الانشطة والاخبار

مع التقدم المتسارع في تقنيات الذكاء الاصطناعي، أصبح بالإمكان استثمار خوارزميات التعلم الآلي والتعلم العميق في دراسة وظائف الميتوكوندريا وتحليل الحمض النووي الخاص بها (mtDNA)، مما فتح آفاقًا جديدة في مجالات الطب والجنائيات. الميتوكوندريا، باعتبارها مصدر الطاقة الرئيس في الخلية، تؤدي دورًا محوريًا في التوازن الخلوي، وأي خلل في أدائها يرتبط بعدد واسع من الأمراض، من الاضطرابات العصبية إلى السرطانات. هنا يبرز الذكاء الاصطناعي كأداة فعالة قادرة على التعامل مع الكم الهائل والمعقد من البيانات المرتبطة بالميتوكندريا، سواء من الصور المجهرية أو بيانات التسلسل الجيني أو المعلومات السريرية.
أحد التطبيقات البارزة يتمثل في استخدام نماذج الذكاء الاصطناعي التوليدي (Generative AI) لتصميم تسلسلات جديدة تستهدف الميتوكوندريا. فقد طوّر باحثون نموذجًا معتمدًا على خوارزمية Variational-Autoencoder قادرًا على إنشاء ملايين من تسلسلات التوجيه الميتوكوندري (MTSs)، وتم التحقق من فعاليتها تجريبيًا في الخميرة والنباتات والثدييات باستخدام تقنيات تصوير متقدمة. هذه النتائج تفتح المجال نحو بناء مكتبات ديناميكية يمكن الاستفادة منها في الهندسة الأيضية والعلاج الجيني.
كما برز دور الذكاء الاصطناعي في المجال التشخيصي والتنبؤي من خلال تطوير معايير جديدة مثل MitoScore، الذي يعتمد على خوارزميات تعلم آلي متعددة لتوقع وظائف الميتوكوندريا وربطها بالاستجابات المناعية والأيضية، خاصة في سرطانات الجهاز الهضمي. وفي الأورام الأرومية منخفضة الدرجة، أسهمت نماذج التعلم الآلي في إنشاء مؤشرات مثل "mtPCDI"، التي أثبتت قدرتها على التنبؤ بمعدلات البقاء على قيد الحياة وتوجيه التدخلات العلاجية بشكل دقيق.
في مجال التصوير البنيوي، ساعدت تقنيات التعلم العميق في تسريع تحليل صور الميتوكوندريا المأخوذة بالمجهر الإلكتروني، مع تقليل زمن التحليل بنسبة تصل إلى 90% مقارنة بالطرق التقليدية. ومن خلال النماذج المدعومة بالمحاكاة (simulation-supervised deep learning)، أمكن تدريب الخوارزميات على بيانات تحاكي الواقع، مما مكنها من التعرف على ديناميكية الميتوكوندريا الحية عبر مقاطع الفيديو المجهرية بدقة غير مسبوقة.
أما على مستوى البيانات الجينومية، فقد ساهم الذكاء الاصطناعي في تطوير أدوات مثل MitoScape، التي تعتمد على خوارزمية الغابة العشوائية لفصل قراءات mtDNA عن غيرها من التسلسلات المشابهة (NUMTs) في بيانات التسلسل عالية الجودة. هذه التقنية فتحت المجال أمام إعادة تحليل البيانات الجينومية الحالية للكشف عن أنماط ميتوكوندرية جديدة مرتبطة بأمراض شائعة ومعقدة، وذلك عبر بيئات حوسبة سحابية واسعة النطاق.
وتتضح التطبيقات السريرية لهذا الدمج بجلاء في مجالات مثل تقييم الشيخوخة الإنجابية، حيث جرى دمج بيانات متعددة تشمل وظائف الميتوكوندريا وmtDNA مع خوارزميات الذكاء الاصطناعي للتنبؤ بجودة الأمشاج ونجاح تقنيات التلقيح الصناعي. كذلك ساهمت هذه الأدوات في تحديد أنماط مميزة للميتوكوندريا يمكن استهدافها دوائيًا في المستقبل، مما يجعل الذكاء الاصطناعي أداة جوهرية في الطب الدقيق.
إن التكامل بين الذكاء الاصطناعي والبحوث الميتوكوندرية يمثل نقلة نوعية في فهم بيولوجيا الخلية وتطبيقاتها. فمن تصميم تسلسلات موجهة، مرورًا بالتصوير والتحليل البنيوي، ووصولًا إلى التنبؤات السريرية والتطبيقات الجنائية، يظهر الذكاء الاصطناعي كوسيط فعال قادر على تحويل البيانات المعقدة إلى معرفة قابلة للتطبيق. ومن المتوقع أن تساهم هذه الجهود في تعزيز التشخيص المبكر، تطوير العلاجات المستهدفة، ودفع عجلة الاكتشافات العلمية نحو آفاق أوسع.

د.فـــــريال ابراهيم الظفيري
مركز المستقبل لتطبيقات الذكاء الاصطناعي
جامعة المستقبل الاولى على الجامعات الاهلية في العراق