ردپای 98 بیماری در یک لوله خون: اطلس ترانسکریپتوم خون کامل، از ارزروم تا جهان
در این مقاله
ردپای 98 بیماری در یک لوله خون: اطلس ترانسکریپتوم خون کامل، از ارزروم به جهان
در پژوهش مشترک دانشگاه آتاتورک (Atatürk University) و SciLifeLab سوئد، فعالیت حدود 20 هزار ژن در 2 تا 3 میلی‌لیتر خونِ 4,444 نفر در ارزروم اندازه‌گیری شد و «ردپای RNA» مربوط به 98 وضعیت سلامت مختلف در خون نقشه‌برداری شد. اطلس ترانسکریپتوم خون کامل (اطلس WBT) که در Nature Communications منتشر شده، ردپای بسیاری از بیماری‌ها را، از سرطان و سپسیس تا دیابت و بیماری پارکینسون، بر دستگاه ایمنی و متابولیسم در یک منبع واحد گرد آورده است. وقتی RNA خون و پروتئین‌های پلاسما با هم به کار رفتند، مدل هوش مصنوعی 28 وضعیت سلامت را در سه نمونه از هر چهار نمونه به‌درستی از هم تشخیص داد. ایده‌ی تشخیص چند بیماری از یک نمونه خون با کمک هوش مصنوعی را پیش‌تر در یکی از نوشته‌های قبلی‌مان نیز بررسی کرده بودیم.
- چه کاری انجام شد: بین سال‌های 2022 تا 2025 در دو بیمارستان ارزروم، توالی‌یابی RNA روی خون کامل 4,444 نفر در بازه‌ی سنی 0 تا 99 سال انجام شد؛ در 1,280 نفر نیز حدود 5 هزار پروتئین پلاسما اندازه‌گیری شد. نتایج در یک اطلس اینترنتی در دسترس همگان (phenomeatlas.org/wbt) منتشر شد.
- یافته‌ی اصلی: مهم‌ترین عامل تعیین‌کننده‌ی فعالیت ژن‌ها در خون نه سن یا جنس، بلکه بیماری فرد است. سرطان‌ها امضای خونی مشابهی با یکدیگر داشتند و در بسیاری از سرطان‌ها پاسخ‌های اینترفرونی افزایش یافته بود.
- هوش مصنوعی: دقت مدلی که تنها با 10 ژن برای هر بیماری 29 وضعیت را از هم تشخیص می‌داد 64% بود؛ با ترکیب RNA و پروتئین‌ها، این رقم در 28 وضعیت به 75% رسید. در 10 کوهورت مستقل (1,621 نمونه) میانگین AUC برابر 0.79 و در UK Biobank با امضاهای پروتئینی 0.73 بود.
- در عمل: این یک آزمون تشخیصی نیست، بلکه یک منبع پژوهشی است. هنوز در غربالگری سرطان یا پیگیری بیماران به کار نمی‌رود؛ اما زیرساخت محکمی برای ایده‌ی «چند بیماری با یک نمونه خون» فراهم می‌کند.
چرا این موضوع اهمیت دارد؟
خون مایعی است که از هر گوشه‌ی بدن می‌گذرد و ردپای بیماری‌ها را با خود دارد. امروزه بیشتر آزمون‌هایی که در خون به دنبال نشانه‌ی سرطان می‌گردند، قطعات DNA رهاشده از تومور در خون (بیوپسی مایع) یا پروتئین‌های پلاسما را بررسی می‌کنند. اما ترانسکریپتوم خون کامل پنجره‌ی دیگری می‌گشاید: نشان می‌دهد سلول‌های خون، به‌ویژه سلول‌های ایمنی، در همان لحظه کدام ژن‌ها را و به چه میزان فعال کرده‌اند. به بیان دیگر، این روش بیش از خودِ تومور، پاسخ بدن به بیماری را می‌خواند.
