به گزارش خبرنگار گروه علم و فناوری خبرگزاری برنا؛ دانشمندان با همکاری یکدیگر تکنیک‌های پیشرفته میکروسکوپی را با هوش مصنوعی ترکیب کرده‌اند تا درک بهتری از تومور‌های مغزی گلیوبلاستوما به دست آورند.
در سال ۲۰۲۱، پژوهشگران مؤسسه EMBL با همکاری‌هایی از کشور‌های آلمان، اتریش، آرژانتین، چین، فرانسه، ایالات متحده، هند و اردن تکنیک جدیدی در میکروسکوپی توسعه دادند.
گروه تحقیقاتی به رهبری رابرت پرودل، رهبر گروه EMBL، با این همکاران متنوع همکاری کردند تا به برخی از چالش‌هایی که دانشمندان عصب‌شناس در مطالعه مناطق عمیق مغز با آن مواجه هستند، رسیدگی کنند. پیش از این، بافت پراکنده مغز مانعی برای دانشمندان در مشاهده نورون‌ها و سلول‌های گلیال به نام آستروسیت‌ها بود و مطالعه نحوه ارتباط آنها در عمق قشر مغز را دشوار می‌کرد. همچنین مشاهده سلول‌های عصبی در هیپوکامپ، یکی دیگر از مناطق عمیق مغز که مسئول حافظه فضایی و جهت‌یابی است، سخت بود.
دانشمندان رویکرد جدید خود را بر اساس روش‌های پیشرفته میکروسکوپی پایه‌گذاری کردند که می‌توانست دید وسیع‌تر و شفاف‌تری را فراهم کند و در عین حال اعوجاج ناشی از پراکندگی امواج نوری در بافت عمیق مغز را تصحیح کند. آنها بسیاری از کاربرد‌های آینده‌نگر را برای این فناوری در تحقیقات مغزی متصور بودند.
اکنون، در یک مطالعه منتشر شده در مجله Nature Communications، پرودل با عصب‌شناسان، نوروانکولوژیست‌ها و متخصصان هوش مصنوعی همکاری کرده تا این میکروسکوپ را به سطح بعدی برساند. نتیجه این همکاری، میکروسکوپی است که می‌تواند نورون‌های زنده – و دیگر انواع سلول‌های مغزی – را در عمق مغز به مدت طولانی مشاهده کند.
پرودل گفت: «ما اکنون از گرفتن یک عکس لحظه‌ای از سلول‌ها در مغز موش به بزرگنمایی روی سلول‌های خاص و دنبال کردن آنها به مدت چندین ساعت یا حتی روز‌ها رسیده‌ایم. همچنین، گنجاندن رویکرد‌های سفارشی هوش مصنوعی به ما این امکان را داده که بتوانیم بخش‌های مختلفی از محیط خرد سلول‌ها را تشخیص دهیم که این موضوع برای درک رفتار آنها در بستر خود بسیار مهم است.»
آزمودن تکنیک
در سال ۲۰۲۱، وارون ونکتارامانی از کلینیک نورولوژی بیمارستان دانشگاه هایدلبرگ با علاقه زیاد مقاله‌ای در مورد این رویکرد جدید به میکروسکوپی بافت‌های عمیق خواند. پژوهش او بر تومور‌های مغزی انسانی – به ویژه گلیوبلاستوما که تومور‌هایی رایج، سریع‌الرشد و علاج‌ناپذیر هستند – متمرکز بود. ونکتارامانی در حال یادگیری بیشتر و بیشتر درباره مکانیسم‌های عصبی بود که چگونگی منشأ، پیشرفت و در نهایت پاسخ یا مقاومت تومور‌ها در برابر درمان را تعیین می‌کند. با این حال، روش میکروسکوپی او در آن زمان عمق تصویربرداری محدودی داشت و بیشتر آنها محدود به ماده خاکستری مغز بودند.
ونکتارامانی گفت: «مقاله گروه رابرت در سال ۲۰۲۱ تکنیک میکروسکوپی بافت‌های عمیق را معرفی کرد که باور داشتم می‌تواند قابلیت‌های تصویربرداری ما را به ماده سفید جسم پینه‌ای گسترش دهد.» ماده سفید نقش مهمی در ارتباط بین مناطق مختلف ماده خاکستری مغز و سایر بخش‌های بدن دارد.
