همانطور که فنچ های داروین در پاسخ به انتخاب طبیعی برای تحمل تکامل یافته اند، سلول هایی که تومور سرطانی را تشکیل می دهند به طور مشابه با فشارهای انتخابی برای بقا، توسعه و گسترش مقابله می کنند. تومورها در واقع مجموعه های پیچیده ای از سلول ها با ساختار منحصر به فرد خود و توانایی تغییر هستند.
امروزه، هوش مصنوعی و ابزارهای یادگیری ماشین فرصتی بی‌نظیر برای روشن کردن قوانین کلی حاکم بر پیشرفت تومور در سطوح ژنتیکی، اپی ژنتیکی، متابولیک و ریزمحیطی ارائه می‌دهند.
متیو جی جونزدستیار در بخش زیست شناسی MITدر موسسه کخ برای تحقیقات یکپارچه سرطانو موسسه مهندسی و علوم پزشکیامیدوار است از روش‌های محاسباتی برای ساخت مدل‌های پیش‌بینی‌کننده استفاده کند – بازی شطرنج با سرطان، درک توانایی تومور برای رشد و مقاومت در برابر درمان با هدف نهایی بهبود نتایج بیمار. او در این مصاحبه به تشریح کار فعلی خود می پردازد.
س: روی چه جنبه ای از پیشرفت تومور مطالعه و توصیف می کنید؟
الف: یک داستان بسیار رایج در مورد سرطان این است که بیماران ابتدا به یک درمان پاسخ می دهند و سپس در نهایت آن درمان از کار می افتد. دلیل این اتفاق تا حد زیادی به این دلیل است که تومورها یک توانایی شگفت انگیز و بسیار چالش برانگیز برای رشد دارند: توانایی تغییر ساختار ژنتیکی، ساختار سیگنال دهی پروتئین و دینامیک سلولی. تومور به عنوان یک سیستم نیز در سطح ساختاری رشد می کند. اغلب، دلیل تسلیم شدن یک بیمار به تومور این است که یا تومور به شرایطی تبدیل شده است که ما دیگر نمی‌توانیم آن را کنترل کنیم، یا به روشی غیرقابل پیش‌بینی ایجاد می‌شود.
از بسیاری جهات، سرطان‌ها را می‌توان از یک سو به‌طور باورنکردنی بی‌نظم و بی‌نظم و از سوی دیگر، دارای منطق درونی خود دانست که دائماً در حال تغییر است. تز اصلی آزمایشگاه من این است که تومورها از الگوهای کلیشه‌ای در فضا و زمان پیروی می‌کنند و ما امیدواریم از فناوری محاسباتی و تجربی برای رمزگشایی فرآیندهای مولکولی زیربنای این تحولات استفاده کنیم.
ما بر روی یک روش خاص تمرکز کرده ایم که در آن تومورها از طریق نوعی تقویت DNA به نام DNA خارج کروموزومی ایجاد می شوند. این ecDNAها که از کروموزوم جدا شده‌اند، دایره‌ای هستند و به‌عنوان مخزن جداگانه‌ای از ذرات DNA در هسته وجود دارند.
تصور می شد که ecDNA که ابتدا در دهه 1960 کشف شد، یک اتفاق نادر در سرطان است. با این حال، هنگامی که محققان در سال 2010 شروع به استفاده از توالی یابی نسل بعدی برای گروه های بزرگی از بیماران کردند، به نظر می رسد که نه تنها این تقویت ecDNA به تومورها توانایی انطباق سریعتر با استرس و درمان ها را می دهد، بلکه بسیار گسترده تر از آنچه در ابتدا تصور می شد گسترش یافته است.
ما اکنون می دانیم که این تقویت ecDNA در حدود 25 درصد از سرطان ها، تهاجمی ترین سرطان ها: سرطان مغز، ریه و تخمدان مشهود است. ما دریافتیم که به دلایلی، تقویت‌های ecDNA می‌توانند قوانینی را تغییر دهند که تومورها به روش‌هایی رشد می‌کنند که به آنها اجازه می‌دهد به روش‌های بسیار شگفت‌آوری به بیماری‌های تهاجمی‌تر سرعت دهند.
س: چگونه از یادگیری ماشین و هوش مصنوعی برای مطالعه تقویت ecDNA و تکامل تومور استفاده می کنید؟
الف: دستوری برای ترجمه آنچه در آزمایشگاه انجام می دهم برای بهبود زندگی بیماران وجود دارد. می‌خواهم با داده‌های بیمار شروع کنم تا بفهمم چگونه فشارهای تکاملی مختلف منجر به بیماری و جهش‌هایی می‌شود که می‌بینیم.
یکی از ابزارهایی که ما برای مطالعه تکامل تومور استفاده می کنیم، فناوری های ردیابی نسب تک سلولی است. به طور کلی، آنها به ما اجازه می دهند تا دودمان سلول های فردی را مطالعه کنیم. وقتی از یک سلول خاص نمونه برداری می کنیم، نه تنها می دانیم که آن سلول چه شکلی است، بلکه می توانیم (در حالت ایده آل) دقیقاً تعیین کنیم که جهش های تهاجمی در تاریخچه تومور دقیقاً چه زمانی رخ داده است. این تاریخچه تکاملی راهی برای مطالعه این فرآیندهای پویایی که در غیر این صورت قادر به مشاهده آنها در زمان واقعی نبودیم به ما می دهد و به ما کمک می کند تا بفهمیم چگونه می توانیم این تکامل را رهگیری کنیم.
امید من این است که در طبقه بندی بیمارانی که به داروهای خاص پاسخ می دهند، برای پیش بینی و غلبه بر مقاومت دارویی و شناسایی اهداف درمانی جدید بهتر شویم.
س: چه چیزی شما را برای پیوستن به جامعه MIT هیجان زده کرد؟
الف: یکی از چیزهایی که واقعاً برای من جذاب بود، ادغام برتری در علوم مهندسی و علوم زیستی بود. در مؤسسه Koch، هر طبقه برای ارتقای این رابط بین مهندسان و دانشمندان پایه ساخته شده است، و خارج از محوطه دانشگاه می‌توانیم با تمام شرکت‌های تحقیقاتی زیست‌پزشکی در منطقه بزرگ بوستون ارتباط برقرار کنیم.
نکته دیگری که مرا به MIT جلب کرد این واقعیت بود که بر آموزش، آموزش و سرمایه گذاری برای موفقیت دانش آموزان تأکید زیادی دارد. من شخصاً معتقدم که آنچه تحقیقات دانشگاهی را از تحقیقات صنعتی متمایز می کند این است که تحقیقات دانشگاهی اساساً یک کار خدماتی است، زیرا ما نسل بعدی دانشمندان را تربیت می کنیم.
ماموریت من همیشه این بوده است که به هر دو رشته فناوری محاسباتی و تجربی برتری بدهم. کارآموزانی که امیدوارم استخدام کنم کسانی هستند که مایل به همکاری و حل مشکلات بزرگی هستند که به هر دو رشته نیاز دارد. KI [Koch Institute] به طور منحصر به فرد برای این نوع آزمایشگاه ترکیبی راه اندازی شده است: آزمایشگاه خشک من درست در کنار آزمایشگاه مرطوب من است و منبع همکاری و ارتباط است و این منعکس کننده چشم انداز کلی KI است.