این پژوهش از دو جنبه اهمیت دارد. نخست، برای اولین بار یک اطلس ترانسکریپتوم خون کامل در مقیاس بزرگ و با محوریت بیماری در چنین گستره‌ای ساخته شده است؛ به گفته‌ی نویسندگان، تاکنون منبعی به این جامعیت وجود نداشت. دوم، این پژوهش بر نمونه‌هایی تکیه دارد که در ترکیه، در شهر ارزروم، گردآوری شده‌اند: نمونه‌ها در دانشگاه آتاتورک و بیمارستان آموزشی و پژوهشی منطقه‌ای ارزروم جمع‌آوری شدند، توالی‌یابی RNA در استانبول انجام شد و از حدود 110 نویسنده‌ی مقاله، بیش از 90 نفر پزشکان و پژوهشگرانی از مؤسسه‌های ترکیه هستند. اینکه ترکیه در عصر «اومیکس»، که با پروژه‌ی ژنوم انسان آغاز شد، به‌عنوان کشوری تولیدکننده‌ی داده حضور دارد، برای ما مایه‌ی خرسندی ویژه‌ای است.
- آنچه نخستین است: به گفته‌ی نویسندگان، پیش از این هیچ اطلس ترانسکریپتوم خون کاملی با محوریت بیماری و در این اندازه که شمار زیادی از بیماری‌ها را زیر یک سقف گرد آورد، وجود نداشت.
- آنچه نخستین نیست: نقشه‌ی پروتئینی خون پیش‌تر تهیه شده بود. Álvez و همکاران، از همین حلقه‌ی پژوهشی، در دسامبر 2025 «اطلس خونی فراگیر بیماری‌های انسان» را در Science منتشر کردند که حدود 5 هزار پروتئین پلاسما را در 59 بیماری و بیش از 8 هزار نفر بررسی می‌کرد. اطلس پروتئین انسان، UK Biobank، TCGA و GTEx نیز منابع پایه برای بافت‌ها و بیماری‌ها هستند.
- آنچه تازه است: اندازه‌گیری هم‌زمان RNA و پروتئین در همان افراد و نشان دادن اینکه این دو مکمل یکدیگرند: میان 264 امضای RNA و 244 امضای پروتئینی، حتی یک مولکول مشترک وجود نداشت.
دو نویسنده‌ی مسئول مقاله، پروفسور حسن تورکز از دانشکده‌ی پزشکی دانشگاه آتاتورک که معاون رئیس این دانشگاه نیز هست، و پروفسور عادل ماردین‌اوغلو هستند. ماردین‌اوغلو، دانش‌آموخته‌ی مهندسی برق و الکترونیک دانشگاه استانبول، گروه‌های زیست‌شناسی سامانه‌ای را در SciLifeLab (مؤسسه‌ی سلطنتی فناوری KTH) در سوئد و در کینگز کالج لندن در بریتانیا رهبری می‌کند و به‌خاطر مدل‌های متابولیک در مقیاس ژنوم و تحلیل‌های چنداومیکس شناخته می‌شود. او در سال 2019 به ریاست مؤسسات سلامت ترکیه (TÜSEB) منصوب شد و تورکز در آن زمان دبیرکل این نهاد بود.
در بخش ترکیه‌ای این اطلس، بیش از 90 پزشک و پژوهشگر از دانشکده‌های پزشکی و دندان‌پزشکی دانشگاه آتاتورک و بیمارستان آموزشی و پژوهشی منطقه‌ای ارزروم، تشخیص و نمونه‌های بیماران مبتلا به 98 وضعیت سلامت گوناگون را فراهم کردند. توالی‌یابی RNA در SZA Omics (دانشگاه Acıbadem Mehmet Ali Aydınlar) در استانبول، اندازه‌گیری پروتئین‌ها در اوپسالای سوئد و تحلیل‌ها در استکهلم انجام شد. نویسنده‌ی نخست، منگ‌ژن لی، این اطلس را بخشی از رساله‌ی دکترای خود در KTH تهیه کرد.
ترانسکریپتوم خون کامل چیست؟
ترانسکریپتوم خون کامل یعنی اندازه‌گیری مولکول‌های RNA تولیدشده از همه‌ی ژن‌هایی که در آن لحظه در سلول‌های خون فعال‌اند. بخش عمده‌ی RNA خون از سلول‌های ایمنی مانند نوتروفیل‌ها و لنفوسیت‌ها می‌آید. به همین دلیل ترانسکریپتوم خون کامل تصویری لحظه‌ای از پاسخ ایمنی و متابولیک بدن به عفونت، التهاب، سرطان یا بیماری‌های متابولیک به دست می‌دهد.
