বার্ধক্য শরীরের প্রায় প্রতিটি সিস্টেমকে পুনর্গঠিত করে, আর এর একটি নীরব প্রভাব রক্তে প্রকাশ পায়। বয়স বাড়ার সঙ্গে সঙ্গে হেমাটোপয়েটিক সিস্টেম — রক্তকণিকা উৎপাদনের জন্য দায়ী অঙ্গ ও টিস্যু — পর্যাপ্ত রক্তকণিকা উৎপাদন ধরে রাখতে কম সক্ষম হয়ে পড়ে। রক্তের স্টেম সেল কীভাবে বয়সপ্রাপ্ত হয় এবং তাদের কার্যকারিতা কীভাবে সংরক্ষণ বা পুনরুদ্ধার করা যায় তা নিয়ে গবেষণা করা গবেষকদের জন্য এই ক্ষয় কেবল কৌতূহলের বিষয় নয়। এটি একটি পরিমাপের সমস্যা।
বেলভিটজ বায়োমেডিক্যাল রিসার্চ ইনস্টিটিউট (IDIBELL)-এর রিজেনারেটিভ মেডিসিন প্রোগ্রামের গবেষক এবং ICREA রিসার্চ প্রফেসর ড. মারিয়া ক্যারোলিনা ফ্লোরিয়ান এবং বার্সেলোনা সুপারকম্পিউটিং সেন্টার — সেন্ট্রো ন্যাসিওনাল দে সুপারকম্পুটাসিওন (BSC-CNS) ও বার্সেলোনা ইনস্টিটিউট ফর গ্লোবাল হেলথ (ISGlobal)-এর ড. পাওলা পেট্রোনের নেতৃত্বে একটি দল এটি সমাধানে সহায়তার জন্য একটি টুল চালু করেছে। ChromAgeNet নামের এই সিস্টেম কৃত্রিম বুদ্ধিমত্তা ব্যবহার করে ক্রোমাটিনের ত্রিমাত্রিক সংগঠন বিশ্লেষণ করে হেমাটোপয়েটিক স্টেম সেলের মাইক্রোস্কোপি ইমেজে বয়স-সম্পর্কিত প্যাটার্ন শনাক্ত করে। ফলাফল Aging Cell জার্নালে প্রকাশিত হয়েছে, এবং এই কাজটি ISGlobal-এর গবেষক পাবলো ইয়ানিয়েজের ডক্টরাল থিসিসের একটি কেন্দ্রীয় অংশ ছিল।
ক্রোমাটিন একটি কোষ সম্পর্কে কী বলে
ক্রোমাটিন হলো কোষের নিউক্লিয়াসের ভেতরের উপাদান — প্রধানত DNA ও প্রোটিন দিয়ে গঠিত — যা DNA প্যাকেজ করে এবং কোন জিন সক্রিয় থাকে তা নিয়ন্ত্রণে সহায়তা করে। এই প্যাকেজিং কেবল কাঠামোগত নয়। যেহেতু এটি জিনের কার্যক্রমকে প্রভাবিত করে, ক্রোমাটিন সংগঠন একটি কোষের পরিচয় ও কার্যকারিতা নির্ধারণে সহায়তা করে, এবং কোষের বয়স বাড়ার সঙ্গে সঙ্গে এটি পরিবর্তিত হয়।
ChromAgeNet সেই সম্পর্ককে সরাসরি কাজে লাগানোর জন্য তৈরি। কয়েকটি আণবিক মার্কারের ওপর নির্ভর করার বদলে, টুলটি নিউক্লিয়ার ইমেজের ভেতরে ক্রোমাটিনের ত্রিমাত্রিক বিন্যাস পড়ে এবং একটি আপাতদৃষ্টিতে সরল প্রশ্নের উত্তর দেয়: এই নিউক্লিয়াসটি তরুণ দেখায় নাকি বয়সপ্রাপ্ত?
