Generative inverse design steers human hematopoietic cell fate in vitro
تقدم هذه الورقة LabCompass، وهو إطار عمل نمذجة عكسية توليدية ينجح في التنقل عبر الفضاء التوليفي المستمر والشاسع لظروف الاستزراع لتوجيه مصير الخلايا المكونة للدم البشرية نحو حالات مستهدفة محددة، كما تم التحقق من ذلك من خلال عملية تجريبية متعددة الحلقات أثرت مجموعات خلوية متنوعة وأرست نموذجاً جديداً لتوجيه التجارب البيولوجية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
إن تصنيع خلايا الدم في المختبر مهمة صعبة للغاية. يبدأ العلماء بالخلايا الجذعية، وهي المادة الخام للجسم، ويحاولون حثها لتصبح أنواعاً محددة من خلايا الدم، مثل تلك التي تحمل الأكسجين أو تحارب العدوى. يكمن التحدي في الوسط الزرعي، وهو "الحساء" السائل الذي تنمو فيه هذه الخلايا. يجب أن يحتوي هذا الحساء على المزيج الصحيح من عوامل النمو والمواد الكيميائية، لكن الوصفة معقدة للغاية؛ إذ يمكن لتغيير طفيف في كمية مكون واحد، أو في توقيت إضافته، أن يوجه الخلايا نحو مسار مختلف تماماً. وعلى مدى عقود، اعتمد إيجاد الوصفة المثالية على التجربة والخطأ، وهي عملية بطيئة ومكلفة تتطلب غالباً اختبار آلاف التوليفات للوصول إلى نتيجة واحدة.
ينبع هذا الصعوبة من كون فضاء الوصفات المحتملة شاسعاً ومتواصلاً. فخلافاً للمفتاح البسيط الذي يكون إما في وضع التشغيل أو الإيقاف، توجد ظروف نمو الخلايا على مقياس منزلق. يمكن للنماذج الحاسوبية التقليدية التنبؤ بما سيحدث إذا استخدمت وصفة معينة، لكنها لا تستطيع بسهولة العمل بشكل عكسي لإخبارك بالوصفة التي ستنتج النتيجة المرغوبة. وهذا ما يُعرف بـ "المشكلة العكسية"، والتي لطالما كانت عائقاً في الأبحاث البيولوجية. فإذا أراد العلماء إنشاء نوع معين من خلايا الدم لمريض ما، فإنهم يحتاجون إلى وسيلة للتنقل في هذا المشهد المعقد دون اختبار كل الاحتمالات الممكنة.
قدم فريق من الباحثين الآن نهجاً جديداً يسمى "LabCompass" لحل هذه المشكلة. فبدلاً من التخمين والتحقق، بنوا نظاماً يتعلم من التجارب ثم يصمم التجارب التالية. تبدأ العملية بشاشة أولية واسعة حيث اختبر الباحثون 116 تركيبة مختلفة من المواد الكيميائية ومستويات الأكسجين على الخلايا البشرية الجذعية. قاموا بتنمية ملايين الخلايا وقياس خصائصها باستخدام مجهر عالي التقنية يمكنه التمييز بين عشرات الأنواع من الخلايا في آن واحد. وقد أنشأت هذه البيانات خريطة توضح كيف تؤثر الظروف المختلفة على سلوك الخلايا.
باستخدام هذه الخريطة، درب الباحثون نموذجاً حاسوبياً ليعمل كدليل. تعلم هذا النموذج قواعد العالم الخلوي: كيف تؤدي تركيزات كيميائية محددة إلى أنواع خلوية معينة. وبمجرد تدريبه، أمكن سؤال النموذج: "ما هي الوصفة التي ستنتج أكبر عدد من الخلايا النواء (megakaryocytes)؟" وهي الخلايا التي تتحول لاحقاً إلى صفائح دموية، وتعد ضرورية لتجلط الدم. وبدلاً من البحث في قائمة من الوصفات المعروفة، أنشأ الحاسوب وصفات جديدة تماماً ومعقولة يتوقع نجاحها. فعل ذلك من خلال البدء بضجيج عشوائي وتشكيله تدريجياً ليصبح خليطاً كيميائياً صالحاً، مسترشداً بتنبؤات النموذج.