جایگاه توالی‌یابی RNA بافت تومور در درمان سرطان را در راهنمای ما درباره‌ی توالی‌یابی RNA شرح داده بودیم؛ اینجا همان فناوری روی خون به کار رفته است. اگر DNA را به کتابی تشبیه کنیم که همه‌ی دستورهای پخت یک سلول را در خود دارد، RNA نشان می‌دهد کدام دستورها در همان لحظه در حال پخت‌اند. RNA خون از چهار منبع می‌آید: سلول‌های ایمنی (بیشترین سهم)، گلبول‌های قرمز (RNA هموگلوبین)، پلاکت‌ها و RNA خارج‌سلولی در گردش. از آنجا که RNA هموگلوبین می‌تواند بیش از نیمی از کل RNA را تشکیل دهد و سیگنال‌های دیگر را تحت‌الشعاع قرار دهد، در این پژوهش در آزمایشگاه حذف شد؛ در نتیجه سهم ژن‌های هموگلوبین به کمتر از 0.85% کل بیان ژن رسید.
| راه‌های خواندن بیماری از خون | چه چیزی اندازه‌گیری می‌شود؟ | بازتاب چیست؟ | وضعیت کنونی |
|---|---|---|---|
| نشانگرهای توموری (CEA، CA 19-9، CA 125) | پروتئین‌های منفرد | موادی که برخی تومورها ترشح می‌کنند | در پیگیری به کار می‌رود؛ برای غربالگری کافی نیست |
| DNA آزاد سلولی و متیلاسیون (مانند Galleri) | قطعات DNA که از تومور وارد خون می‌شوند | مستقیماً خودِ تومور | به‌عنوان آزمون تشخیص زودهنگام چند سرطان در دسترس است؛ جایگاه آن در غربالگری محل بحث است |
| پروتئومیکس پلاسما (Olink، حدود 5 هزار پروتئین) | پروتئین‌های در گردش | محصولات نهایی رهاشده از اندام‌ها و سلول‌ها | پژوهشی؛ اطلس فراگیر بیماری‌ها در Science 2025 |
| ترانسکریپتوم خون کامل (این پژوهش) | RNA حدود 20 هزار ژن | پاسخ دستگاه ایمنی و متابولیسم به بیماری | پژوهشی؛ اطلس باز با 98 وضعیت |
نشانگرهای توموری را در نوشته‌های CEA،CA 19-9 و CA 125، و آزمون‌های خونی چندسرطانی را در نوشته‌ی Galleri به تفصیل بررسی کرده بودیم.
پژوهش چگونه انجام شد؟
شکل 1 · شکل‌گیری اطلس ترانسکریپتوم خون کامل
از خون گردآوری‌شده در ارزروم تا تأیید بین‌المللی.
| ویژگی | اطلس WBT |
|---|---|
| شرکت‌کنندگان | 4,444 نفر؛ 0 تا 99 سال (میانگین 42.3)؛ 48.7% مرد |
| وضعیت‌های سلامت | 98 وضعیت در 15 گروه اصلی: سرطان‌ها و بیماری‌های قلبی‌عروقی، عصبی، روان‌پزشکی، خودایمنی، عفونی و دوران کودکی؛ به‌علاوه‌ی افراد سالم و «دیرزیستان» بالای 80 سال |
| مکان و دوره | مرکز پژوهش و خدمات سلامت دانشگاه آتاتورک و بیمارستان آموزشی و پژوهشی منطقه‌ای ارزروم؛ ژانویه 2022 تا سپتامبر 2025 |
| اندازه‌گیری RNA | لوله‌ی PAXgene، حذف RNA هموگلوبین، توالی‌یابی با NovaSeq 6000 (استانبول) |
| اندازه‌گیری پروتئین | 1,280 نفر، 28 وضعیت؛ حدود 5 هزار پروتئین با Olink Explore HT (اوپسالا، سوئد) |
| تأیید خارجی | 10 کوهورت مستقل RNA (1,621 نمونه؛ سپسیس، اختلال دوقطبی، پارکینسون، آرتریت روماتوئید، دیابت نوع 2) و داده‌های پروتئینی UK Biobank (9,998 نمونه؛ سرطان پستان، سرطان ریه، بیماری عروق کرونر، پارکینسون، دیابت نوع 2) |
چه یافته‌هایی به دست آمد؟
1. بیشترین تغییر در خون را بیماری ایجاد می‌کند
پژوهشگران محاسبه کردند که چه سهمی از تفاوت فعالیت ژن‌ها در خون با سن، جنس، شاخص توده‌ی بدنی و بیماری توضیح داده می‌شود. در بیشتر ژن‌های پرتغییر، بیشترین سهم از آنِ بیماری بود و سن در رده‌ی دوم قرار داشت. این یافته‌ای بنیادی است که نشان می‌دهد خون واقعاً اطلاعاتی درباره‌ی بیماری در خود دارد.
