นักวิจัยจาก UC San Diego สร้าง ‘เซลล์เสมือนจริง 4 มิติ’ ช่วยนักวิทย์ฯ คาดเดาปฏิกิริยาของยาได้ดีขึ้น

ทีมวิจัยจาก University of California San Diego (UC San Diego) ป้อนคลิปวิดีโอเซลล์มะเร็งที่เคลื่อนไหวจริงในสามมิติจำนวน 40,000 คลิป ให้โมเดล AI ชื่อ MitoSpace เรียนรู้ด้วยตัวเอง ผลที่ได้คือโมเดลจัดกลุ่มยาตามกลไกการออกฤทธิ์ได้แม่นยำ 75% เทียบกับ 56% เมื่อฝึกด้วยภาพนิ่งสองมิติแบบที่การคัดกรองยาขนาดใหญ่ในปัจจุบันใช้กันอยู่ ทั้งที่ไม่มีใครบอกโมเดลเลยว่าแต่ละคลิปคือเซลล์ที่โดนยาตัวไหน

งานชิ้นนี้มาพร้อมงานอีกชิ้นที่ตีพิมพ์ในวารสาร Cell พร้อมกัน นั่นคือการสร้าง 'ฝาแฝดดิจิทัล' (Digital Twin) ของเซลล์จริงด้วยกฎฟิสิกส์ ทั้งสองแนวทางมีเป้าหมายเดียวกันคือการสร้างเซลล์เสมือน (Virtual Cell) ซึ่งเป็นแบบจำลองดิจิทัลที่เลียนแบบกระบวนการทางชีววิทยาของเซลล์จริงที่เคลื่อนไหวตลอดเวลา และทั้งคู่ตั้งอยู่บนข้อมูลชุดเดียวกันคือภาพจากกล้องจุลทรรศน์แบบ Lattice Light-Sheet ที่บันทึกการเคลื่อนไหวของโครงสร้างภายในเซลล์เป็นสามมิติต่อเนื่องตามเวลา หรือที่เรียกว่าข้อมูลสี่มิติ (4D)

ภาพนิ่งแบนๆ คือปัญหาของการอ่านสุขภาพเซลล์

ภาพจำของไมโทคอนเดรีย (Mitochondria) ในตำราเรียนคือเม็ดรูปคล้ายเมล็ดถั่วที่ลอยกระจายอยู่ในเซลล์ แต่ของจริงคือโครงข่ายที่เชื่อมต่อถึงกันทั้งเซลล์ แยกตัวและรวมตัวอย่างรวดเร็ว พร้อมกับถูกลำเลียงไปยังจุดที่เซลล์ต้องการพลังงานมากที่สุด บทบาทหลักของโครงสร้างนี้คือการเปลี่ยนสารอาหารให้เป็นพลังงาน

เพราะรูปร่างของโครงข่ายไมโทคอนเดรียเปลี่ยนไปตามสุขภาพของเซลล์ นักวิจัยจึงใช้มันเป็นตัวบ่งชี้โรคและใช้ทดสอบยาใหม่ได้ ปัญหาคือที่ผ่านมาการถ่ายภาพไมโทคอนเดรียส่วนใหญ่ได้ออกมาเป็นภาพนิ่งสองมิติ ซึ่งตัดทั้งความลึกและการเคลื่อนไหวทิ้งไป การจะเข้าใจว่าการเปลี่ยนรูปร่างเหล่านั้นส่งผลต่อการทำงานของเซลล์อย่างไรจึงทำได้ยาก

Johannes Schöneberg รองศาสตราจารย์ประจำภาควิชาเภสัชวิทยา คณะแพทยศาสตร์ UC San Diego และผู้เขียนหลักของงานวิจัยทั้งสองชิ้น สรุปข้อจำกัดนี้ไว้ว่า 

"A cell is a four-dimensional object: it has depth and it never stops moving. Virtual cells need to be built on data that captures that fact." 

(เซลล์คือวัตถุสี่มิติ มันมีความลึกและไม่เคยหยุดเคลื่อนไหว เซลล์เสมือนจึงต้องสร้างขึ้นบนข้อมูลที่จับข้อเท็จจริงข้อนี้ได้)

MitoSpace เรียนรู้เองว่ายาแต่ละตัวทำอะไรกับเซลล์

ทีมวิจัยเริ่มจากการนำเซลล์มะเร็งไปรับสารประกอบ 25 ชนิดที่รู้อยู่แล้วว่ารบกวนไมโทคอนเดรียด้วยกลไกต่างกัน แล้วถ่ายเป็นคลิปสี่มิติระดับเซลล์เดี่ยวรวม 40,000 คลิป เพื่อใช้เป็นคลังข้อมูลฝึกโมเดลการเรียนรู้เชิงลึก (Deep Learning) ที่ชื่อ MitoSpace

