वृद्धावस्था शरीरातील जवळजवळ प्रत्येक प्रणालीला पुनर्रचना देते, आणि त्याचा एक शांत परिणाम रक्तात दिसून येतो. आपण वयानुसार मोठे होत असताना, हेमॅटोपोएटिक प्रणाली — रक्त पेशी तयार करण्यासाठी जबाबदार अवयव आणि ऊती — पुरेशी रक्त पेशी निर्मिती टिकवून ठेवण्यास कमी सक्षम होते. रक्त स्टेम पेशी कशा वृद्ध होतात आणि त्यांचे कार्य कसे जतन किंवा पुनर्संचयित केले जाऊ शकते याचा अभ्यास करणाऱ्या संशोधकांसाठी, ही घट केवळ कुतूहल नाही. ही एक मापन समस्या आहे.
बेल्विट्ज बायोमेडिकल रिसर्च इन्स्टिट्यूट (IDIBELL) येथील रीजनरेटिव्ह मेडिसिन कार्यक्रमातील संशोधक आणि ICREA संशोधन प्राध्यापक डॉ. मारिया कॅरोलिना फ्लोरियन, तसेच बार्सिलोना सुपरकंप्यूटिंग सेंटर — सेंट्रो नॅशनल डी सुपरकंप्युटासिओन (BSC-CNS) आणि बार्सिलोना इन्स्टिट्यूट फॉर ग्लोबल हेल्थ (ISGlobal) येथील डॉ. पाउला पेट्रोन यांच्या नेतृत्वाखालील एका संघाने ही समस्या सोडविण्यासाठी डिझाइन केलेले साधन सादर केले आहे. ChromAgeNet नावाची ही प्रणाली कृत्रिम बुद्धिमत्तेचा वापर करून हेमॅटोपोएटिक स्टेम पेशींच्या सूक्ष्मदर्शक प्रतिमांमधील वृद्धत्वाशी संबंधित नमुने क्रोमॅटिनच्या त्रिमितीय संरचनेचे विश्लेषण करून शोधते. हे निष्कर्ष Aging Cell या जर्नलमध्ये प्रकाशित झाले आहेत, आणि हे काम ISGlobal येथील संशोधक पाब्लो इआनेझ यांच्या डॉक्टरेट प्रबंधाचा केंद्रीय भाग होता.
क्रोमॅटिन पेशीबद्दल काय सांगते
क्रोमॅटिन म्हणजे पेशी केंद्रकातील सामग्री — प्रामुख्याने DNA आणि प्रथिनांनी बनलेली — जी DNA पॅकेज करते आणि कोणते जनुके सक्रिय आहेत हे नियंत्रित करण्यास मदत करते. हे पॅकेजिंग केवळ संरचनात्मक नाही. कारण ते जनुक क्रियाकलापांवर प्रभाव टाकते, क्रोमॅटिन संरचना पेशीची ओळख आणि कार्य निश्चित करण्यास मदत करते, आणि पेशी वृद्ध होत असताना ती बदलते.
ChromAgeNet हा त्या संबंधाचा थेट उपयोग करण्यासाठी तयार केला आहे. मोजक्या आण्विक मार्करांवर अवलंबून राहण्याऐवजी, हे साधन केंद्रक प्रतिमांमधील क्रोमॅटिनची त्रिमितीय मांडणी वाचते आणि एका फसव्या साध्या प्रश्नाचे उत्तर देते: हे केंद्रक तरुण दिसते की वृद्ध?
मॉडेल कसे प्रशिक्षित केले गेले
ही प्रणाली तयार करण्यासाठी, संशोधकांनी DAPI ने रंगवलेल्या माउस हेमॅटोपोएटिक स्टेम पेशी केंद्रकांच्या त्रिमितीय प्रतिमांसह काम केले, जे DNA दृश्यमान करण्यासाठी एक साधे आणि मोठ्या प्रमाणावर वापरले जाणारे तंत्र आहे. नंतर एक कन्व्होल्यूशनल न्यूरल नेटवर्क — विशेषतः प्रतिमांचे विश्लेषण करण्यासाठी डिझाइन केलेला AI मॉडेलचा वर्ग — केवळ देखाव्याच्या आधारे तरुण पेशी वृद्ध पेशींपासून वेगळ्या करण्यासाठी प्रशिक्षित केले गेले.