وی افزود: «این می‌توانست فرایند‌های زیستی جدیدی را آشکار کند و بینش‌هایی در مورد رفتار این تومور‌ها در یک محیط مهم و کمتر مطالعه‌شده ارائه دهد.»
گلیوبلاستوما‌ها در درجه اول یک بیماری ماده سفید هستند. تکنیک تصویربرداری پیشرفته جدید به تیم ونکتارامانی اجازه داد تا این سلول‌های تومور را در محیط خرد آنها در ماده سفید مشاهده کنند. این قابلیت برای درک چگونگی تهاجم سلول‌های تومور به فیبر‌های عایق‌بندی‌شده جسم پینه‌ای و سپس سازگاری و گسترش آنها در سراسر مغز حیاتی بود. این فرایند همچنین با تهاجم مرگبار گلیوبلاستوما به ساختار‌های حیاتی مغز مرتبط است.
مارک شوبرت، یکی از نویسندگان اصلی این مطالعه و دانشجوی پزشکی در دانشگاه هایدلبرگ، گفت: «مشاهده تهاجم سلول‌های تومور به جسم پینه‌ای در زمان واقعی بسیار شگفت‌انگیز بوده است.»
ونکتارامانی گفت: «در این مرحله، فکر می‌کنم مهم‌ترین جنبه این تحقیق بنیادی این است که برای اولین بار به ما امکان می‌دهد این تومور‌ها را در محیط خرد زیستی آنها مطالعه کنیم.»
وی افزود: «این یافته‌ها همچنین به توضیح چالش‌های کنونی در تشخیص سلول‌های گلیوبلاستوما در لبه‌های نفوذی تومور با استفاده از تکنیک‌های MRI متداول کمک می‌کند، که در تصویربرداری بالینی استاندارد استفاده می‌شود. به عنوان یک عصب‌شناس، نورولوژیست و نوروانکولوژیست، من پتانسیل این فناوری را در پر کردن شکاف بین تحقیقات آزمایشگاهی و کاربرد بالینی می‌بینم که می‌تواند نحوه تشخیص و شاید درمان تومور‌های مغزی را بهبود بخشد.»
یکی از ویژگی‌های مهم این همکاری اخیر این بود که پژوهشگران از عنصری از هوش مصنوعی استفاده کردند.
پرودل گفت: «از دیدگاه توسعه فنی، روش‌های مبتنی بر هوش مصنوعی به ما کمک کردند تا تصاویرمان را از نویز‌های اضافی پاک کنیم، به طوری که کنتراست اکنون بسیار واضح‌تر است.» او افزود: «هوش مصنوعی می‌تواند ساختار‌های مختلف داخل ماده سفید، مانند فیبر‌های عایق‌بندی‌شده و رگ‌های خونی را تشخیص دهد، که به دلایل مختلفی اهمیت دارد. هوش مصنوعی واقعاً در پیشبرد سطح این میکروسکوپ برای پاسخ به این سوالات پزشکی حیاتی نقش داشته است.»
گروه تحقیقاتی آنا کرشوک در EMBL هایدلبرگ این تخصص هوش مصنوعی را ارائه داد. گروه کرشوک در ایجاد یک جریان کاری سفارشی کمک کرد که به جداسازی سیگنال‌های رگ‌های خونی از سیگنال‌های فیبر‌های عصبی عایق‌شده کمک کرد و محیط خرد سلول‌های تومور را واضح‌تر کرد.
در نتیجه، پژوهشگران توانستند یک نشانگر زیستی تصویربرداری بالقوه را که به ویژگی‌های ساختاری محیط خرد ماده سفید مرتبط است، شناسایی کنند. این جریان کاری نوآورانه زمینه را برای شناسایی الگو‌های تصویربرداری گلیوبلاستوما فراهم می‌کند تا تومور‌ها زودتر از زمانی که در حال حاضر قابل تشخیص هستند، شناسایی شوند.
انتهای پیام/