یک تیم متشکل از پژوهشگران آکادمیک و یک شرکت استارتاپ علمی، سیستم شناسایی و دسته بندی سلولی جدیدی به نام Ghost Cytometry را اختراع کرده‌اند. این سیستم یک تکنیک تصویربرداری نوین را با هوش مصنوعی ترکیب می‌کند تا سلول‌ها را با سرعت بازده بالایی، شناسایی و دسته بندی کند. دانشمندانی که این پروژه را سرپرستی می‌کنند امیدوارند که روش آن‌ها برای شناسایی و دسته بندی سلول‌های سرطانی در خون بیمار، کشف سریع‌تر داروها را ممکن ساخته و کیفیت درمان‌های پزشکی مبتنی بر سلول را افزایش دهد.
سادائو اوتا، استادیار دانشگاه توکیو در این خصوص اظهار دارد: « Ghost Cytometryبه پژوهشگرانی که نیاز دارند سلول‌ها را در آزمایشگاه دسته‌بندی کنند، کمک خواهد کرد. همچنین برای پزشکان و بیمارانی که نیاز به جداسازی و تشخیص سریع و دقیق نمونه‌های سلولی دارند، مفید خواهد بود.»
در مقاله ای که امروز منتشر شده است، پژوهشگران توضیح داده اند که Ghost Cytometry چگونه می‌تواند حداقل دو نوع متفاوت از سلول‌ها را با اندازه و ساختار مشابه، با درصد خطای بسیار پایین، دسته بندی کند. Ghost Cytometry قادر است سلول‌ها را با نرخ بیش از هزار سلول در ثانیه شناسایی کرده و آن ها را در گروه‌های مناسب، با نرخ چندین هزار سلول در ثانیه، قرار دهد.
ماشین‌های دسته‌بندی سلول کنونی نمی‌توانند بین انواع سلول‌هایی که ظاهر مشابه دارند تمایز قائل شوند. متخصصانی که روزانه از میکروسکوپ استفاده می‌کنند تنها می‌توانند کمتر از ۱۰ سلول را در ثانیه شناسایی و دسته بندی کنند که البته گاهی اوقات با دقتی بسیار پایین همراه است.
نام Ghost Cytometry به چگونگی آنالیز این تکیک، روشی که داده‌های موج‌های نور حداقلی را بدون تبدیل از داده‌های نوری به یک تصویر، بررسی می‌کند، می‌پردازد. روش‌های کنونی برای شناسایی انواع متفاوت سلول‌ها به تصویرهای میکروسکوپی از آن‌ها وابسته است و با برنامه شناسایی تصویر کامپیوتری یا یک اپراتور مشاهده‌گر، دسته‌بندی می‌شوند. وابستگی این تکنولوژی به تصاویر کامل، دسته بندی سلول در زمان واقعی با بازده بالا را تبدیل به هدفی دست نیافتنی کرده است.
اوتا بیان کرده است: «در ابتدای این پروژه، ما یک تیم کوچک از دانشمندان جوان در یک اتاق با تجهیزات کم بودیم و به علت محدودیت منابع، تنها روی موثرترین روش استفاده از اطلاعات، به جای ساخت سخت افزارهای بهتر، تمرکز کردیم. این کار منجر به پردازش این ایده گردید که به جای تولید یک تکنیک مبتنی بر تصویر با سبک مرسوم، اطلاعات بصری را به فرمتی تبدیل کنیم که به ما امکان می‌دهد توسط یادگیری ماشینی آن را به سرعت پردازش نماییم.»
اوتا بخشی از این گروه بین رشته‌ای پژوهشی شامل متخصصان تصویربرداری نوری، مهندسان زیستی، زیست فیزیک دانان و متخصصان یادگیری ماشینی بود که این تکنیک را طراحی کردند. برخی از اعضای این تیم پژوهشی ThinkCyte را نیز با هدف تجاری سازی این تجهیزات تاسیس کردند.
اوتا معتقد است: «گاهی اوقات هیچ لکه، رنگ و دیگر زیست نشانگری وجود ندارد که به طور موثر انواع متفاوت سلول یا وضعیت های فعالیت متفاوت یک سلول را مشخص کند. این زمانی است که Ghost Cytometry می‌تواند برای پزشکان، بیماران و پژوهشگران به طور ویژه ارزشمند باشد.»
نتایج حاصل از این مطالعه جالب در مجله Science منتشر شده است.
❇️ ترجمه: آزاده داودی
✅ منبع: Science
✅ عضویت در کانال زیست فن
