Outer Biosciences اکنون پوست زنده انسانی را — که از بافت‌های جراحی دورریخته‌شده جمع‌آوری شده و بیش از یک ماه زنده نگه داشته شده است — به مدل‌های یادگیری ماشین تزریق می‌کند. این استارتاپ امیدوار است پیش‌بینی‌های مربوط به کشف دارو و درماتولوژی را بسیار قابل‌اعتمادتر کند. خط تولید دو ساله آن‌ها، بافتی را که از اتاق عمل خارج شده، ظرف چند ساعت به آزمایشگاه می‌رساند؛ سرعتی که به گفته شرکت، رفتار طبیعی سلول‌ها را حفظ می‌کند.

چرا مجموعه‌داده‌های قدیمی ناکافی هستند

در بیشتر تاریخچه اخیر زیست‌فناوری (biotech)، پژوهشگران برای آموزش ابزارهای محاسباتی به مدل‌های حیوانی یا رده‌های سلولی کشت‌شده متکی بوده‌اند. این سیستم‌ها ارزان و کاربری آسان دارند، اما به ندرت پیچیدگی کامل پوست انسان را بازنمایی می‌کنند؛ ارگانی لایه‌لایه با سلول‌های ایمنی، پایانه‌های عصبی، تعاملات میکروبیوم و پاسخ پویا به هورمون‌ها و استرس. این عدم تطابق، توسعه‌دهندگان دارو را مجبور می‌کند تا چندین مرحله آزمایش حیوانی و کارآزمایی انسانی را انجام دهند که باعث افزایش هزینه‌ها و طولانی شدن زمان‌ها می‌شود.

Outer Biosciences خود را به عنوان پلی برای پر کردن این شکاف معرفی می‌کند. این شرکت با استفاده از بافتهایی که هرگز در ظرف آزمایشگاهی تغییر نیافته‌اند، معتقد است هوش مصنوعی آن می‌تواند الگوهایی را بیابد که در مدل‌های مصنوعی نامرئی هستند. تیم این شرکت از عبارت «داده‌های زنده» (Living data) برای توصیف تفاوت بین یک تصویر ایستا از یک رده سلولی و یک برش بافتی در حال تعامل مداوم که همچنان با محیط خود ارتباط برقرار می‌کند، استفاده می‌کند.

از اتاق عمل تا الگوریتم

چالش لجستیکی با چالش علمی برابری می‌کند. Outer Biosciences پوست‌هایی را تأمین می‌کند که در غیر این صورت در جراحی‌هایی مانند شکم‌لی (abdominoplasties) یا ماستکتومی (mastectomies) دور ریخته می‌شدند. بانک‌های زیستی غیرانتفاعی و تجاری که تحت نظارت هیئت بررسی سازمانی (IRB) فعالیت می‌کنند، رضایت اهداکننده را برای استفاده تحقیقاتی مستند می‌کنند. به محض اینکه یک بیمارستان نمونه مناسبی را مشخص کند، شبکه پیک شرکت آن را تحویل گرفته، در ظروف کنترل‌شده از نظر دما حمل کرده و ظرف چند ساعت به مرکز پردازش می‌رساند.

در آزمایشگاه، پوست در یک سیستم پرفیوژن (perfusion system) قرار می‌گیرد که جریان خون را شبیه‌سازی می‌کند و سلول‌ها را تا ۳۰ روز زنده نگه می‌دارد. در این بازه زمانی، تیم تصاویر با وضوح بالا، داده‌های ترانسکریپتومیکس و پروتئومیکس را در نقاط زمانی مختلف ثبت می‌کند. این مجموعه‌داده چندوجهی (multi-modal) به خط لوله‌های یادگیری عمیق تغذیه می‌شود تا پیش‌بینی کند بافت چگونه به ترکیبات شیمیایی، قرار گرفتن در معرض UV یا محرک‌های التهابی واکنش نشان خواهد داد.

افرادی که اهرم را در دست دارند

مایکل پولانسکی (Michael Polansky)، هم‌بنیان‌گذار و مدیرعامل، دارای پیشینه ریاضی از هاروارد و سابقه‌ای در مقیاس‌بندی عملیات‌های پیچیده، از سبدهای سرمایه‌گذاری خطرپذیر گرفته تا تورهای کنسرت جهانی است. کیونگ-جین جانگ (Kyung-Jin Jang)، دانشمند ارشد و متخصص بیولوژی پوست، بخش تجربی را هدایت می‌کند، در حالی که کریس هینوخوزا (Chris Hinojosa)، مدیر فناوری (CTO)، پلتفرم مهندسی داده‌ای را می‌سازد که جریان‌های تصویربرداری و مولکولی را به هم پیوند می‌دهد. هیئت مدیره شامل نماد فرهنگ عامه، لیدی گاگا (Lady Gaga) است که ریاست برند آرایشی Haus Labs را نیز بر عهده دارد؛ کسب‌وکاری که منابع تحقیقاتی خود را با Outer Biosciences به اشتراک می‌گذارد.

این پیوندهای بین‌صنعتی، هم سرمایه لازم برای ساخت یک شبکه لجستیک تخصصی و هم بازاری آماده برای کاربردهای اولیه را برای این استارتاپ فراهم می‌کند. برای مثال، Haus Labs می‌تواند فرمولاسیون‌های جدید را پیش از انتقال به داوطلبان انسانی، روی پلتفرم بافت زنده آزمایش کند و به این ترتیب، هفته‌ها از چرخه معمول توسعه محصول بکاهد.