মডেলটি কীভাবে প্রশিক্ষিত হয়েছিল
সিস্টেমটি তৈরির জন্য গবেষকরা DAPI দিয়ে দাগযুক্ত ইঁদুরের হেমাটোপয়েটিক স্টেম সেল নিউক্লিয়াসের ত্রিমাত্রিক ইমেজ নিয়ে কাজ করেছেন, যা DNA দৃশ্যমান করার একটি সরল ও বহুল ব্যবহৃত কৌশল। এরপর একটি কনভোলিউশনাল নিউরাল নেটওয়ার্ক — বিশেষভাবে ইমেজ বিশ্লেষণের জন্য ডিজাইন করা এক শ্রেণির এআই মডেল — কেবল চেহারার ভিত্তিতে তরুণ কোষকে বয়সপ্রাপ্ত কোষ থেকে আলাদা করতে প্রশিক্ষিত করা হয়।
- ইমেজিং ইনপুট: DAPI দিয়ে দাগযুক্ত ইঁদুরের হেমাটোপয়েটিক স্টেম সেল নিউক্লিয়াসের 3D মাইক্রোস্কোপি ইমেজ।
- মডেলের ধরন: ইমেজ বিশ্লেষণের উপযোগী একটি কনভোলিউশনাল নিউরাল নেটওয়ার্ক।
- কাজ: নিউক্লিয়ার চেহারা থেকে প্রতিটি কোষকে তরুণ বা বয়সপ্রাপ্ত হিসেবে শ্রেণীবদ্ধ করা।
- মনোযোগের কেন্দ্র: পূর্বনির্ধারিত মার্কারের বদলে ক্রোমাটিনের ত্রিমাত্রিক সংগঠন।
এই পদ্ধতি উল্লেখযোগ্য কারণ এটি মডেলকে ইমেজে বিদ্যমান যে কোনো স্বতন্ত্র বৈশিষ্ট্য শিখতে বলে, গবেষকদের আগে থেকে তা নির্দিষ্ট করতে বাধ্য করে না।
কর্মক্ষমতা: ৭৭% নির্ভুলতা এবং একটি বেঞ্চমার্ক অতিক্রম
গবেষকদের মতে, ChromAgeNet নিউক্লিয়াসের চেহারার ভিত্তিতে কোষকে তরুণ বা বয়সপ্রাপ্ত হিসেবে সঠিকভাবে শ্রেণীবদ্ধ করার ৭৭% সম্ভাবনা অর্জন করেছে। এই ফলাফল দলটি আগে হাতে নির্ধারণ করা ক্রোমাটিন বৈশিষ্ট্যের ওপর নির্মিত একটি মেশিন লার্নিং মডেলকে ছাড়িয়ে গেছে।
এই তুলনা গুরুত্বপূর্ণ। এটি ইঙ্গিত দেয় যে একটি প্রশিক্ষিত নিউরাল নেটওয়ার্ক নিউক্লিয়ার আর্কিটেকচারের এমন প্যাটার্ন ধরতে পারে যা প্রচলিত, বৈশিষ্ট্য-ভিত্তিক পদ্ধতি মিস করে — এমন তথ্য যা ইমেজে বিদ্যমান কিন্তু গবেষকরা দেখার জন্য বেছে নেওয়া নির্দিষ্ট পরিমাপে ধরা পড়ে না।
যা চোখ দেখতে পারে না তা শনাক্ত করা
গবেষণার কাঠামো মাইক্রোস্কোপির একটি পরিচিত সমস্যার ওপর কেন্দ্রীভূত: মানব পর্যবেক্ষকরা একটি নিউক্লিয়াস বর্ণনা করতে পারেন, কিন্তু ক্রোমাটিন প্যাকিংয়ের সূক্ষ্ম, ত্রিমাত্রিক পার্থক্যকে বয়সের ধারাবাহিক সূচক হিসেবে নির্ভরযোগ্যভাবে র্যাঙ্ক করতে পারেন না। ChromAgeNet সেই সূক্ষ্ম পার্থক্যগুলোকে এমন একটি সংকেতে রূপান্তরের চেষ্টা, যা বারবার ও বড় পরিসরে গণনা করা যায়।
যদি এমন সংকেত টিকে থাকে, এটি কয়েকটি উপায়ে রক্তের স্টেম সেল বার্ধক্যের গবেষণাকে সহায়তা করতে পারে। এটি এমন পরীক্ষার জন্য সম্ভাব্য রিডআউট দেয় যা যাচাই করে কোনো চিকিৎসা স্টেম সেলের কার্যকারিতা সংরক্ষণ বা পুনরুদ্ধার করে কি না। এটি গবেষকদের এমন কোষ আলাদা করতেও সহায়তা করতে পারে যা মাইক্রোস্কোপের নিচে একই রকম দেখায় কিন্তু বাস্তবে ভিন্নভাবে আচরণ করে।
একটি আন্তঃবিষয়ক প্রচেষ্টা
