU للكائنات الحية الدقيقة السبعة التي تم اختبارها. ومع ذلك، كان المعدل السلبي الحقيقي للنموذج 77.7%، وجاءت عينات الإيجابية الكاذبة بشكل رئيسي من المتبرع F. ووجد التحليل أن مستوى NA في عينات المتبرع F كان أعلى، مما يشير إلى أن النموذج يحتاج إلى مزيد من التحسين في المستقبل لتحسين قدرته على التكيف مع الاختلافات بين المتبرعين.
AI4S يعزز العلاج الخلوي: البحث العلمي والصناعة والسياسات تتقدم في تآزر
في السنوات الأخيرة، من البحث العلمي إلى عالم الأعمال، ومن المختبرات إلى التصنيع، حققت منتجات العلاج الخلوي (CTP) نجاحًا كبيرًا.
وفي مجال البحث الأساسي، فاز فريق TJ-AI4S من جامعة تونغجي في شنغهاي بالصين بمسابقة خوارزمية تطوير الأدوية بالذكاء الاصطناعي العالمية. لقد أدت استراتيجية توسيع الميزة الجزيئية التي اقترحوها إلى تحسين قدرة التعميم للنموذج وتقديم أفكار جديدة لبناء مكتبة بصمات الجزيئات الملوثة CTP. يقوم إطار عمل UniBind، الذي طورته جامعة بكين للبريد والاتصالات وجامعة بكين في الصين، بتحليل تفاعلات البروتين من خلال شبكات عصبية بيانية متعددة المقاييس، مما يوفر أساسًا حسابيًا لدراسة الارتباطات الديناميكية بين السيتوكينات ومستقلبات الميكروبات في CTP.
رابط الورقة البحثية: https://www.nature.com/articles/s41591-023-02483-5
بالإضافة إلى ذلك، قام فريق من جامعة شنغهاي للتكنولوجيا في الصين بتطوير منصة CAR-Toner، التي تستخدم خوارزميات الذكاء الاصطناعي لتحسين توزيع شحنة جزيئات CAR، مما أدى بنجاح إلى تحسين كفاءة توسع الخلايا وتقليل الاختلافات في الدفعات. لا يعمل هذا الابتكار على تحسين كفاءة الإنتاج فحسب، بل يوفر أيضًا دعمًا فنيًا جديدًا للإنتاج الموحد لـ CTP.
رابط الورقة البحثية: https://www.nature.com/articles/s41422-024-00936-1
وتلقت الصناعة أيضًا أخبارًا جيدة. حقق دواء CAR-T "Yikeda" من شركة التكنولوجيا الحيوية الصينية Fosun Kairui أول توريد عبر الحدود في الصين في عام 2025. ويدعم ذلك نظام إدارة لوجستيات سلسلة التبريد مدفوع بالذكاء الاصطناعي والذي يضمن نشاط الخلايا أثناء النقل في درجات حرارة منخفضة للغاية. بالإضافة إلى ذلك، نجحت شركة التكنولوجيا الحيوية الأمريكية A2 Bio في تحقيق إنتاج مسبق واسع النطاق لأدوية CAR-T من خلال فحص الذكاء الاصطناعي للخلايا المانحة العالمية، مما أدى إلى خفض تكاليف الإنتاج بشكل كبير وتقصير فترة الانتظار للعلاج، مما جلب المزيد من الأمل للمرضى.
كما حققت مؤسسات البحث الخارجية نتائج مثمرة في مجال العلاج الخلوي المدعوم بالذكاء الاصطناعي. في عام 2025، قام فريق الهندسة الطبية الحيوية في جامعة ديوك في الولايات المتحدة بتطوير تقنية PepPrCLIP، والتي صممت ببتيدات قصيرة وظيفية تعتمد على نموذج لغة البروتين ESM-2، مما يوفر استراتيجية جديدة لعلاج السرطان بدقة. لقد أدى نموذج التنبؤ بالذكاء الاصطناعي الذي أنشأته شركة IBM Watson Health بالتعاون مع جامعة ستانفورد في الولايات المتحدة إلى تحسين دقة التنبؤ بمتلازمة إطلاق السيتوكين (CRS) في علاج CAR-T إلى 89% من خلال دمج جينوم المريض والبروتينات والبيانات السريرية متعددة الأبعاد، مما يساعد على التدخل السريري في المرضى المعرضين للخطر مقدمًا. وقد أضافت هذه النتائج حيوية جديدة إلى تطوير مجال العلاج الخلوي العالمي.
في الوقت الحالي، قامت AI4S ببناء سلسلة كاملة من البحث الأساسي إلى التطبيق السريري في مجال CTP، ولكنها لا تزال بحاجة إلى مزيد من التحسين في جوانب مثل توحيد البيانات وآليات التعاون بين المؤسسات. وبالنظر إلى المستقبل، ومع زيادة دعم السياسات والتكامل العميق بين الصناعة والأوساط الأكاديمية والبحث، من المتوقع أن يحقق AI4S اختراقات أكبر في مجالات مثل إعداد CTP الشخصي، وإمكانية تتبع الجودة في الوقت الفعلي، وتحسين الخدمات اللوجستية عبر الحدود.
المقالات المرجعية:
- https://mp.weixin.qq.com/s/VZI7pm-kO7CxNJyrn9-qQw
- https://mp.weixin.qq.com/s/0AoP5XSLOLzcTChQoIIfmw
- https://mp.weixin.qq.com/s/Avu5SbLetCFBVUwnDybfsw
- https://mp.weixin.qq.com/s/WoruStfCdYNDskAn_iFYtQ
- https://www.nsfc.gov.cn/publish/portal0/tab1128/info90687.htm