هوش مصنوعی سن واقعی اندام ها را از بافت می خواند

در نگاه نخست، یک فرد و اندام‌های او دو روایت متفاوت از زمان دارند. سن تقویمی روی شناسنامه ثبت می‌شود. اما درون بدن، بافت‌ها دفتر حساب خود را دارند؛ دفتری که با سلول‌ها و داربست‌های بافتی نوشته شده است. پژوهشگران اکنون به هوش مصنوعی آموزش داده‌اند تا این دفتر را از روی تصاویر معمول بافت‌شناسی بخواند.

آموزش ماشین‌ها برای خواندن زمان میکروسکوپی

گروهی به سرپرستی مرکز پژوهشی پزشکی مولکولی آکادمی علوم اتریش و مؤسسه لودویگ بولتزمان برای پزشکی شبکه‌ای در دانشگاه وین، پرسشی ظاهرا ساده اما عمیق مطرح کردند: آیا آرایش میکروسکوپی یک بافت، ردپایی قابل اندازه‌گیری از سن را در خود دارد؟ پاسخ کوتاه مثبت است و روشی که آن‌ها به کار بردند، دریچه‌ای غیرمنتظره به این موضوع می‌گشاید که اندام‌ها چگونه از ساعت ثبت‌شده در گذرنامه‌های ما فاصله می‌گیرند.

دانشمندان به جای تمرکز صرف بر نشانگرهای مولکولی مانند متیلاسیون دی‌ان‌ای یا بیان ژن، به سراغ بافت‌شناسی رفتند؛ یعنی مطالعه بافت‌ها زیر میکروسکوپ. آن‌ها از تصاویر پروژه بیان ژنوتیپ تا بافت، معروف به جی‌تکس، استفاده کردند که نمونه‌های ۹۸۳ اهداکننده را در بر می‌گیرد و حدود ۴۰ نوع بافت را پوشش می‌دهد. این مجموعه داده ۲۵,۷۱۲ تصویر با وضوح بالا فراهم کرد که به نزدیک به نیم میلیارد کاشی تصویری تقسیم شد و در اختیار مدل‌های پیشرفته بینایی رایانه‌ای قرار گرفت.

این مدل‌ها به طور مستقیم برای تشخیص پیری آموزش داده نشده بودند. با این حال، سن به عنوان عامل غالبی ظاهر شد که ظاهر بافت‌ها را در سراسر بدن شکل می‌دهد. تیم پژوهشی بر پایه این الگوهای آموخته‌شده، چیزی را ساخت که آن را ساعت‌های بافتی می‌نامند؛ پیش‌بین‌های یادگیری ماشین که سن زیستی یک اندام مشخص را از روی ساختار میکروسکوپی آن برآورد می‌کنند.

تصویر بافت‌شناسی از یک نمونه بافت تیروئید که از پرتال جی‌تکس به دست آمده است. 

همه اندام‌ها زمان را یکسان نگه نمی‌دارند

میانگین خطای پیش‌بینی در بافت‌ها حدود ۴.۹ سال بود؛ دقتی که به پژوهشگران امکان داد اندام‌های مختلف را در بدن یک فرد با هم مقایسه کنند. نتایج چشمگیر بود. برخی اندام‌ها، از جمله ریه، کلیه، پانکراس و غده فوق‌کلیه، نسبتا زود و در فاصله دهه دوم تا چهارم زندگی، نشانه‌هایی از پیری ساختاری شتاب‌گرفته نشان دادند. اندام‌های دیگر مسیرهای پیچیده‌تر و گاهی دیرتر را دنبال کردند. رحم در حوالی یائسگی دچار یک تغییر معماری تند و آشکار شد.

چرا این موضوع اهمیت دارد؟ زیرا آسیب‌شناسی اغلب با تغییر در معماری بافت آغاز می‌شود. ساعت‌های بافتی در ثبت آسیب‌شناسی اختصاصی اندام، از برخی سنجه‌های پیری مبتنی بر دی‌ان‌ای بهتر عمل کردند. برآورد سن بافت با نشانه‌های شناخته‌شده پیری، برای مثال کوتاه شدن تلومر، و همچنین با تعداد بیماری‌های مزمن یک فرد همبستگی داشت. از نظر کاربردی، قلبی که پیرتر از حد انتظار به نظر می‌رسد، می‌تواند پیش از بروز علائم، نشانه‌ای از آسیب یا خطر باشد.