2. سرطان‌ها به هم شبیه‌اند، سپسیس و COPD جدا می‌شوند
وقتی بیماری‌ها بر اساس شباهت RNA خونشان گروه‌بندی شدند، بیماری‌هایی با سازوکار مشابه کنار هم قرار گرفتند: سرطان‌ها با یکدیگر و بیماری‌های عصبی با یکدیگر خوشه شدند. در بسیاری از انواع سرطان، پاسخ‌های اینترفرون گاما و اینترفرون آلفا افزایش یافته بود؛ این نشان می‌دهد که دستگاه ایمنی حضور تومور را در خون نیز بازتاب می‌دهد. لوسمی، همان‌طور که انتظار می‌رفت، برجسته‌ترین و منحصربه‌فردترین امضای خونی را داشت؛ زیرا در لوسمی خودِ بیماری از سلول‌های خون است.
اما سپسیس و بیماری انسدادی مزمن ریه (COPD) به‌وضوح از همه‌ی وضعیت‌های دیگر جدا شدند. در هر دو، خوشه‌های ژنی مرتبط با سلول‌های B، T و NK کاهش یافته و فعالیت متابولیک پایین آمده بود؛ یعنی تصویری از سرکوب ایمنی و تحلیل انرژی دیده می‌شد. در آرتریت روماتوئید و اسپوندیلیت آنکیلوزان نیز مسیرهای التهابی TNF-آلفا و NF-κB به‌طور چشمگیری افزایش یافته بودند.
3. ردپای پیری در خون: آستانه‌های 25 و 75 سالگی
یک «امضای پیری خون» متشکل از 32 ژن که قوی‌ترین ارتباط را با سن داشتند تعریف شد. این ژن‌ها در مسیرهای التهاب ناشی از پیری (inflammaging) و پیری ایمنی، مانند IL-2، TNF-آلفا، mTOR و کمپلمان، متمرکز بودند و با افزایش سن به‌طور منظم کاهش می‌یافتند. مدلی که با این 32 ژن ساخته شد، سن 100 فرد سالم مستقل را با میانگین خطای 8.2 سال پیش‌بینی کرد؛ این خطا در یک ساعت پیری 33 ژنی که در کره توسعه یافته، 13.8 سال بود. از این منظر، این پژوهش به بحث سن تقویمی و سن زیستی نیز کمک می‌کند.
نسبت سلول‌های ایمنی در خون نیز با سن تغییر می‌کرد: نوتروفیل‌ها با افزایش سن بیشتر می‌شدند، در حالی که سلول‌های T از نوع CD4 «بکر» (naive)، یعنی سلول‌هایی که هنوز با هیچ میکروبی روبه‌رو نشده‌اند، به‌تدریج کاهش می‌یافتند. نکته‌ی جالب این است که بیشترین تغییر حول سنین حدود 25 و 75 سالگی متمرکز بود و دوره‌ی میان این دو نسبتاً پایدار بود. در دیرزیستان بالای 80 سال، نسبت نوتروفیل‌ها و پلاسمابلاست‌ها بالا و سلول‌های T و B بکر کم بود؛ این با تصویر شناخته‌شده‌ی پیری ایمنی همخوانی دارد.