بعد ذلك، أخذ الباحثون الوصفات التي صممها الحاسوب إلى المختبر لاختبارها. لم يكن هذا حدثاً لمرة واحدة، بل كان حلقة مستمرة. فبعد تنمية الخلايا بالوصفات الجديدة، قاموا بقياس النتائج وتغذية تلك البيانات مرة أخرى في الحاسوب. استخدم النموذج هذه المعلومات الجديدة لتحديث فهمه للعالم الخلوي، ليصبح أكثر دقة وثقة. وعبر أربع جولات من هذه الحلقة، نجح النظام في تحديد الظروف التي تعزز أنواعاً خلوية محددة، بما في ذلك الخلايا النواء، وسلائف خلايا الدم الحمراء، والخلايا المناعية. وفي خطوة تحقق رئيسية، نجح النظام في تحديد وصفة من الأدبيات العلمية (التصميم 210) أنتجت ما يقرب من 70 بالمائة من الخلايا النواء، وهي نتيجة تجاوزت بكثير أي شيء شوهد في بيانات التدريب الأولية، رغم أن النموذج لم يسبق له رؤية هذه الوصفة تحديداً.
كشف النظام أيضاً عن أمر مفاجئ حول كيفية اتخاذ الخلايا للقرارات. وجد الباحثون أنه غالباً ما توجد أكثر من طريقة واحدة للوصول إلى نفس الوجهة. تماماً كما توجد طرق متعددة للقيادة إلى نفس المدينة، حدد الحاسوب تركيبات متميزة من المواد الكيميائية تؤدي إلى نفس نوع خلية الدم. قد يعتمد أحد المسارات بقوة على عامل نمو واحد محدد، بينما يستخدم مسار آخر مجموعة مختلفة من المكونات تماماً. هذا الاكتشاف مهم لأنه يوفر المرونة؛ فإذا كان كيميائي معين باهظ الثمن أو غير مستقر، يمكن للعلماء استخدام النموذج لإيجاد وصفة بديلة تحقق النتيجة البيولوجية نفسها.
وفي اختبار آخر لقدرة النظام على التكيف، وسع الباحثون التجربة بإضافة مواد كيميائية جديدة لم تكن جزءاً من الشاشة الأصلية. أرادوا معرفة ما إذا كان بإمكان النموذج تعلم استخدام هذه الأدوات الجديدة لنمو أنواع نادرة من الخلايا كان من الصعب إنتاجها سابقاً. ومن خلال إدخال عامل نمو جديد معروف بدعمه للخلايا المناعية، تعلم النظام بسرعة كيفية استخدامه وصمم تركيبات نجحت في إثراء تلك المجموعات النادرة. لم يكتفِ النموذج بإيجاد حل واحد، بل استكشف الاحتمالات الجديدة وحدد الطرق الأكثر فعالية لاستخدام المكونات الجديدة.
طوال فترة الدراسة، قارن الباحثون طريقتهم مع مقاربات أبسط، مثل التخمين العشوائي أو التحسين الرياضي القياسي. تفوق النظام التوليدي باستمرار على هذه الخطوط المرجعية، خاصة مع زيادة تعقيد المشكلة. فقد كان قادراً على تركيز بحثه في أكثر المناطق واعدة في المشهد الكيميائي، متجنباً الطرق المسدودة التي تهدر الوقت والموارد. كما أظهر النظام قدرة على إدراك متى كان غير متأكد من تنبؤاته، مما دفعه لاختبار التصاميم في تلك المناطق غير اليقينية للتعلم أكثر. هذا التوازن بين استغلال النجاحات المعروفة واستكشاف المجهول سمح للنموذج بالتحسن بسرعة مع كل دورة.
يُظهر هذا العمل أن النماذج الافتراضية لا تُقاس فقط بمدى دقة تنبؤها بالمستقبل، بل بمدى فعاليتها في توجيه التجارب نحو هدف ما. ومن خلال الجمع بين نموذج أمامي يتنبأ بالنتائج ونموذج توليدي يصمم المدخلات، أنشأ الباحثون أداة يمكنها التنقل في مساحات عالية الأبعاد ومتواصلة حيث تفشل الطرق التقليدية. هذا النهج لديه القدرة على تحويل كيفية تطوير العلماء لبروتوكولات نمو الخلايا، والانتقال من التحسين اليدوي البطيء إلى عملية أسرع تعتمد على البيانات. وتشير النتائج إلى أنه مع توفر الأدوات الحاسوبية المناسبة، يمكن ترويض التعقيد الهائل للأنظمة البيولوجية، مما يسمح للباحثين بتوجيه مصير الخلايا بدقة كانت في السابق بعيدة المنال.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.