จุดต่างสำคัญคือโมเดล AI ส่วนใหญ่ต้องให้คนคอยติดป้ายกำกับภาพก่อน แต่ MitoSpace หาแพตเทิร์นเองว่าอะไรทำให้ไมโทคอนเดรียของเซลล์หนึ่งต่างจากอีกเซลล์หนึ่ง ผลคือโมเดลสร้างแผนที่ที่จัดกลุ่มเซลล์ซึ่งตอบสนองคล้ายกันไว้ด้วยกันได้เอง โดยไม่เคยรู้ว่าเซลล์ไหนโดนยาอะไร และยังทำนายสถานะพลังงานของเซลล์จากรูปร่างกับการเคลื่อนไหวของไมโทคอนเดรียล้วนๆ ได้ครอบคลุม 26 เงื่อนไขการใช้ยา

"For a century we have believed that mitochondrial form reflects function; this shows the relationship is strong enough that a model can learn it without ever being shown the answer." 

(ตลอดหนึ่งศตวรรษเราเชื่อกันว่ารูปร่างของไมโทคอนเดรียสะท้อนการทำงานของมัน งานนี้แสดงให้เห็นว่าความสัมพันธ์นั้นแน่นหนาพอที่โมเดลจะเรียนรู้ได้เองโดยไม่ต้องมีใครเฉลย) Johannes ระบุ

ความสามารถที่ทำให้โมเดลนี้น่าสนใจเกินกว่างานเดียวคือการนำไปใช้ต่อได้โดยไม่ต้องฝึกใหม่ MitoSpace จัดกลุ่มยาที่ไม่เคยเห็นมาก่อนได้ และยังเรียงเซลล์จากออร์แกนอยด์ปอดมนุษย์ (Organoids) ซึ่งเป็นเนื้อเยื่อจำลองที่เพาะขึ้นในห้องปฏิบัติการ ตามระยะการพัฒนาได้ด้วย ทีมวิจัยจึงมองว่ามันมีโอกาสกลายเป็นเครื่องมือกลางสำหรับงานชีววิทยาเซลล์ ไม่ใช่แค่เครื่องมือเฉพาะทางสำหรับไมโทคอนเดรีย

Digital Twin ที่เอาไปวางเทียบกับภาพกล้องจุลทรรศน์ได้ทีละเฟรม

งานอีกชิ้นเดินคนละทางโดยสิ้นเชิง แทนที่จะให้ AI เรียนรู้จากข้อมูลมหาศาล ทีมวิจัยเลือกเขียนกฎว่าออร์แกเนลล์ (Organelles) ซึ่งเป็นโครงสร้างย่อยภายในเซลล์ มีพฤติกรรมอย่างไร แล้วนำกฎเหล่านั้นไปรันในแบบจำลองเชิงฟิสิกส์

ขั้นตอนคือใช้ซอฟต์แวร์วิเคราะห์ภาพเฉพาะทางระบุตำแหน่งของไมโทคอนเดรียและไมโครทูบูล (Microtubules) ซึ่งเป็นท่อโปรตีนที่ทำหน้าที่เหมือนรางให้ไมโทคอนเดรียวิ่ง จากนั้นเติมโปรตีนมอเตอร์ (Motor Proteins) ที่ทำหน้าที่ลำเลียงเข้าไปตามอัตราที่งานวิจัยก่อนหน้ากำหนดไว้ ใส่กฎการเคลื่อนที่ทางฟิสิกส์ แล้วปรับค่าพารามิเตอร์จนพฤติกรรมของไมโทคอนเดรียในแบบจำลองตรงกับเซลล์จริง

"We have built a physics-based virtual cell and can compare it side-by-side to the actual 3D microscopy movie, something that has never been possible before." 

(เราสร้างเซลล์เสมือนบนพื้นฐานฟิสิกส์ และเอาไปวางเทียบกับคลิปกล้องจุลทรรศน์สามมิติของจริงได้ ซึ่งเป็นสิ่งที่ไม่เคยทำได้มาก่อน) Johannes อธิบาย

บททดสอบจริงคือการสั่งให้แบบจำลองทำนายว่าไมโทคอนเดรียจะตอบสนองอย่างไรเมื่อไมโครทูบูลถูกทำลายบางส่วนด้วยยา Nocodazole ผลคือฝาแฝดดิจิทัลจำลองทั้งการเคลื่อนไหวที่ลดลง และอัตราการรวมตัวกับการแยกตัวของไมโทคอนเดรียได้ตรงกับเซลล์จริงที่ได้รับยาตัวเดียวกัน โดยไม่ต้องปรับพารามิเตอร์แม้แต่ตัวเดียว