پیش‌بینی سن از روی خون: میانگین خطا
سال؛ میانگین اختلاف سن پیش‌بینی‌شده با سن واقعی در 100 فرد سالم مستقل. میله‌ی کوتاه‌تر بهتر است.
مقایسه با همان روش یادگیری ماشین و همان داده‌ها انجام شد. واریانس تبیین‌شده (R²) برای امضای WBT برابر 0.31 و برای ساعت کره‌ای -0.14 بود.
4. RNA و پروتئین روایت‌های متفاوتی دارند
وقتی در همان افراد هم RNA و هم پروتئین اندازه‌گیری شد، همپوشانی میان ژن‌ها و پروتئین‌هایی که در بیماری تغییر می‌کردند بسیار اندک بود (شاخص Jaccard بین 0 تا 0.13). به گفته‌ی نویسندگان، RNA فرایندهای تنظیمی درون سلول و وضعیت سلولی اولیه‌ی بیماری را بازتاب می‌دهد، در حالی که پروتئین‌ها محصولات نهایی و مواد ترشح‌شده را نشان می‌دهند. برای نمونه، در سپسیس امضاهای پروتئینی (IL1RL1، IL15، PTX3، CSF3) التهاب شدید را نشان می‌دادند، در حالی که امضاهای RNA (PPARG، CYP1B1، OLAH) تنظیم ایمنی و استرس متابولیک زیربنایی آن را آشکار می‌کردند. به همین دلیل استفاده‌ی هم‌زمان از این دو، اطلاعات بیشتری به دست می‌دهد.
هوش مصنوعی تا چه حد توانست بیماری‌ها را از هم تشخیص دهد؟
پژوهشگران 29 وضعیت سلامت را که بیش از 40 نمونه داشتند انتخاب کردند؛ مدل با 70% داده‌ها آموزش دید و با 30% باقی‌مانده آزموده شد. در جدا کردن هر بیماری از افراد سالم، حتی تنها 10 ژن مهم‌تر به موفقیت بالایی رسیدند (AUC بین 0.89 تا 1.0 در داده‌های آزمون داخلی). اما پرسش اصلی و دشوار این بود که با نگاه به خون یک فرد، مشخص شود او در کدام‌یک از 29 وضعیت قرار دارد. با 10 ژن برای هر بیماری، نرخ پاسخ درست به این پرسش 64% بود.
استفاده‌ی هم‌زمان از RNA و پروتئین برای تمایز بیماری‌ها
مدل چندکلاسه برای تشخیص 28 وضعیت سلامت؛ امتیاز F1 در داده‌های آزمون (1.00 = بی‌نقص). میله‌ی رنگی: مدل ترکیبی.
دقت به ترتیب 55%، 67% و 75% بود. برای هر بیماری 10 RNA و 10 پروتئین مهم‌تر به کار رفت. دقت مدلی که فقط با RNA برای 29 وضعیت ساخته شد 64% بود.
نتایج در مجموعه‌داده‌های مستقل نیز تا حد زیادی حفظ شد. این تأیید اهمیت دارد؛ زیرا مدل‌های هوش مصنوعی اغلب روی داده‌هایی که با آن آموزش دیده‌اند خوب عمل می‌کنند، اما روی داده‌های بیمارستان‌های دیگر نتایج ضعیفی به دست می‌دهند.
تأیید در مجموعه‌داده‌های مستقل
میانگین AUC (0.50 = تصادف، 1.00 = بی‌نقص). میله‌ی رنگی: امضاهای انتخاب‌شده در این پژوهش؛ میله‌ی خاکستری: مدل مقایسه‌ای ساخته‌شده با همه‌ی مولکول‌ها.
تأیید RNA در سپسیس، اختلال دوقطبی، پارکینسون، آرتریت روماتوئید و دیابت نوع 2، و تأیید پروتئینی در سرطان پستان، سرطان ریه، بیماری عروق کرونر، پارکینسون و دیابت نوع 2 انجام شد.