এই প্রকল্পটি স্টেম সেল জীববিজ্ঞান, বার্ধক্য, ইমেজ বিশ্লেষণ ও কৃত্রিম বুদ্ধিমত্তার দক্ষতা একত্রিত করেছে — একটি সমন্বয় যা জড়িত প্রতিষ্ঠানগুলোতে প্রতিফলিত। কাজটি IDIBELL-এর রিজেনারেটিভ মেডিসিন প্রোগ্রাম, BSC-CNS এবং "la Caixa" ফাউন্ডেশন সমর্থিত কেন্দ্র ISGlobal-এর সঙ্গে সংশ্লিষ্ট গবেষকদের নেতৃত্বে পরিচালিত হয়। গবেষণাটি পিয়ার-রিভিউ করা হয়েছিল, এবং প্রকাশিত চিত্রে ব্যবহৃত ইমেজিং IDIBELL-এর ড. ইভা মেহিয়াকে কৃতিত্ব দেওয়া হয়েছে।
ফলাফল কী প্রতিষ্ঠা করে এবং কী করে না
ফলাফলগুলো ইঁদুরের হেমাটোপয়েটিক স্টেম সেল এবং DAPI-দাগযুক্ত নিউক্লিয়ার ইমেজের ওপর ভিত্তি করে, এবং রিপোর্ট করা ৭৭% নির্ভুলতার অর্থ হলো মডেলটি তথ্যপূর্ণ কিন্তু অভ্রান্ত নয় — প্রায় প্রতি চারটি শ্রেণীবিভাগের একটিতে বিপরীত ফলাফল প্রত্যাশিত হবে। প্রকাশিত সারাংশে ক্লিনিক্যাল যাচাই বা মানব রোগীদের ক্ষেত্রে ব্যবহারের বর্ণনাও নেই।
এই সীমাগুলো দৃষ্টিতে রাখা উচিত। ChromAgeNet-কে সবচেয়ে ভালোভাবে একটি গবেষণা যন্ত্র হিসেবে বোঝা যায়: স্টেম সেল ল্যাবরেটরিতে ইতিমধ্যে প্রচলিত ইমেজ থেকে বয়স-সম্পর্কিত সংকেত বের করার একটি উপায়, যা সস্তা ও রুটিন একটি দাগ কৌশল ব্যবহার করে।
কেন এটি গুরুত্বপূর্ণ
বৃহত্তর stakes হলো বয়সের সঙ্গে হেমাটোপয়েটিক সিস্টেমের ধীর ক্ষয়। যেহেতু এই সিস্টেম রক্তকণিকা সরবরাহ করে, এর অবনতি অন্যান্য কার্যকারিতার মধ্যে অনাক্রম্যতা, অক্সিজেন পরিবহন ও জমাট বাঁধাকে স্পর্শ করে। যে টুলগুলো রক্তের স্টেম সেলের বার্ধক্যকে পর্যবেক্ষণ করা সহজ করে, সেগুলো গবেষকদের কী পরিবর্তিত হয়, কখন, এবং কোনো হস্তক্ষেপ গতিপথ বদলায় কি না তা নিয়ে আরও সূক্ষ্ম প্রশ্ন করতে সহায়তা করতে পারে।
ChromAgeNet-এর অবদান জীববৈজ্ঞানিক যতটা, ততটাই পদ্ধতিগত। এটি দেখায় যে সাধারণ মাইক্রোস্কোপিতে ধারণ করা ক্রোমাটিন আর্কিটেকচার একটি নিউরাল নেটওয়ার্কের শনাক্ত করার মতো যথেষ্ট বয়স-সম্পর্কিত তথ্য বহন করে — এবং এই পদ্ধতি বিজ্ঞানীরা নিজেরা নির্ধারণ করা বৈশিষ্ট্যের ওপর নির্মিত একটি মডেলকে ছাড়িয়ে যেতে পারে। একই সংকেত অন্য কোষের ধরন, অন্য ইমেজিং সেটআপ বা মানব নমুনায় সম্প্রসারিত করা যায় কি না, তা একটি খোলা প্রশ্ন যা এই গবেষণা নিষ্পত্তি করে না।
মূল কথা
- ChromAgeNet নামের একটি এআই টুল 3D ক্রোমাটিন সংগঠন বিশ্লেষণ করে হেমাটোপয়েটিক স্টেম সেলের ইমেজে বয়স-সম্পর্কিত প্যাটার্ন শনাক্ত করে।
- মডেলটি ইঁদুরের রক্তের স্টেম সেলকে তরুণ বা বয়সপ্রাপ্ত হিসেবে ৭৭% সঠিক হওয়ার সম্ভাবনায় শ্রেণীবদ্ধ করেছে।
- এটি গবেষকদের আগে থেকে নির্ধারণ করা ক্রোমাটিন বৈশিষ্ট্যের ওপর ভিত্তি করে তৈরি একটি মেশিন লার্নিং মডেলকে ছাড়িয়ে গেছে।
- কাজটি IDIBELL, BSC-CNS ও ISGlobal-এর গবেষকদের নেতৃত্বে পরিচালিত এবং Aging Cell-এ প্রকাশিত।
- এই পদ্ধতি DAPI দাগ ও 3D নিউক্লিয়ার ইমেজিংয়ের ওপর নির্ভর করে, যা স্টেম সেল গবেষণায় ইতিমধ্যে প্রচলিত।
এই নিবন্ধটি Medical Xpress-এর প্রতিবেদনের ওপর ভিত্তি করে। মূল নিবন্ধ পড়ুন।
Originally published on medicalxpress.com
