هوش مصنوعی سیستم پاکسازی ضایعات مغز را نقشه‌برداری می‌کند؛ کشف مسیرهای «سریع» و «کند» جریان مایع مرتبط با آلزایمر

مغز انسان یک موتور پرانرژی است که به طور مداوم ضایعات متابولیک تولید می‌کند، از جمله پروتئین‌های آمیلوئید بتا و تاو که به طور بدنامی با بیماری آلزایمر مرتبط هستند. برای جلوگیری از تجمع مواد سمی، مغز به یک شبکه لوله‌کشی پنهان به نام سیستم گلیمفاتیک متکی است که مایع مغزی نخاعی را در طول خواب عمیق از طریق بافت مغز شستشو می‌دهد. بیش از یک دهه است که دانشمندان از وجود این سیستم آگاهند، اما ابزاری برای اندازه‌گیری دقیق نحوه عملکرد آن در یک موجود زنده در اختیار نداشتند.[1]

با وجود نقش حیاتی آن در سلامت عصبی، مکانیسم‌های دقیق این سیستم پاکسازی ضایعات تا حد زیادی برای علم نامرئی باقی مانده است. تصویربرداری رزونانس مغناطیسی سنتی (MRI) جزئیات آناتومیک بسیار خوبی ارائه می‌دهد، اما نمی‌تواند حرکت فوق‌العاده کند مایعات در اعماق مغز را ثبت کند. بدون راهی برای اندازه‌گیری این جریان‌ها، محققان در درک چگونگی دفع ضایعات توسط مغز یا دلیل از کار افتادن این سیستم با افزایش سن، با مشکل مواجه بوده‌اند.[2]

اکنون، یک تیم چندرشته‌ای از دانشگاه‌های روچستر، براون و کپنهاگ، این مانع تصویربرداری را از میان برداشته‌اند. این محققان با انتشار مقاله‌ای در نشریه «ساینس ادونسز» (Science Advances)، تکنیک جدیدی به نام سرعت‌سنجی هوش مصنوعی رزونانس مغناطیسی (MR-AIV) را معرفی کردند که کل سیستم گلیمفاتیک را به صورت سه‌بعدی نقشه‌برداری می‌کند. این داده‌ها اولین نگاه جامع به دینامیک مایعات داخلی مغز را ارائه می‌دهند.[1]

ادعای اصلی که از این داده‌ها به دست می‌آید این است که زیرساخت پاکسازی ضایعات مغز با یک سرعت واحد و یکنواخت کار نمی‌کند. در عوض، هوش مصنوعی یک طرح تخلیه با سرعت دوگانه را کشف کرد که نشان می‌دهد مایع محافظ بسته به ناحیه آناتومیک، از مسیرهای متمایز «سریع» و «کند» حرکت می‌کند. این یافته، فرضیات قبلی در مورد یکنواختی پاکسازی ضایعات متابولیک توسط مغز را به چالش می‌کشد.[1][2]

بر اساس این یافته‌ها، «مسیر سریع» با سرعتی در حدود ۳ میکرومتر بر ثانیه (µm/s) عمل می‌کند. این جریان سریع جابجایی (advective flow) عمدتاً در نواحی سطحی مغز، به ویژه فضاهای باز قشری بین بافت مغز و جمجمه متمرکز است. در این بخش‌ها، مایع نسبتاً آزادانه حرکت کرده و پروتئین‌های انباشته شده را به سرعت شستشو می‌دهد.[1][3]

در مقابل، «مسیر کند» با سرعتی در حدود ۰.۱ میکرومتر بر ثانیه از طریق بافت‌های عمقی مغز—مانند هیپوکامپ، هسته دمدار (کودیت) و تالاموس—جریان می‌یابد. این انتقال مبتنی بر انتشار (diffusion-driven transport) تقریباً ۵۰ برابر کندتر از جریان سطحی است. از آنجا که این نواحی عمقی اغلب محل شروع بیماری‌های تخریب‌کننده عصبی هستند، این نرخ پاکسازی کند، بخش مهمی از معمای آلزایمر محسوب می‌شود.[1]