از نظر سرطان نیز چند امضای درخور توجه یافت شد: PTP4A2 در سرطان ریه که با پیشرفت و گسترش تومور مرتبط است، CXCL12 در سرطان معده که ریزمحیط تومور را تنظیم می‌کند، و HLA-DRA در سرطان پستان که بازتاب یک محیط توموری «ملتهب» از نظر ایمنی است. از پنج وضعیتی که امضاهای پروتئینی در UK Biobank برای آن‌ها آزموده شدند، دو مورد سرطان پستان و سرطان ریه بودند. با این حال، مقاله به تفکیک هر بیماری به‌طور مفصل گزارش نمی‌کند که بیماران سرطانی در زمان تشخیص نمونه‌گیری شده‌اند یا در جریان درمان؛ بنابراین این یافته‌ها را نمی‌توان مستقیماً برای غربالگری سرطان به کار برد.
این اطلس یک آزمون تشخیصی یا غربالگری نیست. مدل در میان 29 وضعیت، در حدود یک‌سوم موارد نتیجه‌ی نادرست داد و هنوز آزموده نشده است که آیا می‌تواند بیماری را در افراد به‌ظاهر سالم زودهنگام شناسایی کند یا نه. روش‌های اثبات‌شده‌ی غربالگری سرطان (کولونوسکوپی، ماموگرافی، آزمایش HPV و در افراد واجد شرایط، سی‌تی‌اسکن کم‌دوز ریه) همچنان معتبرند.
محدودیت‌های این پژوهش چیست؟
- تک‌منطقه‌ای و بیمارستان‌محور: همه‌ی نمونه‌ها از دو بیمارستان در ارزروم آمده‌اند. هرچند نویسندگان کوهورت را «انتخاب‌نشده» توصیف می‌کنند، شرکت‌کنندگان افرادی بودند که به بیمارستان مراجعه کرده بودند؛ تعمیم‌پذیری نتایج به مناطق جغرافیایی و قومیت‌های دیگر تنها تا حدی با تأییدهای خارجی آزموده شد.
- گروه‌های نامتوازن: در برخی بیماری‌ها شمار نمونه‌ها اندک است. نویسندگان از روش‌های آماری مقاوم در برابر این مسئله استفاده کردند، اما نتایج گروه‌های کوچک نامطمئن‌ترند.
- تحلیل در سطح بیماری: برای نمونه «سرطان ریه» به‌عنوان یک گروه واحد در نظر گرفته شد؛ زیرگروه‌ها، مراحل بیماری و وضعیت درمان جداگانه بررسی نشدند.
- عوامل مخدوش‌کننده: به‌جز سن، جنس و شاخص توده‌ی بدنی، عواملی مانند سبک زندگی و مصرف دارو به‌طور کامل در نظر گرفته نشدند.
- طراحی مقطعی: از هر فرد تنها یک نمونه گرفته شد؛ معلوم نیست امضای خونی پیش از بروز بیماری ظاهر می‌شود یا نه، یعنی کاربرد آن در تشخیص زودهنگام ناشناخته است.
- تأیید خارجی محدود: مدل‌های RNA در 5 بیماری و مدل‌های پروتئینی در 5 بیماری به‌طور مستقل آزموده شدند؛ برای بیش از 90 وضعیت دیگر تأیید خارجی وجود ندارد.
در آینده چه چیزی ممکن است تغییر کند؟
نویسندگان می‌گویند این اطلس به‌عنوان بخشی از طرح «Global 1M Phenome»، که هدفش 1 میلیون نفر است، گسترش خواهد یافت. ممکن است در آینده آزمون‌های چندلایه‌ای که از یک نمونه خون هم DNA تومور، هم پروتئین‌های پلاسما و هم RNA سلول‌های ایمنی را بررسی می‌کنند، در کنار هم برای تشخیص زودهنگام بیماری‌ها و پایش پاسخ به درمان به کار روند. رویکردهای مبتنی بر پروتئوژنومیکس و هوش مصنوعی به‌سرعت در این مسیر پیش می‌روند. غربالگری سرطان روده‌ی بزرگ با آزمایش خون و پنل‌های تشخیص زودهنگام سرطان پانکراس امروزه نزدیک‌ترین نمونه‌های این حوزه به کاربرد بالینی هستند.