آنچه در خطر است

اگر این رویکرد مطابق با وعده‌های خود عمل کند، شرکت‌های داروسازی می‌توانند تعداد مطالعات حیوانی مورد نیاز برای غربالگری‌های مرحله اولیه را کاهش دهند و هم هزینه‌ها و هم نگرانی‌های اخلاقی را کم کنند. کلینیک‌های درماتولوژی ممکن است به ابزارهای هوش مصنوعی دست یابند که پیش‌بینی می‌کنند پوست بیمار به یک کرم نسخه‌پیچی شده چگونه واکنش نشان می‌دهد و برنامه‌های درمانی واقعاً شخصی‌سازی‌شده را امکان‌پذیر می‌کنند. جامعه گسترده‌تر هوش مصنوعی نیز می‌تواند از مجموعه‌داده‌های آموزشی غنی‌تر و واقع‌گرینانه‌تری که مرزهای زیست‌شناسی پیش‌بینی‌کننده را جابجا می‌کند، بهره‌مند شود.

این مدل سوالاتی را در مورد مقیاس‌پذیری و حریم خصوصی ایجاد می‌کند. جمع‌آوری بافت از جراحی‌ها به بیمارستان‌ها و اهداکنندگانی بستگی دارد که مایل به مشارکت باشند و با افزایش تقاضا، ممکن است زنجیره تأمین با گلوگاه مواجه شود. اگرچه بانک‌های زیستی تحت نظارت IRB فعالیت می‌کنند، اما پروفایل‌های مولکولی دقیق را می‌توان در تئوری، در صورت لغزش در شیوه‌های مدیریت داده، به افراد مرتبط کرد. منتقدان استدلال می‌کنند که حتی با وجود رضایت، بهره‌برداری تجاری از بافت‌های دورریخته‌شده، با یک مرز اخلاقی باریک در تعارض است.

دیدگاه مقابل: آیا ارگانوئیدها هنوز نقشی دارند؟

دانشمندانی که ارگانوئیدها را توسعه می‌دهند — خوشه‌های سه‌بعدی از سلول‌ها که در آزمایشگاه برای تقلید از عملکرد اندام رشد داده می‌شوند — هشدار می‌دهند که نباید این مدل‌ها را به‌طور کامل کنار گذاشت. ارگانوئیدها را می‌توان از سلول‌های بنیادی پرتوان القایی یک بیمار واحد تولید کرد که پلتفرمی شخصی‌سازی‌شده را بدون نیاز به بافت جراحی تازه فراهم می‌کند. آن‌ها همچنین به پژوهشگران اجازه می‌دهند فرآیندهای تکاملی را در طول چندین ماه مطالعه کنند، کاری که یک برش پوستی ۳۰ روزه قادر به انجام آن نیست. Outer Biosciences اذعان دارد که پلتفرم آن یک جایگزین همه‌جانبه نیست، بلکه منبعی مکمل از داده‌های با دقت بالا برای پرسش‌های خاصی است که در آن‌ها معماری بومی پوست بیشترین اهمیت را دارد.

مسیر پیش رو

Outer Biosciences در حال حاضر در حال انجام مطالعات مقدماتی با چندین شریک بیوتکنولوژی است و قدرت پیش‌بینی مدل‌های خود را در برابر نتایج شناخته‌شده دارویی آزمایش می‌کند. نتایج اولیه که تنها در جلسات توجیهی داخلی به اشتراک گذاشته شده‌اند، نشان‌دهنده همبستگی بالاتری با داده‌های کارآزمایی‌های بالینی نسبت به پیش‌بینی‌های مشابه مبتنی بر ارگانوئید است. این شرکت قصد دارد جمع‌آوری بافت‌های خود را برای شامل شدن انواع دیگر اندام‌ها گسترش دهد، اگرچه هر کدام چالش‌های لجستیکی خاص خود را به همراه خواهند داشت.

نهادهای ناظر هنوز دستورالعمل‌های خاصی در مورد مدل‌های هوش مصنوعی آموزش‌دیده بر روی بافت زنده انسانی صادر نکرده‌اند، اما چارچوب در حال ظهور FDA برای تجهیزات پزشکی مبتنی بر هوش مصنوعی احتمالاً با فعالیت‌های Outer تلاقی خواهد داشت. این استارتاپ می‌گوید در حال آماده‌سازی مستنداتی است که هم با استانداردهای حریم خصوصی داده‌ها و هم با انتظارات این سازمان برای شفافیت الگوریتمی مطابقت داشته باشد.

خلاصه کلام

Outer Biosciences یک شاهکار لجستیکی — انتقال پوست تازه انسانی از اتاق عمل به آزمایشگاه در عرض چند ساعت — را به یک موتور داده تبدیل کرده است که می‌تواند پیش‌بینی‌های هوش مصنوعی درباره داروها و سلامت پوست را قابل‌اعتمادتر کند. موفقیت این سرمایه‌گذاری به توانایی آن در تداوم جریان تأمین بافت، محافظت از حریم خصوصی اهداکنندگان و اثبات این موضوع بستگی دارد که «داده‌های زنده» واقعاً از مدل‌های مصنوعی موجود بهتر عمل می‌کنند. اگر این امر محقق شود، اثرات موجی آن می‌تواند در صنایع داروسازی، آرایشی و پوست‌شناسی بالینی احساس شود و نحوه آموزش ماشین‌ها برای درک بدن انسان را بازتعریف کند.