API جامع
محققان MIT چارچوب نظری تازه‌ای برای مطالعه تعاملات پیچیده درمانی ارائه داده‌اند که می‌تواند دقت آزمایش‌ها را افزایش داده و هزینه‌های تحقیقاتی را کاهش دهد. این رویکرد جدید به دانشمندان این امکان را می‌دهد تا با انجام تعداد کمتری آزمایش، تاثیر ترکیبی درمان‌های مختلف را بر گروهی از واحدها – مانند سلول‌ها – به‌طور دقیق‌تری تخمین بزنند.
به عنوان نمونه، در آزمایش‌هایی که رشد سلول‌های سرطانی را بررسی می‌کنند، یک زیست‌شناس ممکن است نیاز داشته باشد تا به‌صورت هم‌زمان چندین ژن را هدف قرار دهد. اما با توجه به میلیاردها ترکیب ممکن از درمان‌ها، انتخاب تصادفی تنها یک زیرمجموعه از این ترکیب‌ها ممکن است باعث ایجاد سوگیری در نتایج شود.
برخلاف روش‌های پیشین، چارچوب جدید به محقق اجازه می‌دهد تمام درمان‌ها را به‌صورت هم‌زمان و در سطوح دوز متفاوت به سلول‌ها اعمال کند، بدون اینکه الگوهای خاصی را از پیش انتخاب کند. در این مدل، نتایج آزمایش به کمک تغییر در دوز درمان‌ها کنترل می‌شوند، و اطلاعاتی دقیق‌تر و بی‌طرفانه‌تر از واکنش سلول‌ها به ترکیب درمان‌ها به دست می‌آید.
زیاکی ژانگ، دانشجوی دکتری و نویسنده همکار این پژوهش، توضیح می‌دهد که این روش «به ما امکان می‌دهد ساختار تعامل ژن‌ها و نحوه عملکرد سلول‌ها را بهتر درک کنیم». این تکنیک می‌تواند در آینده به درک بهتر سازوکارهای بیماری‌ها و توسعه درمان‌هایی برای سرطان یا اختلالات ژنتیکی بیانجامد.
در روش ابداعی MIT، دوز هر درمان به‌عنوان یک احتمال در نظر گرفته شده و هر سلول به‌صورت تصادفی ترکیبی از درمان‌ها را دریافت می‌کند. هرچه دوز یک درمان بالاتر باشد، احتمال اینکه سلول‌های بیشتری آن را دریافت کنند بیشتر است. در پایان هر مرحله، نتایج ثبت شده و چارچوب پیشنهادی دوزهای بهینه‌ای برای مرحله بعد پیشنهاد می‌دهد — فرآیندی که در طول چندین مرحله تکرار می‌شود و به‌صورت پویا تنظیم می‌شود.
به گفته دیویا شیامال، دیگر نویسنده مقاله، «چالش اصلی این است که چگونه دوزها را طراحی کنیم تا بتوانیم نتایج را با بیشترین دقت ممکن پیش‌بینی کنیم — و اینجا جایی است که نظریه ما وارد عمل می‌شود.»
در شبیه‌سازی‌های انجام‌شده، این روش جدید کمترین نرخ خطا را نسبت به دو روش پایه دیگر داشته است، حتی زمانی که میزان دوزها محدود یا نتایج با نویز همراه بوده‌اند. این مسئله نشان‌دهنده دقت بالا و انعطاف‌پذیری چارچوب در محیط‌های واقعی و پرتلاطم تحقیقاتی است.
در ادامه، محققان قصد دارند چارچوب خود را برای شرایط پیچیده‌تری نظیر اختلال بین سلول‌ها یا سوگیری ناشی از برخی درمان‌ها بهینه‌سازی کرده و آن را در محیط‌های آزمایشگاهی واقعی به کار گیرند.
ژانگ در پایان می‌افزاید: «ما با دست یافتن به این چارچوب جدید، می‌توانیم طراحی آزمایش‌ها را برای کاربردهای متنوع‌تری بازطراحی کنیم — مسأله‌ای که پیش‌تر حل آن بسیار دشوار بود.»
این پژوهش با حمایت مؤسسه Broad، شرکت Apple، مؤسسه ملی سلامت آمریکا، دفتر تحقیقاتی نیروی دریایی ایالات متحده، وزارت انرژی، و برنامه تحقیقاتی دانشجویی MIT انجام شده است.
