در حالی که فناوری‌های پردازش داده و یادگیری ماشین به‌طور گسترده در بهینه‌سازی زیرساخت‌های ارتباطی مورد استفاده قرار می‌گیرند، کاربرد این ابزارهای محاسباتی در زیست‌شناسی مولکولی افق‌های تازه‌ای را برای درک بیماری‌های ناتوان‌کننده گشوده است. پژوهشگران با بهره‌گیری از پلتفرم محاسباتی اپیسوییچ (EpiSwitch)، ارتباطی عمیق میان پنج بیماری مختلف کشف کرده‌اند که نشان می‌دهد چگونه معماری سه‌بعدی ژنوم می‌تواند کلید حل معمای خستگی‌های مزمن باشد.
معماری محاسباتی و یادگیری ماشین در خدمت زیست‌شناسی
پژوهشگران دانشگاه ایست آنگلیا و شرکت آکسفورد بایوداینمیکس برای عبور از محدودیت‌های تحلیل خطی دی‌ان‌ای، به سراغ الگوریتم‌های یادگیری ماشین رفته‌اند. در گذشته، تحلیل‌های ژنومی عمدتاً بر بررسی توالی‌های خطی متمرکز بود؛ اما این رویکرد جدید با در نظر گرفتن ساختار سه‌بعدی کروموزوم‌ها و تعاملات فضایی ژن‌ها در هسته سلول، توانست الگوهای پنهانی را شناسایی کند. پلتفرم اپیسوییچ که پیش‌تر در توسعه نمونه‌های آزمایشگاهی مطرح شده بود، در اینجا نقش یک پردازشگر داده‌های کلان (Big Data) را ایفا کرد تا ارتباطات میان مسیرهای التهابی و واکنش‌های ایمنی را تحلیل کند.
تحلیل زیرساخت زیستی: از شبکه‌های عصبی تا ژن‌های هاب
تحلیل‌های انجام‌شده نشان می‌دهد که علائم مشابهی مانند «مه مغزی» یا «خستگی طاقت‌فرسا» در پنج بیماری متفاوت (کووید مزمن، ME/CFS، PTSD، آرتریت روماتوئید و ام‌اس)، حاصل خروجی یک «رودخانه زیستی» مشترک است. در این تحلیل، ژن‌های خاصی تحت عنوان «ژن‌های هاب» شناسایی شدند که در شلوغ‌ترین نقاط شبکه‌های زیستی قرار دارند. این ژن‌ها مدیریت واکنش‌های ایمنی، پیام‌رسانی هورمونی و تولید انرژی در میتوکندری‌ها را بر عهده دارند. اختلال در عملکرد این هاب‌ها، مشابه با گلوگاه‌های ترافیکی در شبکه، منجر به بروز علائم بالینی یکسان در بیماری‌هایی با ریشه‌های متفاوت شده است.
فرسودگی سلولی؛ تقارن با مفهوم «خستگی سیستم»
یکی از یافته‌های کلیدی این پژوهش، پدیده‌ای تحت عنوان «فرسودگی سلول‌های ایمنی» است. از منظر مهندسی سیستم‌ها، این وضعیت شباهت زیادی به نشت حافظه (Memory Leak) یا تخلیه منابع در یک سیستم عامل دارد که در اثر پردازش مداوم و بدون وقفه ایجاد می‌شود. فعال‌شدن مزمن سیستم ایمنی در پاسخ به عوامل محیطی، استرس یا عفونت، منجر به حالتی از خستگی عملکردی در سلول‌ها می‌شود که تأثیرات آن فراتر از بافت آسیب‌دیده، کل ارگانیسم را تحت تأثیر قرار می‌دهد.
مشخصات و یافته‌های کلیدی پژوهش
- پلتفرم محاسباتی: استفاده از الگوریتم‌های یادگیری ماشین برای تحلیل اپی‌ژنتیک سه‌بعدی.
- حوزه شناسایی: تحلیل تعاملات ژن‌ها در فضای سه‌بعدی سلول و شناسایی «ژن‌های هاب».
- یافته‌های بالینی: ارتباط عملکرد میتوکندری و واکنش‌های ایمنی در بیماری‌های مزمن.
- هدف آتی: توسعه آزمایش‌های خون دقیق مبتنی‌بر نشانگرهای زیستی به جای گزارش‌های فردی.
- محدودیت فنی: نیاز به اعتبارسنجی بالینی و گسترش داده‌های ژنومی فراتر از جمعیت‌های کنونی.
جمع‌بندی و افق‌های پیش رو
این مطالعه که در پاییز ۱۴۰۳ (۲۰۲۴ میلادی) بازتاب گسترده‌ای داشته، نشان می‌دهد که ترکیب قدرت تحلیل دیجیتال با داده‌های بیولوژیک چگونه می‌تواند مسیر تشخیص پزشکی را از حالت کیفی به کمی تغییر دهد. با شناسایی سازوکارهای زیربنایی، می‌توان در آینده انتظار داشت که روش‌های درمانی به جای سرکوب عام علائم، به سمت تنظیم عملکرد میتوکندری‌ها و بازگرداندن سلول‌های ایمنی به حالت تعادل حرکت کنند.
