امروزه به کمک فناوری‌های مدرن این امکان برای محققان فراهم آمده است تا هر سلول را به‌صورت منفرد بررسی کرده و بتوانند مشخص سازند که دقیقاً در آن سلول چه ژن‌هایی بیان شده است. این روش‌ها به‌شدت حساس هستند و درنتیجه احتمال خطا در آن‌ها وجود دارد. دستگاه‌ها، محیط و زیست‌شناس می‌تواند مسئول شکست‌ها و تفاوت‌هایی باشد که بین اندازه‌گیری‌ها رخ می‌دهند. محققان در دو مؤسسه‌ی Helmholtz Zentrun Munchen، دانشگاه فنی مونیخ (TUM) و با همکاری مؤسسه‌ی Wellcome Sanger در انگلستان توانستند الگوریتمی طراحی کنند که این امکان را پیشِ روی محققان می‌گذارد تا منبع خطاها و مشکلات در زمینه‌ی توالی‌یابی RNA را پیش‌بینی و اطلاح نمایند.
یکی از چشم‌اندازهایی که برای آینده ترسیم می‌شود، با هدف ایجاد یک پایگاه داده مرجع برای توسعه‌بخشیدن به پزشکی شخصی، ایجاد یک اطلس از سلول‌های بافت‌های بدن در زمان‌های مختلف، است. یکی از فناوری‌هایی که در راستای این چشم‌انداز طراحی شده، فناوری به نام توالی‌یابی RNA تک سلولی است، که به محققان کمک می‌کند که مشخص سازند که دقیقاً کدام‌یک از ژن‌ها در هر لحظه فعال یا غیرفعال می‌شوند.
بااین‌حال، افزایش حساسیت این تکنیک نیز به معنای افزایش حساسیت به نوسانات و تغییرات احتمالی است که بین اندازه‌گیری‌ها رخ می‌دهد.؛ مانند، تغییر کم در دمای دستگاه یا تغییر در زمان پردازش سلول. علی‌رغم اینکه چندین مدل برای اصلاح این انحراف وجود دارد، اما این روش‌ها به‌شدت به مقدار واقعی اثر متکی هستند.؛ بنابراین دانشمندان یک معیار محکم و با حساسیت بالا به نام kBET، طراحی کردیند که به کمک آن می‌توان تفاوت بین آزمایش‌ها را اندازه‌گیری کرد و نتایج مختلف را مقایسه و اصلاح کنند. همچنین به کمک این شیوه خواهند توانست انواع مختلفی از توالی‌یابی RNA تک سلولی را بررسی کنند. این شیوه امکان ادغام داده‌ها و تهیه‌ی یک اطلس سلولی را فراهم می‌آورد.
علاوه براین، پدیده‌ی دیگری به‌نام رویدادهای خروج یا “dropout events”، در توالی‌یابی تک سلولی چالش عمده‌ای است. به اعتقاد دکتر تِیس- مدیر ICB و استاد مدل‌سازی ریاضی سیستم‌های بیولوژیکی در TUM- ممکن است در زمان بررسی یک سلول ویژه متوجه شویم که هیچ سیگنالی از یک ژن ویژه وجود ندارد؛ این امر ممکن است تحت تاثیر علل بیولوژیکی یا فنی قرار داشته باشد که ژن به سادگی بیان نشده یا ازنظر فنی شناسایی نشده است. این تیم مطالعاتی برای غلبه بر این موانع از یک الگوریتم یادگیری عمیق استفاده کردند.
براساس این الگوریتم می‌توان تعیین کرد که آیا عدم وجود سیگنال از یک ژن ناشی از علل بیولوژیکی است یا تحت تاثیر علل فنی است. به اعتقاد دکتر تِیس: “از دیگر مزایای این الگوریتم این است که می‌تواند مجموعه داده‌های میلیون‌ها سلول را مدیریت کند. “
به اعتقاد این تیم مطالعاتی هدف طراحی این روش شناسایی و اصلاح اشتباهات و نیز قابل مقایسه کردن داده‌های بدست آمده در مطالعات مختلف است.
☑ لینک خبر
☑ لینک مقاله