- همه‌ی نمونه‌های این پژوهش از ترکیه، از ارزروم، هستند؛ توالی‌یابی RNA در آزمایشگاه SZA Omics وابسته به دانشگاه Acıbadem Mehmet Ali Aydınlar در استانبول انجام شد. در فهرست نویسندگان، پزشکانی از ده‌ها بخش بالینی دانشگاه آتاتورک حضور دارند.
- نتایج در سطح بیماری در نشانی phenomeatlas.org/wbt در دسترس همگان است. داده‌های فردی به دلیل رضایت‌نامه‌ی شرکت‌کنندگان و الزامات قانونی به‌صورت آزاد در دسترس نیستند، اما برای پژوهش‌های غیرتجاری با درخواست قابل اشتراک‌گذاری‌اند.
- ترانسکریپتوم خون کامل امروز نه در ترکیه و نه در جای دیگری از جهان به‌عنوان آزمون بالینی ارائه نمی‌شود؛ اگر چنین تحلیلی با عنوان «غربالگری بیماری» در ازای پرداخت هزینه پیشنهاد شد، باید محتاط بود.
پرسش‌های پرتکرار
- آیا می‌توان با یک آزمایش خون 98 بیماری را تشخیص داد؟
- خیر، هنوز نه. این پژوهش یک منبع پژوهشی است که ردپای RNA مربوط به 98 وضعیت سلامت را در خون نقشه‌برداری می‌کند. مدل هوش مصنوعی 29 وضعیت را در حدود دو‌سوم موارد، و با استفاده‌ی هم‌زمان از RNA و پروتئین‌ها 28 وضعیت را در سه‌چهارم موارد، به‌درستی از هم تشخیص داد؛ این برای یک آزمون بالینی کافی نیست.
- ترانسکریپتوم خون کامل چیست؟
- اندازه‌گیری RNA تولیدشده از حدود 20 هزار ژنی است که در آن لحظه در سلول‌های خون، به‌ویژه سلول‌های ایمنی، فعال‌اند. این روش تصویری لحظه‌ای از پاسخ ایمنی و متابولیک بدن به بیماری‌ها به دست می‌دهد.
- آیا این آزمون می‌تواند سرطان را زودهنگام شناسایی کند؟
- معلوم نیست. در این پژوهش امضاهای مشخصی در خون بیماران مبتلا به سرطان یافت شد، اما آزموده نشد که آیا می‌تواند سرطان را در افراد به‌ظاهر سالم زودهنگام شناسایی کند یا نه. در غربالگری سرطان باید از روش‌های اثبات‌شده‌ای مانند کولونوسکوپی، ماموگرافی و آزمایش HPV استفاده کرد.
- چرا این پژوهش برای ترکیه اهمیت دارد؟
- همه‌ی نمونه‌ها در ارزروم جمع‌آوری شدند و توالی‌یابی RNA در استانبول انجام شد. اینکه یک مجموعه‌داده‌ی اومیکس در این مقیاس از ترکیه پایه‌ی یک اطلس بین‌المللی شود، از نظر جایگاه ترکیه به‌عنوان کشوری تولیدکننده‌ی داده در پژوهش‌های زیست‌پزشکی اهمیت دارد.
واژه‌نامه
- ترانسکریپتوم
- مجموعه‌ی همه‌ی مولکول‌های RNA که در یک سلول یا بافت در یک لحظه‌ی معین تولید می‌شوند.
- پروتئومیکس
- اندازه‌گیری هم‌زمان شمار زیادی از پروتئین‌ها در خون یا بافت.
- DNA آزاد سلولی
- قطعات DNA که از سلول‌ها، از جمله سلول‌های توموری، به خون رها می‌شوند؛ پایه‌ی بیوپسی مایع است.
- AUC
- توان یک آزمون در جدا کردن بیمار از فرد سالم؛ 0.5 نشان‌دهنده‌ی سطح تصادف و 1.0 نشان‌دهنده‌ی جداسازی بی‌نقص است.
- امتیاز F1
- معیاری که موفقیت مدل را هم در شناسایی موارد مثبت واقعی و هم در پرهیز از هشدار کاذب، با هم ترکیب می‌کند.
- پیری ایمنی
- تغییراتی که با افزایش سن در شمار و عملکرد سلول‌های ایمنی پدید می‌آید.