آندره رندیرو، پژوهشگر اصلی این مطالعه، گفت: «بافت‌های ما گزارشی دقیق از پیری را در خود حفظ می‌کنند. با استفاده از بافت‌شناسی و هوش مصنوعی می‌توانیم الگوهایی را شناسایی کنیم که با چشم غیرمسلح دیده نمی‌شوند و شیوه‌های متفاوت گسترش پیری در سراسر بدن را ترسیم کنیم.»

نویسندگان مطالعه، آندره رندیرو، ایوا بولیان، ارنستو آبیلا و ییمین ژنگ، از چپ به راست

ترجمه سیگنال‌های بافتی به آزمایش خون

نمونه‌برداری بافتی اطلاعات غنی فراهم می‌کند، اما همیشه عملی نیست. برای پر کردن این فاصله، تیم پژوهشی شکاف‌های سن بافت را که از بافت‌شناسی به دست آمده بود، با پروفایل‌های بیان ژن مبتنی بر خون همان اهداکنندگان تطبیق داد. هدف این بود که بررسی شود آیا ویژگی‌های پیری اختصاصی اندام را می‌توان به طور غیرمستقیم و از طریق یک خون‌گیری معمول خواند یا نه.

آن‌ها پیش‌بین‌هایی ساختند که امضاهای یافت‌شده در خون را به برآوردهای ساعت بافتی نگاشت می‌کرد. پیش‌بین‌های مبتنی بر خون که در نتیجه این کار به دست آمدند، سیگنال‌های پیری مرتبط با چندین بیماری را آشکار کردند. برای نمونه، بیماری آلزایمر قوی‌ترین سیگنال پیری را در بافت مغز نشان داد، در حالی که بیماری کرون با پیری شتاب‌گرفته در نمونه‌های دستگاه گوارش همراه بود. دیابت نیز اثر برجسته‌ای بر پانکراس بر جای گذاشت. ارتباط‌های دیگر شامل واسکولیت، فیبروز کیستیک و سکته مغزی بود.

این یافته‌ها دو نکته را نشان می‌دهد. نخست اینکه معماری بافت، تغییرات زیستی معناداری را رمزگذاری می‌کند که با پیری مولکولی و بیماری بالینی هم‌راستا هستند. دوم اینکه این امضاهای اختصاصی اندام کاملا جدا و محصور باقی نمی‌مانند. بخشی از این سیگنال به گردش خون راه پیدا می‌کند؛ جایی که ترنسکریپتوم‌های خون می‌توانند نقش یک نماینده غیرمستقیم، هرچند نه کامل، را ایفا کنند.

زمینه علمی و روش‌ها به اختصار

پژوهشگران یادگیری عمیق را روی تصاویر در سطح کاشی‌های تصویری به کار گرفتند، پیش‌بینی‌ها را در سطح نمونه‌ها تجمیع کردند و اثر عوامل مخدوش‌کننده مانند جنسیت و فاصله زمانی پس از مرگ را اصلاح کردند. آن‌ها خروجی‌های ساعت بافتی را با طول تلومر، کدهای تشخیص بالینی و خوانش‌های مولکولی مقایسه کردند تا ارتباط زیستی نتایج را اعتبارسنجی کنند. همین لایه‌بندی آسیب‌شناسی، بیان ژن و فراداده‌های بالینی است که به این رویکرد قدرت می‌دهد.

از دیدگاه روش‌شناسی، این مطالعه ارزش ادغام داده‌های چندوجهی را نشان می‌دهد. بافت‌شناسی زمینه فضایی و ساختاری فراهم می‌کند. بیان ژن، وضعیت مولکولی پویا را اضافه می‌کند. پرونده‌های بالینی نیز واقعیت پایه درباره بیماری را در اختیار می‌گذارند. وقتی این لایه‌ها با هم ترکیب می‌شوند، حساسیت تشخیص پیری و آسیب‌شناسی اختصاصی اندام نسبت به آزمون‌های تک‌وجهی افزایش می‌یابد.

