تراشه میکروفلوئیدی بدون برچسب و هوش مصنوعی سلول های تومور خون را شناسایی می کنند

یافتن چند سلول تومور پنهان در میان میلیاردها سلول خونی یکی از بزرگترین چالش ها در بیوپسی مایع است. سلول های تومور در گردش (CTCs)، که از تومورهای اولیه ریخته می شوند و وارد جریان خون می شوند، می توانند سرنخ های مهمی برای پیشرفت سرطان و پاسخ به درمان ارائه دهند. با این حال، فراوانی بسیار کم آنها – اغلب فقط یک تا ده سلول در بین یک میلیارد سلول خونی – جداسازی و شناسایی دقیق آنها را دشوار می کند.

برای مقابله با چالش‌های فوق، تیم تحقیقاتی به رهبری پروفسور Xiaochun Li از موسسه تست‌های دقیق زیست‌پزشکی و ابزار دقیق، کالج هوش مصنوعی، دانشگاه فناوری تایوان، با همکاری مدیر لیژونگ ژانگ از بیمارستان شانشی بتون، یک مقاله تحقیقاتی با عنوان “English-Free Celdentification Enrichating Centreing و میکروسیال و یادگیری عمیق» در تجزیه و تحلیل زیست پزشکی. دکتر ویژی لیو و پروفسور شیائوچون لی از دانشگاه صنعتی تایوان، همراه با مدیر لیژونگ ژانگ از بیمارستان شانشی بتون، این گزارش را با هم نویسندگی کردند. جونی اویانگ، کارشناسی ارشد، دانشگاه صنعتی تایوان، اولین نویسنده است و دکتر هایکین لی، از دانشگاه صنعتی تایوان نیز در این مطالعه مشارکت داشته است. در این مطالعه، محققان یک پلت فرم بدون برچسب برای تجزیه و تحلیل سلول های تومور در گردش (CTC) ایجاد کردند که غنی سازی میکروسیال اینرسی را با یادگیری عمیق مبتنی بر YOLOv8 برای تشخیص تصویر در میدان روشن، امکان غنی سازی سریع و شناسایی هوشمند سلول های تومور در پس زمینه پیچیده خون را فراهم می کند. لازم به ذکر است که فرآیند جداسازی سلول به نشانگرهای سطح سلولی خاص متکی نیست، در حالی که مرحله شناسایی صرفاً با استفاده از تصویربرداری میدان روشن انجام می شود. این استراتژی یکپارچه یک رویکرد فنی جدید برای تجزیه و تحلیل CTC بدون برچسب ارائه می کند.

تراشه ای که سلول های تومور را بر اساس اندازه جدا می کند

بیشتر رویکردهای فعلی برای جداسازی CTC ها به نشانگرهای مولکولی موجود در سطوح سلول های تومور متکی هستند. با این حال، سلول های تومور بسیار متنوع هستند و جمعیت های مختلف CTC ممکن است نشانگرهای یکسانی را نداشته باشند. برای غلبه بر این محدودیت، محققان روش‌های بدون برچسب را بررسی کرده‌اند که از ویژگی‌های فیزیکی مانند اندازه سلول و تغییر شکل‌پذیری استفاده می‌کنند. این تیم یک تراشه میکروسیال مارپیچی را طراحی کرد که حاوی ساختارهای طراحی شده ویژه برای انقباض و انبساط است. از آنجایی که CTC ها معمولاً بزرگتر از سلول های خونی هستند – با قطر معمولی حدود 12-25 میکرومتر، در مقایسه با 7-12 میکرومتر برای گلبول های سفید خون و 6-8 میکرومتر برای گلبول های قرمز خون، جمعیت های مختلف سلولی نیروهای متفاوتی را هنگام حرکت در میکروکانال تجربه می کنند. این تراشه از این تفاوت‌ها برای هدایت سلول‌های تومور و سلول‌های خونی برای جداسازی مسیرهای جریان استفاده می‌کند و به سلول‌های تومور اجازه می‌دهد بدون تکیه بر نشانگرهای سطحی خاص جمع‌آوری شوند.

