یک پژوهش جدید نشان میدهد همه اندامهای بدن با سرعت یکسان پیر نمیشوند. دانشمندان با کمک هوش مصنوعی و بررسی بیش از ۲۵ هزار تصویر بافتی، روشی برای تخمین سن زیستی اندامها ابداع کردهاند که در آینده ممکن است از طریق آزمایش خون نیز قابل استفاده باشد.
به گزارش سیناپرس، پژوهشگران با استفاده از هوش مصنوعی و تصاویر بافتشناسی توانستهاند ساعتهای بافتی توسعه دهند که سن زیستی اندامهای مختلف بدن انسان را تخمین میزنند. این مطالعه با بررسی بیش از ۲۵ هزار نمونه بافت از ۴۰ نوع بافت مختلف نشان میدهد که اندامهای بدن با سرعت یکسان پیر نمیشوند و حتی میتوان نشانههای این فرآیند را از طریق نمونه خون شناسایی کرد.
این پژوهش توسط پژوهشگران مرکز تحقیقات پزشکی مولکولی CeMM آکادمی علوم اتریش و موسسه لودویگ بولتزمان برای پزشکی شبکهای در دانشگاه وین انجام شده و نتایج آن در نشریه Nature Medicine منتشر شده است. این مطالعه با شناسه DOI: ۱۰.۱۰۳۸/s۴۱۵۹۱-۰۲۶-۰۴۵۶۶-۵، چارچوب تازهای برای درک فرآیند پیری ارائه میدهد و میتواند در آینده به توسعه روشهای جدید برای پایش بیماریها و تشخیص زودهنگام آنها کمک کند.
آیا همه اندامها به یک اندازه پیر میشوند؟
پیری انسان تنها به افزایش سن شناسنامهای محدود نمیشود. برخی افراد در سنین بالاتر از نظر ظاهری و عملکردی جوانتر از سن واقعی خود به نظر میرسند در حالی که برخی دیگر نشانههای پیری را زودتر تجربه میکنند. همین تفاوتها این پرسش را مطرح کرده است که آیا اندامهای مختلف بدن نیز با سرعتهای متفاوتی پیر میشوند و آیا میتوان فاصله میان سن شناسنامهای و سن زیستی هر اندام را اندازهگیری کرد؟
پژوهشگران در این مطالعه با ترکیب هوش مصنوعی و یکی از بزرگترین مجموعههای تصاویر بافت انسانی تلاش کردند به این پرسش پاسخ دهند.
این پژوهش به سرپرستی آندره رندایرو پژوهشگر اصلی در CeMM و LBI-NetMed و با همکاری پژوهشگران دیگری از جمله ارنستو آبیلا، ایوا بولجان و ییمین ژنگ انجام شد.
برخلاف بسیاری از مطالعات پیشین که بیشتر بر تغییرات مولکولی مرتبط با پیری مانند تغییرات متیلاسیون DNA یا بیان ژنها تمرکز داشتند این تیم پژوهشی بررسی کرد که ساختار خود بافتها در طول زمان چگونه تغییر میکند.
تصاویر بافتی؛ دفترچهای از روند پیری
برای انجام این پژوهش دانشمندان از دادههای پروژه Genotype-Tissue Expression یا GTEx استفاده کردند. این پروژه نمونههای بافتی ۹۸۳ فرد را از ۴۰ نوع بافت مختلف جمعآوری کرده است.
این بافتها طیف گستردهای از اندامها و بخشهای بدن را شامل میشدند؛ از مغز و قلب گرفته تا ریه، لوزالمعده، پوست و روده. نمونههای بافتی به تصاویر دیجیتال با وضوح بالا تبدیل شدند که ساختارهای میکروسکوپی هر اندام را نشان میدادند.
در مجموع پژوهشگران ۲۵ هزار و ۷۱۲ تصویر را بررسی کردند که حدود ۴۸۰ میلیون قطعه تصویری را شامل میشد.
