پژوهشگران هوش مصنوعی مؤسسه فناوری ماساچوست (MIT) موفق شده‌اند با استفاده از مدل‌های پیشرفته یادگیری عمیق، رفتار سلول‌ها را در نخستین مراحل رشد جنین به‌صورت دقیقه‌به‌دقیقه پیش‌بینی کنند. این دستاورد که در مجله معتبر Nature Methods منتشر شده، گامی مهم در ترکیب هوش مصنوعی، زیست‌شناسی سلولی و مهندسی محسوب می‌شود و می‌تواند در آینده برای پیش‌بینی رشد بافت‌ها، اندام‌ها و حتی تشخیص زودهنگام بیماری‌هایی مانند آسم و سرطان به کار رود.

در مراحل اولیه رشد جنین، هزاران سلول به‌طور هم‌زمان جابه‌جا می‌شوند، تقسیم می‌شوند و ساختارهای پیچیده‌ای را شکل می‌دهند. این مرحله که با نام گاسترولاسیون (Gastrulation) شناخته می‌شود، تنها حدود یک ساعت طول می‌کشد اما نقشی حیاتی در شکل‌گیری نهایی موجود زنده دارد. تیم MIT توانسته است مدلی طراحی کند که این تغییرات پیچیده را در جنین مگس میوه با دقتی حدود ۹۰ درصد پیش‌بینی کند.

مدل دوگانه گراف؛ ترکیب دو دیدگاه علمی

دانشمندان تاکنون از دو روش اصلی برای مدل‌سازی رشد جنین استفاده می‌کردند:

1. مدل ابرنقاط (Point Cloud) که در آن هر سلول به‌صورت یک نقطه متحرک نمایش داده می‌شود.
2. مدل فومی (Foam Model) که سلول‌ها را مانند حباب‌هایی در تماس با یکدیگر در نظر می‌گیرد.

پژوهشگران MIT به‌جای انتخاب یکی از این روش‌ها، هر دو را با هم ترکیب کرده‌اند و یک مدل گراف دوگانه (Dual-Graph Model) ساخته‌اند. این مدل می‌تواند اطلاعات دقیقی مانند موقعیت سلول، ارتباط با سلول‌های مجاور، تقسیم سلولی و ایجاد چین‌خوردگی‌ها را ثبت و تحلیل کند.

آموزش مدل با داده‌های تصویری بسیار دقیق

برای آموزش این مدل هوش مصنوعی، از ویدئوهای سه‌بعدی بسیار باکیفیت از رشد جنین مگس میوه استفاده شده است. این ویدئوها با وضوح زیرمیکرونی و نرخ فریم بالا ثبت شده‌اند و شامل برچسب‌گذاری دقیق هسته و لبه‌های سلول‌ها هستند؛ داده‌هایی که به‌ندرت در دسترس پژوهشگران قرار می‌گیرند. مدل با استفاده از داده‌های سه جنین آموزش داده شد و سپس روی یک جنین جدید آزمایش شد. نتیجه نشان داد که سیستم می‌تواند پیش‌بینی کند کدام سلول، چه زمانی و چگونه تغییر شکل می‌دهد یا ارتباط خود را با سلول‌های دیگر قطع می‌کند.

آینده پزشکی و تشخیص زودهنگام بیماری‌ها

پژوهشگران معتقدند این فناوری می‌تواند در آینده برای بررسی رشد بافت‌های انسانی نیز به کار رود. برای مثال، بافت ریه در افراد مبتلا به آسم از همان مراحل اولیه رشد، رفتار متفاوتی نسبت به بافت سالم دارد. این مدل هوش مصنوعی می‌تواند این تفاوت‌های ظریف را شناسایی کرده و مسیر را برای تشخیص زودهنگام، غربالگری دارویی و پزشکی شخصی‌سازی‌شده هموار کند. به گفته محققان، محدودیت اصلی در حال حاضر کمبود داده‌های تصویری باکیفیت از بافت‌های مختلف است و از نظر فنی، مدل آمادگی استفاده در سیستم‌های پیچیده‌تر مانند ماهی زبرا، موش و حتی بافت‌های انسانی را دارد.

منبع خبر: news.mit