پژوهشگران گروه تحقیقاتی مشترک CAMP وابسته به اتحاد تحقیقاتی سنگاپور و MIT (SMART)، با همکاری موسسه MIT، آزمایشگاه‌های تحقیقات پوست A*STAR و دانشگاه ملی سنگاپور، روشی نوین برای شناسایی سریع و خودکار آلودگی میکروبی در فرایند تولید محصولات درمانی مبتنی بر سلول (CTP) توسعه داده‌اند. این روش با اندازه‌گیری میزان جذب نور فرابنفش توسط مایعات کشت سلولی و به‌کارگیری یادگیری ماشین برای تشخیص الگوهای مربوط به آلودگی، امکان شناسایی سریع آلودگی‌ها را در مراحل ابتدایی تولید فراهم می‌کند. هدف اصلی این فناوری، کاهش زمان مورد نیاز برای بررسی استریلیته محصولات و به‌دنبال آن، تسریع فرآیند درمان برای بیماران است، به‌ویژه در مواردی که زمان عاملی حیاتی برای بیماران بدحال به‌شمار می‌رود.
درمان‌های سلولی یکی از امیدبخش‌ترین رویکردهای نوین در علم پزشکی محسوب می‌شوند، مخصوصاً برای درمان بیماری‌هایی مانند سرطان، بیماری‌های التهابی و اختلالات مزمن. اما یکی از چالش‌های اصلی در تولید CTPها، اطمینان سریع از عدم آلودگی این محصولات پیش از کاربرد بالینی آن‌ها است.
روش‌های سنتی بررسی آلودگی‌های میکروبی که بر پایه کشت‌های میکروبی استوارند، زمان‌بر و کاملاً وابسته به نیروی انسانی هستند و ممکن است تا ۱۴ روز برای شناسایی آلودگی زمان نیاز داشته باشند. حتی روش‌های پیشرفته‌تری مانند روش‌های میکروبیولوژیک سریع (RMMs) که می‌توانند زمان تشخیص را به ۷ روز کاهش دهند، همچنان نیازمند مراحل پیچیده‌ای نظیر استخراج سلول و استفاده از محیط‌های غنی‌شده برای رشد میکروب‌ها هستند. پیچیدگی این فرایندها و وابستگی شدیدشان به نیروی متخصص، نیاز به راهکارهای جدید و کارآمدتر را برجسته می‌کند.
در مقاله‌ای با عنوان «شناسایی آلودگی میکروبی با کمک یادگیری ماشین و طیف‌سنجی جذب UV در محصولات درمانی سلولی» که در ژورنال علمی Scientific Reports منتشر شده، پژوهشگران SMART CAMP توضیح می‌دهند که چگونه ترکیب طیف‌سنجی UV و الگوریتم‌های یادگیری ماشین منجر به توسعه روشی غیرتهاجمی، بدون نیاز به نشانه‌گذاری و قابل‌استفاده در زمان واقعی برای تشخیص آلودگی‌ها شده است.
این روش نسبت به تست‌های سنتی و RMMها مزایای قابل توجهی دارد. نیاز به رنگ‌آمیزی سلول‌ها برای شناسایی ارگانیسم‌ها را از بین می‌برد، از استخراج سلولی که روشی تهاجمی است جلوگیری می‌کند، و در کمتر از ۳۰ دقیقه نتیجه‌ای ساده به‌صورت «بله یا خیر» برای وجود آلودگی ارائه می‌دهد. این خروجی ساده راه را برای خودکارسازی فرایند نمونه‌گیری از کشت سلولی هموار می‌کند و نیاز به تجهیزات تخصصی ندارد، در نتیجه هزینه‌ها نیز کاهش می‌یابد.
دکتر شروتی پاندی چلوم، مهندسی ارشد پژوهشی در SMART CAMP و نویسنده اصلی مقاله، می‌گوید: «این روش سریع، بدون رنگ‌آمیزی و ساده به‌عنوان مرحله‌ای اولیه در فرآیند تولید درمان‌های سلولی طراحی شده تا امکان تشخیص مستمر و سریع آلودگی را فراهم کند. در صورتی که احتمال آلودگی تشخیص داده شود، می‌توان اقدامات اصلاحی از جمله استفاده از RMM را به‌موقع انجام داد. این کار باعث صرفه‌جویی در هزینه‌ها، بهینه‌سازی استفاده از منابع و تسریع فرآیند تولید کلی خواهد شد.»
راجیو رام، استاد مهندسی برق و علوم کامپیوتر در MIT و پژوهشگر اصلی در این پروژه نیز می‌افزاید: «تولید درمان‌های سلولی معمولاً پرهزینه و متکی به افراد متخصص است، که همین موضوع ریسک آلودگی را افزایش می‌دهد. با ورود خودکارسازی و یادگیری ماشین، می‌توانیم این فرآیند را بهینه‌سازی کرده و احتمال آلودگی را کاهش دهیم. روش پیشنهادی ما قابلیت برنامه‌ریزی برای نمونه‌گیری‌های خودکار در بازه‌های زمانی مشخص را دارد که موجب کاهش نیاز به اقدامات دستی مانند استخراج و تجزیه و تحلیل نمونه‌ها می‌شود.»
در ادامه مسیر تحقیقاتی، تمرکز بر گسترش دامنه کاربرد این روش برای شناسایی طیف متنوع‌تری از آلودگی‌های میکروبی خواهد بود، به‌ویژه آن‌هایی که در محیط‌های تولید دارویی متداول‌اند یا قبلاً در CTPها شناسایی شده‌اند. همچنین، استحکام مدل یادگیری ماشین برای انواع مختلفی از سلول‌ها نیز مورد بررسی قرار خواهد گرفت. جالب است بدانید که این روش می‌تواند در صنایع غذایی و نوشیدنی نیز برای کنترل کیفیت میکروبی به‌کار رود تا ایمنی محصولات تضمین شود.