- प्रतिमा इनपुट: DAPI ने रंगवलेल्या माउस हेमॅटोपोएटिक स्टेम पेशी केंद्रकांच्या 3D सूक्ष्मदर्शक प्रतिमा.
- मॉडेल प्रकार: प्रतिमा विश्लेषणासाठी योग्य कन्व्होल्यूशनल न्यूरल नेटवर्क.
- कार्य: केंद्रक देखाव्यावरून प्रत्येक पेशी तरुण किंवा वृद्ध म्हणून वर्गीकृत करणे.
- केंद्रबिंदू: पूर्वनिर्धारित मार्करांऐवजी क्रोमॅटिनची त्रिमितीय संरचना.
हा दृष्टिकोन उल्लेखनीय आहे कारण तो मॉडेलला प्रतिमांमध्ये असलेली कोणतीही वेगळी वैशिष्ट्ये शिकण्यास सांगतो, त्याऐवजी संशोधकांनी ती आगाऊ निर्दिष्ट करणे आवश्यक नाही.
कार्यक्षमता: 77% अचूकता आणि एक मानक मागे टाकले
संशोधकांच्या मते, ChromAgeNet ने केंद्रकाच्या देखाव्यावर आधारित पेशी तरुण किंवा वृद्ध म्हणून योग्यरित्या वर्गीकृत करण्याची 77% संभाव्यता प्राप्त केली. त्या निकालाने संघाने पूर्वी हाताने परिभाषित केलेल्या क्रोमॅटिन वैशिष्ट्यांवर तयार केलेल्या मशीन लर्निंग मॉडेलला मागे टाकले.
ही तुलना महत्त्वाची आहे. हे सूचित करते की प्रशिक्षित न्यूरल नेटवर्क केंद्रकीय स्थापत्यशास्त्रातील अशा नमुन्यांना ओळखू शकते जे पारंपरिक, वैशिष्ट्य-आधारित दृष्टिकोन चुकवतात — माहिती जी प्रतिमांमध्ये उपस्थित आहे परंतु संशोधकांनी पाहण्यासाठी निवडलेल्या विशिष्ट मापनांद्वारे कैद केली जात नाही.
डोळ्यांना न दिसणारे शोधणे
या अभ्यासाची चौकट सूक्ष्मदर्शनातील एका परिचित समस्येवर केंद्रित आहे: मानवी निरीक्षक केंद्रकाचे वर्णन करू शकतात, परंतु क्रोमॅटिन पॅकिंगमधील सूक्ष्म, त्रिमितीय फरक वयाचे सातत्यपूर्ण सूचक म्हणून विश्वासार्हपणे क्रमवारी लावू शकत नाहीत. ChromAgeNet हे त्या सूक्ष्म फरकांना अशा सिग्नलमध्ये बदलण्याचा प्रयत्न आहे जो वारंवार आणि मोठ्या प्रमाणावर गणना केला जाऊ शकतो.
असा सिग्नल टिकून राहिल्यास, तो रक्त स्टेम पेशी वृद्धत्वाच्या अभ्यासाला अनेक प्रकारे आधार देऊ शकतो. एखादा उपचार स्टेम पेशी कार्य जतन करतो किंवा पुनर्संचयित करतो का हे तपासणाऱ्या प्रयोगांसाठी तो संभाव्य रीडआउट देते. सूक्ष्मदर्शकाखाली समान दिसणाऱ्या परंतु प्रत्यक्षात वेगळ्या वागणाऱ्या पेशी संशोधकांना वेगळ्या करण्यासही तो मदत करू शकतो.
आंतरविद्याशाखीय प्रयत्न
या प्रकल्पाने स्टेम पेशी जीवशास्त्र, वृद्धत्व, प्रतिमा विश्लेषण आणि कृत्रिम बुद्धिमत्तेतील कौशल्य एकत्र आणले — हे संयोजन सहभागी संस्थांमध्ये प्रतिबिंबित होते. हे काम IDIBELL च्या रीजनरेटिव्ह मेडिसिन कार्यक्रम, BSC-CNS आणि "la Caixa" फाउंडेशनद्वारे समर्थित केंद्र ISGlobal यांच्याशी संलग्न संशोधकांनी केले. हा अभ्यास सहकर्मी-पुनरावलोकित होता, आणि प्रकाशित आकृत्यांमध्ये वापरलेल्या प्रतिमांचे श्रेय IDIBELL च्या डॉ. एवा मेजिया यांना देण्यात आले.