دیدگاه کارشناس

دکتر النا مارلو، پژوهشگر علم پیری که در این مطالعه مشارکت نداشته است، می‌گوید: «این کار پیری را نه مانند یک صفحه مدرج واحد، بلکه مثل یک موزاییک بازتعریف می‌کند. ما اغلب سن را به عنوان یک عامل خطر یکنواخت در نظر می‌گیریم، اما خطر در واقع وابسته به اندام است. نقشه‌برداری از اینکه کدام بافت‌ها جلوتر یا عقب‌تر از زمان مورد انتظار خود هستند، می‌تواند شیوه غربالگری و مداخله ما را تغییر دهد. چالش بزرگ اکنون حرکت از نمونه‌های بافتی گذشته‌نگر به سوی پایش آینده‌نگر و کم‌تهاجمی است.»

پیامدها، کاربرد بالینی و چشم‌انداز آینده

چند مسیر کاربردی از این یافته‌ها پدیدار می‌شود. یکی از آن‌ها بهبود پایش بیماری است. اگر آزمایش خون بتواند پانکراسی را که پیرتر از حد انتظار به نظر می‌رسد شناسایی کند، پزشکان شاید پایش دیابت را تشدید کنند یا زودتر مداخله انجام دهند. مسیر دیگر توسعه دارو است. ساعت‌های بافتی می‌توانند به عنوان شاخص‌های پیامد برای درمان‌هایی به کار روند که با هدف کند کردن یا معکوس کردن پیری اختصاصی اندام طراحی شده‌اند.

با این حال، ملاحظات مهمی باقی می‌ماند. بیشتر نمونه‌های جی‌تکس پس از مرگ به دست آمده‌اند؛ بنابراین هنگام تعمیم نتایج به جمعیت‌های زنده باید احتیاط کرد. عوامل مخدوش‌کننده مانند سابقه مصرف دارو، مواجهه‌های محیطی و سوگیری جمعیت‌شناختی در مجموعه داده، نیازمند توجه دقیق هستند. برای تعیین اینکه آیا تغییرات ساعت بافتی می‌توانند بیماری آینده را پیش‌بینی کنند و قابل تغییر هستند یا نه، به کوهورت‌های آینده‌نگر، ترجیحا با نمونه‌گیری تکرارشونده، نیاز است.

مسیرهای اخلاقی و بالینی نیز باید در نظر گرفته شوند. اگر یک آزمایش خون نشان دهد که پیری در یک اندام شتاب گرفته است، پیگیری مناسب چیست؟ خطر چگونه باید به فرد منتقل شود؟ کدام جمعیت‌ها بیشترین سود را از غربالگری می‌برند؟ پاسخ به این پرسش‌ها تعیین می‌کند که ساعت‌های بافتی چگونه از مرحله پژوهش به مراقبت روزمره راه پیدا کنند.

نتیجه‌گیری

این مطالعه زاویه‌ای تازه و برانگیزاننده درباره پیری ارائه می‌دهد: بافت‌ها حافظه ساختاری خود را حفظ می‌کنند که ماشین‌ها می‌توانند آن را بخوانند، و بخشی از این حافظه در خون نیز قابل شنیدن است. اندام‌ها هم‌زمان و هماهنگ پیر نمی‌شوند. آن‌ها ریتم‌ها و آسیب‌پذیری‌های متفاوتی دارند و شناخت این تفاوت‌ها می‌تواند تشخیص زودهنگام‌تر، پایش هدفمندتر و شاخص‌های تازه‌ای برای درمان‌های مرتبط با پیری سالم فراهم کند. مسیر حرکت از میکروسکوپ تا کلینیک به اعتبارسنجی، ترجمه سنجیده و چارچوب‌بندی اخلاقی دقیق نیاز دارد، اما نقشه راه کم‌کم در حال شکل‌گیری است.