شرکت انشعابی MIT نقشه‌ای از متابولیت‌های بدن ایجاد می‌کند تا عوامل پنهان بیماری‌ها را کشف کند
تیم تحریریه- ۳ فروردین ۱۴۰۴
زیست‌شناسی هرگز ساده نیست. برای مثال، در حالی که محققان در خواندن و ویرایش ژن‌ها برای درمان بیماری‌ها پیشرفت‌هایی داشته‌اند، شواهد فزاینده‌ای نشان می‌دهد که پروتئین‌ها و متابولیت‌های اطراف این ژن‌ها را نمی‌توان نادیده گرفت.
شرکت انشعابی MIT به نام ReviveMed، پلتفرمی برای اندازه‌گیری متابولیت‌ها (محصولات متابولیسم مانند لیپیدها، کلسترول، قند و کربوهیدرات‌ها) در مقیاس گسترده ایجاد کرده است. این شرکت از این اندازه‌گیری‌ها برای کشف دلیل پاسخ‌دهی برخی بیماران به درمان‌ها (در حالی که دیگران پاسخ نمی‌دهند) و همچنین برای درک بهتر عوامل محرک بیماری‌ها استفاده می‌کند.
«از نظر تاریخی، ما توانسته‌ایم چند صد متابولیت را با دقت بالا اندازه‌گیری کنیم، اما این تنها بخش کوچکی از متابولیت‌هایی است که در بدن ما وجود دارند،». «لیلا پیرحاجی» مدیرعامل ReviveMed که این شرکت را به همراه پروفسور «ارنست فرنکل» تأسیس کرده است، می‌گوید: «شکاف بزرگی بین آنچه که ما با دقت اندازه‌گیری می‌کنیم و آنچه در بدن ما است، وجود دارد و این همان چیزی است که ما می‌خواهیم به آن بپردازیم. ما می‌خواهیم از بینش‌های قدرتمند داده‌های متابولیتی که کمتر مورد استفاده قرار گرفته‌اند، بهره‌برداری کنیم.»
پیشرفت ReviveMed در حالی اتفاق می‌افتد که جامعه پزشکی به طور فزاینده‌ای متابولیت‌های نامنظم را با بیماری‌هایی مانند سرطان، آلزایمر و بیماری‌های قلبی – عروقی مرتبط می‌داند. ReviveMed از پلتفرم خود برای کمک به برخی از بزرگترین شرکت‌های دارویی جهان استفاده می‌کند تا بیمارانی را پیدا کنند که می‌توانند از درمان‌های آن‌ها بهره‌مند شوند. همچنین این شرکت نرم‌افزاری را به صورت رایگان در اختیار محققان دانشگاهی قرار می‌دهد تا به آن‌ها کمک کند از داده‌های متابولیتی استفاده‌نشده، بینش‌های جدیدی به دست آورند.
«با رشد سریع حوزه هوش مصنوعی، فکر می‌کنیم می‌توانیم بر مشکلات داده‌ای که مطالعه متابولیت‌ها را محدود کرده‌اند، غلبه کنیم»، پیر حاجی می‌گوید. «هیچ مدل پایه‌ای برای متابولومیکس وجود ندارد، اما می‌بینیم که این مدل‌ها چگونه حوزه‌های مختلف مانند ژنومیکس را تغییر داده‌اند، بنابراین ما شروع به پیش‌گامی در توسعه آن‌ها کرده‌ایم.»
پیداکردن یک چالش
پیرحاجی که در ایران متولد و بزرگ شد، در سال ۲۰۱۰ برای ادامه تحصیل در مقطع دکتری مهندسی زیستی به MIT آمد. او پیش‌تر مقالات تحقیقاتی فرانکل را خوانده بود و مشتاق بود که در مدل‌های شبکه‌ای که او می‌ساخت مشارکت کند. این مدل‌ها داده‌هایی از منابعی مانند ژنوم‌ها، پروتئوم‌ها و سایر مولکول‌ها را یکپارچه می‌کردند.