निष्कर्ष काय सिद्ध करतात आणि काय नाही
हे निष्कर्ष माउस हेमॅटोपोएटिक स्टेम पेशी आणि DAPI-रंगवलेल्या केंद्रक प्रतिमांवर आधारित आहेत, आणि नोंदवलेली 77% अचूकता म्हणजे मॉडेल माहितीपूर्ण आहे परंतु अचूक नाही — अंदाजे चारपैकी एक वर्गीकरण उलट दिशेने जाण्याची अपेक्षा आहे. प्रकाशित सारांशात क्लिनिकल पडताळणी किंवा मानवी रुग्णांमध्ये वापराचे वर्णनही नाही.
या मर्यादा लक्षात ठेवण्यासारख्या आहेत. ChromAgeNet हे संशोधन साधन म्हणून सर्वोत्तम समजले जाते: स्टेम पेशी प्रयोगशाळांमध्ये आधीच मानक असलेल्या प्रतिमांमधून वृद्धत्वाशी संबंधित सिग्नल काढण्याचा एक मार्ग, स्वस्त आणि नित्याचे रंगकर्म तंत्र वापरून.
हे का महत्त्वाचे आहे
व्यापक stakes वयानुसार हेमॅटोपोएटिक प्रणालीच्या हळूहळू घटमानात आहेत. कारण ती प्रणाली रक्त पेशी पुरवते, तिची घट रोगप्रतिकारक शक्ती, ऑक्सिजन वाहतूक आणि गुठळ्या होण्यावर इतर कार्यांसह परिणाम करते. रक्त स्टेम पेशींचे वृद्धत्व निरीक्षण करणे सोपे करणारी साधने संशोधकांना काय बदलते, कधी, आणि कोणताही हस्तक्षेप मार्ग बदलतो का याबद्दल अधिक स्पष्ट प्रश्न विचारण्यास मदत करू शकतात.
ChromAgeNet चे योगदान जैविकाइतकेच पद्धतशीर आहे. हे दर्शवते की सामान्य सूक्ष्मदर्शनात कैद केलेले क्रोमॅटिन स्थापत्यशास्त्र न्यूरल नेटवर्कला शोधण्यासाठी पुरेशी वय-संबंधित माहिती धारण करते — आणि हा दृष्टिकोन शास्त्रज्ञांनी स्वतः परिभाषित केलेल्या वैशिष्ट्यांवर तयार केलेल्या मॉडेलपेक्षा चांगला कामगिरी करू शकतो. तोच सिग्नल इतर पेशी प्रकार, इतर प्रतिमा सेटअप किंवा मानवी नमुन्यांपर्यंत वाढवता येईल का हा खुला प्रश्न आहे जो अभ्यास सोडवत नाही.
मुख्य मुद्दा
- ChromAgeNet नावाचे AI साधन 3D क्रोमॅटिन संरचनेचे विश्लेषण करून हेमॅटोपोएटिक स्टेम पेशी प्रतिमांमधील वृद्धत्वाशी संबंधित नमुने ओळखते.
- मॉडेलने माउस रक्त स्टेम पेशी तरुण किंवा वृद्ध म्हणून 77% बरोबर असण्याच्या संभाव्यतेने वर्गीकृत केल्या.
- संशोधकांनी आगाऊ परिभाषित केलेल्या क्रोमॅटिन वैशिष्ट्यांवर आधारित मशीन लर्निंग मॉडेलपेक्षा त्याने चांगली कामगिरी केली.
- हे काम IDIBELL, BSC-CNS आणि ISGlobal येथील संशोधकांनी केले आणि Aging Cell मध्ये प्रकाशित झाले.
- हा दृष्टिकोन DAPI रंगकर्म आणि 3D केंद्रक प्रतिमांवर अवलंबून आहे, जी तंत्रे स्टेम पेशी संशोधनात आधीच सामान्य आहेत.
हा लेख Medical Xpress च्या अहवालावर आधारित आहे. मूळ लेख वाचा.
Originally published on medicalxpress.com