مدلهای پیشرفته بینایی رایانهای و یادگیری عمیق برای تحلیل این حجم عظیم از دادهها به کار گرفته شدند. نتایج نشان داد که حتی بدون آموزش مستقیم هوش مصنوعی برای شناسایی سن، سن افراد قویترین عامل مؤثر بر ظاهر بافتها در هر ۴۰ نوع بافت مورد بررسی بود.
پژوهشگران بر اساس این یافتهها ساعتهای بافتی را ایجاد کردند؛ مدلهایی که میتوانند با بررسی ظاهر بافت، سن زیستی آن را برای هر اندام بهطور مستقل تخمین بزنند.
دقت ۴.۹ ساله ساعتهای بافتی
ساعتهای بافتی در این مطالعه به میانگین خطای پیشبینی ۴.۹ سال دست یافتند و در شناسایی آسیبشناسی اختصاصی بافت عملکرد بهتری نسبت به برخی برآوردهای موجود مبتنی بر DNA نشان دادند.
همچنین مشخص شد سن زیستی پیشبینیشده با تعدادی از شاخصهای شناختهشده پیری ارتباط قابلتوجهی دارد از جمله کوتاهشدن تلومرها، آسیبشناسی بافت و تعداد بیماریهای مزمن فرد.
آندره رندایرو پژوهشگر اصلی CeMM و نویسنده مسئول مطالعه میگوید بافتهای بدن انسان رکوردی بسیار دقیق از فرآیند پیری در خود دارند.
به گفته او ترکیب تصاویر بافتشناسی و هوش مصنوعی به پژوهشگران اجازه میدهد الگوهای پیری زیستی را شناسایی کنند که با چشم انسان قابل مشاهده نیستند و درک کنند که این فرآیند چگونه در بخشهای مختلف بدن رخ میدهد.
هر اندام برنامه متفاوتی برای پیری دارد
یکی از مهمترین یافتههای این پژوهش آن است که پیری در سراسر بدن به شکل یکنواخت اتفاق نمیافتد.
برخی بافتها از جمله ریه، کلیه، لوزالمعده و غده فوقکلیوی از سنین حدود ۲۰ تا ۴۰ سالگی نشانههایی از شتاب گرفتن روند پیری را نشان دادند.
در مقابل برخی اندامها مسیرهای پیچیدهتری داشتند و دورههای شتابگرفتن پیری آنها در سنین بالاتر مشاهده شد. رحم نیز تغییر قابلتوجهی در حوالی سن یائسگی نشان داد.
پژوهشگران همچنین ارتباط قابلتوجهی میان پیری اختصاصی بافتها و برخی بیماریها یا عوامل مرتبط با سبک زندگی پیدا کردند.
برای نمونه نارسایی کلیه با افزایش نشانههای پیری در چندین بافت بدن ارتباط داشت در حالی که دیابت اثرات قابلتوجهی در بافت لوزالمعده نشان داد.
ارنستو آبیلا یکی از نویسندگان اول این مطالعه میگوید آنچه در این پژوهش برجسته است، تفاوت چشمگیر در نحوه پیرشدن اندامها و نحوه نمایانشدن این تفاوتها در معماری بافتی آنهاست.
به گفته او یادگیری عمیق به پژوهشگران امکان میدهد الگوهای فضایی موجود در بافتها را بخوانند و پیری را نه صرفا بهعنوان تغییرات مولکولی بلکه بهعنوان بازسازی و تغییر معماری بافت مشاهده کنند.
شناسایی افرادی که زودتر از موعد پیر میشوند
ساعتهای بافتی علاوه بر شناسایی روند طبیعی پیری افرادی را نیز مشخص کردند که بافتهای آنها تغییرات ساختاری قابلتوجهی را زودتر از سن مورد انتظار نشان میداد.
به بیان دیگر ممکن است سن شناسنامهای یک فرد با سن زیستی یکی از اندامهای او تفاوت داشته باشد. این شکاف سنی میتواند اطلاعاتی درباره وضعیت سلامت و احتمال وجود فرآیندهای بیماریزا در بدن ارائه کند.
