مطالعه علی ارتورک و تیمش که با هوش مصنوعی متاستاز سرطان و اهداف دارویی را در سراسر بدن آشکار می‌کند

پروفسور دکتر علی ارتورک و تیمش در مطالعه‌ای متاستازهای سرطان را بسیار دقیق و به‌صورت 3D مشاهده و هدف‌گیری کردند و این کار را با یادگیری عمیق، از کاربردهای هوش مصنوعی، انجام دادند؛ مطالعه در مجله علمی Cell به‌عنوان تصویر جلد شماره دسامبر 2019 بازتاب بزرگی در دنیای علم داشت. علی ارتورک پس از فارغ‌التحصیلی از بخش زیست‌شناسی مولکولی و ژنتیک بیلکنت در 2003، به‌ترتیب در مؤسسه ماکس پلانک، Genentech و دانشگاه لودویگ ماکسیمیلیان کار کرد؛ او عصب‌پژوه، مخترع و هنرمند ترک ساکن مونیخ آلمان است. از ژوئیه 2019 مدیر مؤسسه هلمهولتز مهندسی بافت و پزشکی بازساختی مونیخ است. تاکنون کارش بر تولید اندام شفاف با فناوری چاپ 3 بعدی متمرکز بود. فناوری تصویربرداری جدیدی که کشف کردند و نام vDISCO بر آن گذاشتند، می‌تواند اندام‌ها را شفاف نشان دهد. تازه‌ترین مطالعه علی ارتورک و تیمش درباره تصویربرداری متاستاز سرطان و آشکار کردن اهداف آنتی‌بادی با یادگیری عمیق بود.

خلاصه مطالعه پروفسور دکتر علی ارتورک و تیمش که نشان می‌دهد حتی «یک» سلول سرطانی را در مدل موشی مشاهده کرده‌اند:

باوجود پیشرفت‌های اخیر پزشکی، سرطان همچنان علت مهم مرگ است. بیش از % 90 بیماران سرطان نه به علت تومور اولیه/اصلی، بلکه به دلیل تومورهای متاستاتیک منتشر در بدن می‌میرند. درمان موفق سرطان متاستاتیک مستلزم رسیدن داروهای ضدتومور به متاستازهای متعدد بدن و از بین بردن آن‌هاست. متأسفانه معمولاً چنین نیست. این کاستی داروهای سرطان اغلب در پژوهش‌های بالینی کشف می‌شود، زیرا تاکنون پژوهشگران در توسعه پیش‌بالینی (مطالعات پیش از آزمون انسانی) روش‌هایی برای مشاهده توان هدف‌گیری تومور داروها با حساسیت و وضوح کافی نداشتند تا امیدبخش‌ترین نامزدهای دارویی را شناسایی کنند. برای مثال، تصویربرداری تشدید مغناطیسی و تصویربرداری زیست‌تابی تومورهای بزرگ را تشخیص می‌دهند، اما صدها متاستاز کوچک بالقوه کشنده را نه. مهم‌تر اینکه نمی‌توانند ارزیابی کنند آیا نامزد دارویی واقعاً به همه متاستازهای کوچک می‌رسد یا خیر. برای غلبه بر این چالش‌های بزرگ، علی ارتورک و تیمش DeepMACTرا توسعه دادند. DeepMACT تشخیص حتی کوچک‌ترین متاستازها در سراسر بدن موش را ممکن می‌کند و بر یادگیری عمیق (شبکه‌های عصبی مصنوعی چندلایه) متکی است.

DeepMACT امکان پیگیری اینکه کدام متاستازها هدف دارو قرار گرفته‌اند و کدام نشده‌اند را می‌دهد.

فناوری DeepMACT چگونه کار می‌کند؟

DeepMACT به معنای تحلیل متاستاز مبتنی بر یادگیری عمیق در بافت شفاف است و دو گام بزرگ دارد: 1. کل بدن موش با روش شفاف‌سازی بافت به نام vDISCO شفاف می‌شود. سپس موش‌های شفاف به‌صورت 3 بعدی تصویربرداری می‌شوند که مشاهده همه متاستازها و حتی یک سلول توموری منتشر را ممکن کرد. 2. الگوریتم‌های تازه‌توسعه‌یافته یادگیری عمیق برای شناسایی همه متاستازهای سرطان و تحلیل هدف‌گیری آن‌ها با دارو به کار می‌روند. با این فناوری، علی ارتورک و تیمش صدها متاستاز کوچک در بدن موش را که با روش‌های دیگر شناسایی نمی‌شدند، با موفقیت آشکار کردند. DeepMACT همچنین امکان دیدن دقیق متاستازهای هدف‌گرفته‌شده و ازدست‌رفته توسط نامزد دارویی را داد. این تحلیل‌ها نشان دادند از مؤثرترین درمان‌های موجود، یعنی داروهای مبتنی بر آنتی‌بادی ممکن است 30 درصد متاستازهای کوچک را از دست بدهند. با این فناوری گسترش متاستاتیک در مدل‌های موشی سرطان ریه، پستان و پانکراس تحلیل شد. همچنین چگونگی گسترش متاستازها در بدن در زمان‌های مختلف قابل مشاهده شد. امروز فقط پنج درصد نامزدهای دارویی جدید انکولوژی موفق‌اند؛ اجرای DeepMACT در سامانه‌های مدل پیش‌بالینی ظرفیت بهبود بی‌سابقه شناسایی و توسعه نامزدهای بهتر برای کارآزمایی بالینی را دارد. بنابراین می‌تواند میزان موفقیت نامزدهای داروی سرطان را چشمگیر افزایش دهد و بالقوه جان‌های بسیاری را نجات دهد.

در پایین می‌توانید خلاصه ویدئویی مطالعه را ببینید: (گزینه زیرنویس ترکی موجود است)

تاکنون در بسیاری از مطالعات تصویربرداری، بافت‌ها و اندام‌ها به‌صورت 2 بعدی مشاهده می‌شدند، اما تصویربرداری 3 بعدی باوجود دشواری روشی زیاد، اطلاعات بسیار دقیق‌تر و ارزشمندتری ارائه می‌دهد. پروفسور دکتر علی ارتورک و تیمش با شفاف کردن بافت به روش vDISCO و مشاهده متاستازها به‌صورت 3 بعدی با DeepMACT، فناوری‌های جدید متعددی را ترکیب کردند و مطالعه بسیار ارزشمندی انجام دادند. هرچند این روش‌ها هنوز در مطالعات بالینی انسان استفاده نشده‌اند، اساس بسیاری نوآوری‌های زیست‌فناورانه آینده نزدیک را تشکیل خواهند داد. در نتیجه این مطالعه از نظر مشاهده متاستازهای مسئول % 90 مرگ‌های سرطانی و آشکار کردن اهداف آنتی‌بادی بسیار مهم است. اما محدودیت‌هایی نیز دارد.

• مطالعه در مدل‌های موشی انجام شد. سلول‌های سرطان انسانی تزریق و تصویربرداری شدند. آزمایش سامانه تصویربرداری در انسان و استفاده پس از تأیید در مطالعات بالینی ممکن خواهد بود.

• تومورها از جمعیت‌های سلولی متفاوت تشکیل شده‌اند. به‌ویژه ریزمحیط توموردر بدن انسان بسیار پیچیده است. ایجاد این پیچیدگی در مدل موشی بسیار دشوار است؛ بنابراین برای کاربرد بالینی مطالعه پژوهش بیشتری لازم است.