زیست‌شناسی هرگز ساده نیست. با اینکه محققان به پیشرفت‌های قابل‌توجهی در خواندن و ویرایش ژن‌ها برای درمان بیماری‌ها دست یافته‌اند، شواهد فزاینده‌ای نشان می‌دهد که نمی‌توان پروتئین‌ها و متابولیت‌های اطراف این ژن‌ها را نادیده گرفت.
شرکت ReviveMed که به عنوان یک استارتاپ از MIT منشعب شده، پلتفرمی را برای اندازه‌گیری متابولیت‌ها – محصولات متابولیکی مانند لیپیدها، کلسترول، قند و کربوهیدرات – در مقیاس وسیع ایجاد کرده است. این شرکت از این داده‌ها برای بررسی علت واکنش متفاوت بیماران به درمان‌ها و همچنین درک عمیق‌تر عوامل اصلی بیماری‌ها استفاده می‌کند.
لیلا پیراهجی، مدیرعامل ReviveMed و فارغ‌التحصیل دکترای MIT، درباره اهمیت این پروژه می‌گوید: «تاکنون می‌توانستیم تنها چند صد متابولیت را با دقت بالا اندازه‌گیری کنیم، اما این فقط بخش کوچکی از متابولیت‌های موجود در بدن انسان را پوشش می‌دهد. بین داده‌هایی که اندازه‌گیری می‌کنیم و آنچه واقعاً در بدن وجود دارد، شکاف بزرگی وجود دارد، و ما قصد داریم این شکاف را پر کنیم. ما می‌خواهیم داده‌های متابولیتی کمتر استفاده‌شده را به بینش‌های ارزشمند تبدیل کنیم.»
رابطه متابولیت‌ها و بیماری‌ها
تحقیقات پزشکی روزبه‌روز بیشتر نشان می‌دهد که اختلالات متابولیکی با بیماری‌هایی مانند سرطان، آلزایمر و بیماری‌های قلبی-عروقی مرتبط هستند. بر همین اساس، ReviveMed با استفاده از فناوری خود به یکی از ابزارهای مهم شرکت‌های دارویی بزرگ جهان تبدیل شده است تا بیماران مناسب را برای درمان‌های خاص شناسایی کنند. علاوه بر این، این شرکت نرم‌افزار خود را به‌صورت رایگان در اختیار محققان دانشگاهی قرار داده است تا درک عمیق‌تری از داده‌های متابولیتی حاصل شود.
پیراهجی در این‌باره اشاره می‌کند: «با پیشرفت‌های اخیر در حوزه هوش مصنوعی ما معتقدیم که می‌توانیم بر مشکلات داده‌ای که مانع از مطالعه متابولیت‌ها می‌شوند غلبه کنیم.»
شروع یک چالش علمی
لیلا پیراهجی که در ایران متولد و بزرگ شده است، در سال ۲۰۱۰ برای تحصیل در مقطع دکتری مهندسی زیستی به MIT رفت. او که قبلاً مقالات تحقیقاتی ارنست فرانکل را مطالعه کرده بود، علاقه زیادی داشت تا در پروژه‌های وی درباره مدل‌سازی شبکه‌ای که شامل پردازش داده‌های مختلفی مانند ژنوم، پروتئوم و سایر مولکول‌ها می‌شود، مشارکت کند.
در میانهٔ تحقیقات دکتری خود، پیراهجی نمونه‌هایی را به یکی از همکاران دانشگاه هاروارد فرستاد تا داده‌های مربوط به متابولوم را جمع‌آوری کند. اما زمانی که داده‌ها را دریافت کرد، تنها ۱۰۰ ردیف اول داده تحلیل قابل اطمینانی داشتند و مابقی داده‌ها مبهم بودند. این چالش باعث شد که او به فکر استفاده از مدل‌های شبکه‌ای خود برای حل این مشکل بیفتد.
پیراهجی در ادامه مدلی گسترده از تعاملات میان پروتئین‌ها و متابولیت‌ها ایجاد کرد. او سپس راهکاری جدید برای توصیف مسیرهای متابولیکی طراحی کرد و یافته‌های خود را در سال ۲۰۱۶ در Nature Methods منتشر کرد.
از یک ایده علمی تا راه‌اندازی یک کسب‌وکار
در ابتدا، پیراهجی قصد ایجاد یک شرکت را نداشت، اما به تدریج به پتانسیل تجاری دستاوردهای خود پی برد. او می‌گوید: «در ایران فرهنگ کارآفرینی چندانی وجود ندارد و من نمی‌دانستم چطور یک شرکت راه‌اندازی کنم، بنابراین از تمام منابع MIT بهره بردم.»
او در کلاس‌های دانشکده مدیریت Sloan حضور یافت و از برنامه‌های مختلفی مانند MIT Sandbox و مراکز حمایت از کارآفرینی در MIT استفاده کرد. در نهایت، با همکاری فرانکل، شرکت ReviveMed را تأسیس کرد و از طریق دفتر صدور مجوز فناوری MIT به ثبت اختراعات مرتبط با کار خود دسترسی یافت.
در سال ۲۰۲۰، ReviveMed با شرکت Bristol Myers Squibb همکاری کرد تا پیش‌بینی کند کدام بیماران سرطانی به ایمنی‌درمانی واکنش مثبت نشان می‌دهند. از آن زمان، این شرکت با چهار مورد از ۱۰ شرکت داروسازی برتر جهان همکاری کرده است.
مدل‌های هوش مصنوعی مولد برای متابولومیکس
اوایل امسال، ReviveMed مجموعه داده‌ای مبتنی بر ۲۰,۰۰۰ نمونه خون بیماران جمع‌آوری کرد و از آن برای توسعه مدل‌های هوش مصنوعی مولد برای تحقیق در مورد متابولومیکس استفاده کرد. این مدل‌ها قرار است در اختیار پژوهشگران دانشگاهی و مؤسسات غیرانتفاعی قرار بگیرند تا درک ما از تأثیر متابولیت‌ها بر بیماری‌ها تسریع شود.
پیراهجی می‌گوید: «هدف ما دموکراتیزه کردن داده‌های متابولومیکی است. ما نمی‌توانیم داده‌های تمام بیماران را جمع‌آوری کنیم، اما مدل‌های دیجیتال ما می‌توانند به شناسایی بیماران در معرض ریسک بیماری‌های مختلف، مانند بیماری‌های قلبی-عروقی، کمک کنند.»
بر اساس این تحقیقات، ReviveMed قصد دارد مدل‌های متابولیتی جامعی ایجاد کند که محققان و شرکت‌های داروسازی بتوانند برای شناخت دقیق‌تر بیماری‌ها و درمان‌ها از آن‌ها بهره ببرند. در نهایت، این پژوهش‌ها می‌توانند منجر به توسعه روش‌هایی شوند که داروها را با سرعت و کارایی بیشتری به بیماران مناسب برسانند.
منبع: MIT News