با این حال استفاده مستقیم از نمونه بافت برای ارزیابی وضعیت اندامها همیشه امکانپذیر نیست، زیرا نمونهبرداری از بسیاری از اندامها اقدامی تهاجمی است و نمیتوان آن را بهصورت معمول برای افراد انجام داد. از همین رو پژوهشگران مرحله دیگری از مطالعه را دنبال کردند.
تبدیل آزمایش خون به پنجرهای برای مشاهده سن اندامها
دانشمندان با ارتباط دادن الگوهای بیان ژن موجود در نمونههای خون با شکاف سنی بافتهایی که از تصاویر بافتشناسی به دست آمده بود مدلهایی ساختند که میتوانند سن زیستی اختصاصی بافتها را تنها از طریق نمونه خون پیشبینی کنند.
ایوا بولجان یکی از نویسندگان اول مطالعه این رویکرد را یک گام مفهومی مهم توصیف میکند، زیرا به گفته او پژوهشگران زبانی را که هوش مصنوعی از تصاویر برای درک پیری بافت یاد گرفته است به دادههایی تبدیل کردهاند که میتوان آنها را از طریق یک آزمایش خون معمولی خواند.
تشخیص الگوهای مرتبط با بیماریها از طریق خون
مدلهای مبتنی بر خون توانستند الگوهای پیری مرتبط با چندین بیماری را نیز شناسایی کنند از جمله بیماری آلزایمر، بیماری کرون، فیبروز کیستیک، واسکولیت، دیابت و سکته مغزی.
در بیماران مبتلا به آلزایمر قویترین سیگنال پیری در بافت مغز مشاهده شد. در مقابل بیماری کرون با نشانههای افزایشیافته پیری در بخشهای مختلف دستگاه گوارش همراه بود.
ییمین ژنگ یکی دیگر از نویسندگان اول مطالعه میگوید این یافتهها نشان میدهد پیری صرفا نتیجه گذشت زمان تقویمی نیست.
به گفته او اندامهای مختلف به شیوههای متفاوتی پیر میشوند و این فرآیندها احتمالا تحت تاثیر عوامل سیستمیک بدن و عوامل اختصاصی هر بافت قرار دارند.
گامی به سوی تشخیص کمتهاجمی بیماریها
پژوهشگران معتقدند معماری بافتی میتواند بسیاری از تغییرات مولکولی و فیزیولوژیکی مرتبط با پیری و بیماری را در خود منعکس کند. از این رو ترکیب تصاویر بافتشناسی، دادههای بیان ژن و اطلاعات بالینی میتواند تصویر جامعتری از نحوه پیرشدن بدن انسان ارائه دهد.
یکی از چشماندازهای مهم این فناوری توسعه روشهایی برای پایش سلامت اندامها و روند پیشرفت بیماری از طریق آزمایش خون است؛ روشی که در صورت اثبات کارایی و اعتبار بالینی میتواند نسبت به نمونهبرداری مستقیم از بافت، کمتهاجمیتر و قابلدسترستر باشد.
به نقل از برنا، این مطالعه همچنین نشاندهنده ظرفیت رو به رشد هوش مصنوعی در حوزه آسیبشناسی، پزشکی و تحقیقات مربوط به پیری است. پژوهشگران با اتصال دادههای تصویری بافتها به اطلاعات ژنتیکی و بالینی تلاش کردهاند تصویری دقیقتر از این موضوع ارائه دهند که پیری چگونه در اندامهای مختلف بدن رخ میدهد و بیماریها چگونه میتوانند این مسیر را تغییر دهند.
در نهایت ساعتهای بافتی نشان میدهند که برای درک سن زیستی انسان تنها نگاهکردن به عدد درجشده در شناسنامه کافی نیست، زیرا ممکن است هر اندام ساعت زیستی متفاوتی داشته باشد.