فرانکل که اکنون عضو هیئت‌مدیره ReviveMed است، می‌گوید: «ما به این فکر می‌کردیم که اگر بتوانیم همه چیز را در بدن اندازه‌گیری کنیم، از ژن‌ها و RNA گرفته تا پروتئین‌ها و مولکول‌های کوچکی مثل متابولیت‌ها و لیپیدها، چه فرصت‌های جدیدی برای درک بیماری‌ها و درمان آن‌ها به وجود می‌آید. البته مشکل اینجاست که در حال حاضر، فقط حدود ۰.۱ درصد از این مولکول‌های کوچک در بدن قابل‌اندازه‌گیری هستند. ما فکر کردیم باید راهی وجود داشته باشد که بتوان نمای کاملی از این مولکول‌ها به دست آورد، همان‌طور که برای سایر مولکول‌ها داریم. این کار به ما امکان می‌دهد که تمام تغییراتی را که درون سلول رخ می‌دهد، چه در زمینه سرطان باشد یا رشد و بیماری‌های تخریب‌کننده، نقشه‌برداری کنیم.»
پیرحاجی حدوداً در میانه دوره دکتری خود، برخی نمونه‌ها را برای همکاری به دانشگاه هاروارد ارسال کرد تا داده‌هایی درباره متابولوم (مولکول‌های کوچکی که محصولات فرآیندهای متابولیکی هستند) جمع‌آوری کند. همکارش یک فایل اکسل بزرگ با هزاران خط داده برای او فرستاد، اما گفت که بهتر است فقط ۱۰۰ سطر اول را بررسی کند، زیرا آن‌ها هیچ ایده‌ای درباره معنای سایر داده‌ها نداشتند. پیرحاجی این را به‌عنوان یک چالش در نظر گرفت.
پیراحاجی می‌گوید: «به این فکر افتادم که شاید بتوانیم از مدل‌های شبکه‌ای خود برای حل این مشکل استفاده کنیم. داده‌ها بسیار مبهم بودند و این موضوع برای من جالب بود، چون کسی قبلاً چنین کاری نکرده بود. به نظر می‌رسید که این یک شکاف بزرگ در این حوزه است.»
او یک گراف دانشی عظیم توسعه داد که شامل میلیون‌ها تعامل بین پروتئین‌ها و متابولیت‌ها بود. داده‌ها غنی اما درهم و برهم بودند. پیرحاجی آن را «توپ مویی» توصیف کرد که نمی‌توانست اطلاعات مفیدی درباره بیماری ارائه دهد. او برای مفیدتر کردن آن، روشی جدید برای توصیف مسیرهای متابولیکی و ویژگی‌ها ایجاد کرد. در مقاله‌ای که در سال ۲۰۱۶ در نشریه Nature Methods منتشر شد، این سیستم را توصیف کرد و از آن برای تحلیل تغییرات متابولیکی در یک مدل از بیماری هانتینگتون استفاده کرد.
در ابتدا، پیرحاجی قصد نداشت شرکتی تأسیس کند، اما در سال‌های پایانی دکتری خود متوجه پتانسیل تجاری این فناوری شد. پیرحاجی می‌گوید: «در ایران فرهنگ کارآفرینی وجود ندارد. نمی‌دانستم چطور یک شرکت راه‌اندازی کنم یا علم را به یک استارتاپ تبدیل کنم، بنابراین از تمام امکاناتی که MIT ارائه می‌کرد استفاده کردم.»
او در مدرسه مدیریت MIT Sloan کلاس‌هایی مانند دوره تیم‌های نوآوری را گذراند، جایی که با هم‌کلاسی‌هایش همکاری کرد تا درباره کاربردهای فناوری خود فکر کند. همچنین از خدمات راهنمایی کارآفرینی MIT، MIT Sandbox و شتاب‌دهنده استارتاپ delta v در مرکز اعتماد مارتین برای کارآفرینی MIT بهره برد.