دیدگاه آکادمی DROZDOGAN
خون مانند «جعبه‌ی سیاه» بدن است. این اطلس برای نخستین بار سوابق ایمنی درون این جعبه را در چنین گستره‌ای می‌خواند و این کار را از ترکیه انجام می‌دهد.
⚡ چرا مهم است
منبعی باز که 98 وضعیت سلامت را با روشی یکسان بررسی می‌کند و امکان مقایسه‌ی امضاهای ایمنی و متابولیک مشترک و متمایز بیماری‌ها را فراهم می‌آورد. نشان می‌دهد که RNA و پروتئین در همان افراد مکمل یکدیگرند.
✅ نقاط قوت
حجم نمونه‌ی بزرگ، نمونه‌گیری استاندارد، حذف موفق RNA هموگلوبین، داده‌های پروتئینی جفت‌شده، تأیید خارجی در کوهورت‌های مستقل و در UK Biobank، و درگاه داده‌ی در دسترس همگان.
⚠️ محدودیت‌ها
نمونه‌ی بیمارستان‌محور از یک منطقه، اندازه‌ی نامتوازن گروه‌ها، تفکیک نکردن زیرگروه بیماری و وضعیت درمان، طراحی مقطعی و نرخ خطای حدود یک‌سوم در طبقه‌بندی چندکلاسه.
🩺 در عمل
امروز مدیریت بیماران را تغییر نمی‌دهد. برای پزشکان، ابزار پژوهشی ارزشمندی است برای بررسی ردپای ایمنی بیماری‌ها در خون و پروراندن ایده‌های تازه درباره‌ی نشانگرهای زیستی.
❓ پرسش‌های باز
آیا امضاهای RNA خون پیش از آغاز بیماری تغییر می‌کنند؟ آیا پاسخ به درمان یا عود بیماری را می‌توان با این امضاها پایش کرد؟ آیا یک آزمایش خون واحد که DNA آزاد سلولی، پروتئین و RNA را ترکیب کند، می‌تواند سرطان را زودتر از روش‌های غربالگری کنونی شناسایی کند؟
جمع‌بندی: اطلس WBT سنگ‌بنای مهمی در مسیر رسیدن به هدف «چند بیماری با یک نمونه خون» است. برای رسیدن به کاربرد بالینی، پژوهش‌های آینده‌نگر و چندمرکزی که در افراد سالم انجام شوند ضروری است.
- این نوشته در اکتبر 2026 تهیه شده است.
- داده‌ها از متن کامل مقاله‌ای گرفته شده‌اند که در Nature Communications به‌صورت «Article in Press» منتشر شده است؛ نسخه‌ی نهایی ویرایش‌شده‌ی مقاله ممکن است تغییرات جزئی داشته باشد.
- از آنجا که شمار نمونه‌ها و موفقیت طبقه‌بندی به تفکیک نوع سرطان در جداول تکمیلی مقاله آمده است، در این نوشته به تفصیل ارائه نشده‌اند.
- طرح‌واره از عبارات تأییدشده‌ی متن برگرفته شده و داده‌ی تازه‌ای ندارد. تحلیل آکادمی از آنِ ماست.
منابع
- Li M, Tatar A, Green E, ... Turkez H, Mardinoglu A. Whole blood transcriptomics atlas across human diseases. Nat Commun. 2026 (Article in Press). doi:10.1038/s41467-026-78440-w
- درگاه داده‌ی WBT Atlas. phenomeatlas.org/wbt
- Bueno Álvez M, et al. A human pan-disease blood atlas of the circulating proteome. Science. 2025. proteinatlas.org
- مؤسسه‌ی سلطنتی فناوری KTH. رساله‌ی دکتری Mengzhen Li: Multi-disease characterization and classification through transcriptomics-based multi-omics analysis (ژوئن 2026). kth.se
- Global 1M Phenome Initiative. mphenome.org
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک می‌کند.
نظرهای خوانندگان
نظر خود را بنویسید
نام و دیدگاه شما فقط پس از تأیید مدیر منتشر می‌شود. نشانی ایمیل شما هرگز به بازدیدکنندگان نمایش داده نمی‌شود.
اولین نظر را شما بنویسید.