เซลล์ที่ทีมใช้เป็นต้นแบบคือ Cal27 ซึ่งเป็นเซลล์มะเร็งศีรษะและลำคอ Johannes ระบุว่าการควบคุมไมโทคอนเดรียในเซลล์สายพันธุ์นี้ยังเป็นคำถามที่เปิดอยู่ และการเข้าใจกลไกดังกล่าวคือเส้นทางหนึ่งที่จะนำไปสู่วิธีรักษามะเร็งชนิดนี้แบบใหม่ ในภาพกว้างกว่านั้น ฝาแฝดดิจิทัลยังใช้ทดสอบฤทธิ์ยา การกลายพันธุ์ที่ก่อโรค หรือแบบร่างการดัดแปลงเซลล์ได้ โดยไม่ต้องลงมือทดลองจริงทุกครั้ง

เป้าหมายถัดไปคือเซลล์มนุษย์เสมือนทั้งเซลล์

แผนต่อไปของทีมคือรวมสองแนวทางเข้าเป็นเวิร์กโฟลว์เดียว ให้โมเดล AI ทำหน้าที่หาแพตเทิร์นจากข้อมูลจำนวนมหาศาล แล้วให้ฝาแฝดดิจิทัลตรวจสอบว่าเหตุผลเชิงกายภาพเบื้องหลังแพตเทิร์นนั้นคืออะไร จากนั้นจึงค่อยเติมออร์แกเนลล์ชนิดอื่นเข้าไปจนกลายเป็นเซลล์มนุษย์เสมือนที่สมบูรณ์

"The ultimate future is not one cell but multiple cells acting as tissues. Modeling whole tissues will let us simulate more realistic human biology and eventually inform clinical treatment." 

(อนาคตสูงสุดไม่ใช่เซลล์เดียว แต่คือหลายเซลล์ที่ทำงานร่วมกันเป็นเนื้อเยื่อ การจำลองเนื้อเยื่อทั้งก้อนจะทำให้เราจำลองชีววิทยามนุษย์ได้สมจริงขึ้นและนำไปใช้กำหนดแนวทางรักษาได้ในที่สุด) Johannes กล่าว

ทำไมวงการยาถึงเทน้ำหนักมาที่ 'เซลล์เสมือน'

แรงกดดันจากฝั่งกำกับดูแลเป็นปัจจัยหนึ่ง สำนักงานคณะกรรมการอาหารและยาสหรัฐฯ (FDA) ออกแผนที่นำทางลดการทดสอบในสัตว์เมื่อปี 2025 โดยผลักดันวิธีทดสอบแนวใหม่ที่เรียกว่า New Approach Methodologies (NAMs) ซึ่งรวมทั้งออร์แกนอยด์ อวัยวะบนชิป และการจำลองด้วยคอมพิวเตอร์ (In Silico) เหตุผลที่ FDA ยกมาคือยาเกิน 90% ที่ผ่านการทดสอบในสัตว์แล้วกลับไม่ได้รับอนุมัติในที่สุด เพราะติดปัญหาความปลอดภัยหรือประสิทธิผลที่เพิ่งมาเจอในมนุษย์

อีกด้านหนึ่งคือการแข่งขันในฝั่งวิจัย Arc Institute เปิดตัวโมเดลเซลล์เสมือนรุ่นแรกที่ฝึกจากข้อมูลเซลล์หลักร้อยล้านเซลล์เพื่อทำนายว่าเซลล์จะตอบสนองอย่างไรเมื่อถูกรบกวนด้วยยาหรือการตัดต่อยีน ขณะที่ Chan Zuckerberg Initiative จับมือ Nvidia เปิดแพลตฟอร์มสำหรับพัฒนาโมเดลกลุ่มนี้โดยเฉพาะ แม้ในวงการเองจะยังมีเสียงที่มองว่ากระแสเซลล์เสมือนตอนนี้เป็นความคาดหวังมากกว่าผลลัพธ์ที่จับต้องได้จริง

จุดที่งานของ UC San Diego เติมเข้ามาในภาพนี้คือชั้นข้อมูล โมเดลเซลล์เสมือนส่วนใหญ่เรียนรู้จากข้อมูลการแสดงออกของยีน ส่วน MitoSpace กับฝาแฝดดิจิทัลเรียนรู้จากรูปร่างและการเคลื่อนไหวจริงของโครงสร้างภายในเซลล์ ซึ่งเป็นสัญญาณคนละชุดกัน

งานวิจัยทั้งสองชิ้นตีพิมพ์ในวารสาร Cell แล้ว โดยได้รับทุนจาก National Institutes of Health (NIH), National Science Foundation (NSF), Hartwell Foundation และ W.M. Keck Foundation ขณะที่ UC San Diego ได้ยื่นจดสิทธิบัตรคุ้มครองเทคโนโลยีนี้ และ Johannes ได้ก่อตั้งบริษัทบนพื้นฐานของเทคโนโลยีดังกล่าวแล้ว

ที่มา: phys.org, UC San Diego Today, EurekAlert, Cell