زمانی که پیرحاجی و فرانکل رسماً ReviveMed را تأسیس کردند، با دفتر مجوز فناوری MIT همکاری کردند تا به پتنت‌های مرتبط با کارشان دسترسی پیدا کنند. از آن زمان، پیرحاجی این پلتفرم را توسعه داده است تا مشکلات دیگری را که از گفتگو با صدها رهبر در شرکت‌های دارویی کشف کرده بود، حل کند.
ReviveMed کار خود را با همکاری با بیمارستان‌ها آغاز کرد تا کشف کند که چگونه لیپیدها در بیماری‌ای به نام استئاتوهپاتیت مرتبط با اختلال متابولیکی دچار اختلال می‌شوند. در سال ۲۰۲۰، این شرکت با Bristol Myers Squibb همکاری کرد تا پیش‌بینی کند که کدام زیرمجموعه از بیماران سرطانی به درمان‌های ایمنی این شرکت پاسخ خواهند داد.
از آن زمان، ReviveMed با چندین شرکت از جمله چهار مورد از ۱۰ شرکت برتر داروسازی جهان همکاری کرده است تا به آن‌ها کمک کند مکانیسم‌های متابولیکی مرتبط با درمان‌هایشان را درک کنند. این بینش‌ها به شناسایی سریع‌تر بیمارانی که بیشترین سود را از درمان‌های مختلف می‌برند، کمک می‌کند.
پیرحاجی می‌گوید: «اگر بدانیم کدام بیماران از هر دارویی بهره خواهند برد، پیچیدگی و زمان لازم برای کارآزمایی‌های بالینی واقعاً کاهش می‌یابد و بیماران سریع‌تر به درمان‌های مناسب دسترسی پیدا خواهند کرد.»
مدل‌های مولد برای متابولومیکس
اوایل امسال، شرکت ReviveMed یک مجموعه داده بر اساس ۲۰,۰۰۰ نمونه خون بیماران جمع‌آوری کرد که از آن برای ایجاد دوقلوهای دیجیتالی بیماران (Digital Twins) و مدل‌های مولد هوش مصنوعی برای تحقیقات متابولومیکس استفاده کرد. ReviveMed مدل‌های مولد خود را در اختیار پژوهشگران غیرانتفاعی دانشگاهی قرار می‌دهد که این امر می‌تواند به درک سریع‌تر تأثیر متابولیت‌ها بر طیف وسیعی از بیماری‌ها کمک کند.
پیرحاجی می‌گوید: «ما استفاده از داده‌های متابولومیک را دموکراتیزه می‌کنیم. داشتن داده‌های تمام بیماران جهان برای ما غیرممکن است، اما دوقلوهای دیجیتالی ما می‌توانند برای شناسایی بیمارانی که ممکن است از درمان‌ها سود ببرند، مورد استفاده قرار گیرند. برای مثال، می‌توان بیمارانی را که در معرض خطر بیماری‌های قلبی عروقی هستند، شناسایی کرد.»
این کار بخشی از مأموریت ReviveMed برای ایجاد مدل‌های بنیادی متابولیکی است که پژوهشگران و شرکت‌های دارویی می‌توانند از آن‌ها برای درک چگونگی تأثیر بیماری‌ها و درمان‌ها بر متابولیت‌های بیماران استفاده کنند.
فرانکل می‌گوید: «لیلا بسیاری از مشکلات پیچیده‌ای را که هنگام تبدیل یک ایده از آزمایشگاه به چیزی قدرتمند و قابل تکرار برای استفاده در زیست‌پزشکی با آن مواجه می‌شوید، حل کرده است. همچنین او در این مسیر متوجه شد که نرم‌افزاری که توسعه داده است، به خودی خود فوق‌العاده قدرتمند است و می‌تواند تحولی اساسی ایجاد کند.»