شبیه‌سازی‌های رایانه‌ای و مطالعات تجربی تأیید کرده‌اند که کانال طراحی شده ویژه می‌تواند ذرات و سلول‌ها را بر اساس اندازه جدا کند. در نمونه‌های خون مصنوعی حاوی سلول‌های سرطان سینه و گلبول‌های سفید MCF-7، سلول‌های تومور در خروجی مرکزی غنی می‌شوند، در حالی که بیشتر سلول‌های خونی به سمت خروجی‌های جانبی هدایت می‌شوند. این سیستم به نرخ بازیابی سلولی MCF-7 3.1 ± 89.2 درصد و نرخ حذف گلبول های سفید 1.4 ± 86.9 درصد دست یافت. در همین حال، نسبت سلول های تومور از 9٪ قبل از جداسازی به 38٪ پس از غنی سازی افزایش یافت که نشان دهنده توانایی تراشه در کاهش پس زمینه سلول های خونی و بهبود غنی سازی سلول های تومور است.

هوش مصنوعی به شناسایی سلول های تومور بدون رنگ آمیزی فلورسنت کمک می کند

تقسیم سلول های تومور تنها نیمی از چالش است. محققان هنوز باید تعیین کنند که کدام سلول های جمع آوری شده واقعاً تومور هستند. در بسیاری از جریان‌های کاری موجود، این مرحله نیاز به رنگ‌آمیزی فلورسنت یا برچسب‌گذاری مبتنی بر آنتی‌بادی، افزودن مراحل پردازش اضافی و محدود کردن برخی کاربردهای پایین‌دستی دارد. برای رفع این مشکل، محققان مدل یادگیری عمیق YOLOv8 را معرفی کردند که می تواند سلول های تومور را از تصاویر میکروسکوپ میدان روشن تشخیص دهد. در طول توسعه مدل، تصویربرداری فلورسانس برای تعیین هویت انواع سلول های مختلف و حفظ حاشیه نویسی تصویر استفاده شد. با این حال، پس از آموزش، مدل تنها با استفاده از تصاویر میدان روشن، تشخیص را انجام داد.

برخلاف رویکردهای تجزیه و تحلیل تصویر که نیاز به جداسازی دستی سلول‌ها قبل از طبقه‌بندی دارند، YOLOv8 می‌تواند مستقیماً سلول‌ها را در تصاویر میکروسکوپی کامل محلی‌سازی، طبقه‌بندی و شمارش کند. این مدل به دقت 96.0 درصد، با دقت و یادآوری 94.6 درصد و ویژگی 95.4 درصد در تشخیص سلول های تومور از سلول های غیر توموری دست یافت. این نتایج نشان می‌دهد که هوش مصنوعی می‌تواند اطلاعات مورفولوژیکی مفیدی را از تصاویر میکروسکوپ استاندارد استخراج کند و نیاز به برچسب‌گذاری فلورسنت اضافی در طول فرآیند شناسایی را کاهش دهد.

ترکیب میکروسیال و هوش مصنوعی برای تجزیه و تحلیل CTC نسل بعدی

پلتفرم جدید با ترکیب مرتب‌سازی سلول‌های فیزیکی و هوش مصنوعی، به دو چالش عمده در تجزیه و تحلیل CTC می‌پردازد: یافتن سلول‌های تومور نادر در یک محیط خونی پیچیده و شناسایی دقیق آنها پس از غنی‌سازی. گردش کار بدون برچسب می تواند پردازش نمونه را ساده کرده و به حفظ یکپارچگی سلول برای کاربردهای پایین دستی، از جمله توالی یابی تک سلولی و تست حساسیت دارویی کمک کند. به طور گسترده تر، این مطالعه نشان می دهد که چگونه ترکیب فناوری میکروسیال با یادگیری عمیق می تواند فرصت های جدیدی برای تجزیه و تحلیل سلول های زیستی کمیاب ایجاد کند.

محققان خاطرنشان می کنند که کار فعلی یک مطالعه اثبات مفهوم باقی می ماند. این پلتفرم با استفاده از خطوط سلولی MCF-7 و نمونه‌های خون مصنوعی، نه نمونه‌های بالینی به‌دست‌آمده از بیماران، تأیید شد، و ماژول‌های غنی‌سازی و شناسایی هنوز به طور کامل در یک سیستم خودکار واحد ادغام نشده‌اند. مطالعات آتی بر ارزیابی انواع تومورهای اضافی و نمونه‌های بیمار و در عین حال بهبود یکپارچه‌سازی و اتوماسیون سیستم تمرکز خواهند کرد.

چالش تجزیه و تحلیل سلول های تومور در گردش نه تنها یافتن این سلول های نادر است، بلکه شناسایی دقیق آنها پس از جداسازی است. با ترکیب میکروسیالات با هوش مصنوعی، امیدواریم رویکردی ساده‌تر و انعطاف‌پذیرتر برای تجزیه و تحلیل CTC بدون برچسب و کاربردهای پایین‌دستی آینده ارائه کنیم.»

Xiaochun Li، نویسنده مسئول