داگلاس کلی (Douglas Kelley)، استاد مهندسی مکانیک در دانشگاه روچستر و یکی از نویسندگان این مطالعه، توضیح داد: «شما می‌توانید یک میکروسکوپ را روی بخش کوچکی از مغز قرار دهید و آنچه در آنجا اتفاق می‌افتد را با جزئیات زیاد تماشا کنید... اما این تنها یک نمای کوچک از کل فرآیند است.» چارچوب جدید هوش مصنوعی به دانشمندان اجازه می‌دهد تا عقب‌تر بایستند و کل سیستم را به طور همزمان مشاهده کنند.[2]

برای دستیابی به این نمای کل مغز، محققان نوع جدیدی از اسکنر را اختراع نکردند. در عوض، آنها به اسکن‌های استاندارد MRI دینامیک با کنتراست تقویت‌شده (DCE-MRI) متکی بودند که انتشار یک عامل کنتراست پارامغناطیسی رایج به نام گادوبوترول (gadobutrol) را در طول زمان ردیابی می‌کند. این اتکا به سخت‌افزارهای موجود، یکی از قوی‌ترین مزایای عملی این مطالعه است.[1]

نقطه عطف این پیشرفت در نحوه تفسیر داده‌های تصویربرداری استاندارد توسط هوش مصنوعی نهفته است. سیستم MR-AIV از شبکه‌های عصبی مبتنی بر فیزیک (PINNs) استفاده می‌کند، که شاخه‌ای تخصصی از یادگیری ماشین است و الگوریتم را مجبور می‌کند تا از قوانین بنیادی دینامیک سیالات، مانند معادلات ناویر-استوکس و معادلات انتقال جرم، تبعیت کند.[3]

با گنجاندن این محدودیت‌های فیزیکی در شبکه، هوش مصنوعی می‌تواند سرعت، فشار و نفوذپذیری بافت مغز را تنها بر اساس نحوه انتشار رنگ کنتراست استنباط کند. این سیستم اندازه‌گیری‌های دقیق جریان را از تصاویری استخراج می‌کند که نرم‌افزارهای استاندارد هیچ حرکتی در آن‌ها نمی‌بینند و عملاً یک تصویر ثابت را به یک نقشه سیال پویا تبدیل می‌کند.

اگرچه نتایج پیشگامانه هستند، محققان در مورد محدودیت‌های فعلی شواهد شفاف عمل می‌کنند. اندازه‌گیری‌های پایه و نقشه‌های سرعت منتشر شده در این مطالعه صرفاً از آزمایش‌های درون‌تنی (in vivo) روی پنج موش از نوع وحشی به دست آمده‌اند، نه از سوژه‌های انسانی. شواهد مربوط به سرعت‌های گلیمفاتیک انسان همچنان غیرمستقیم است.[1][3]

از آنجایی که آناتومی و دینامیک سیالات مغز انسان به مراتب پیچیده‌تر از موش است، سرعت‌های دقیق مسیرهای سریع و کند ممکن است در جمعیت‌های بالینی تفاوت قابل توجهی داشته باشد. علاوه بر این، مدل به جای یادگیری مستقیم ضرایب فیزیکی (مانند ضریب انتشار) از داده‌ها، بر ضرایب از پیش تعیین شده تکیه دارد، که این امر درجه‌ای از عدم قطعیت در شکل مدل را ایجاد می‌کند که مطالعات آینده باید به آن بپردازند.[1][3]

با این حال، فیزیک زیربنایی و تکنیک‌های DCE-MRI مورد استفاده در این مطالعه، در حال حاضر در محیط‌های بالینی انسانی استاندارد هستند. تیم تحقیقاتی در حال حاضر مشغول بهینه‌سازی نرم‌افزار MR-AIV برای آزمایش‌های انسانی است، با این هدف که در چند سال آینده یک معیار پایه برای جریان گلیمفاتیک سالم در انسان ایجاد کند.[2]

در صورت ترجمه موفقیت‌آمیز به انسان، پیامدهای بالینی این فناوری عمیق خواهد بود. اختلال در سیستم گلیمفاتیک به طور فزاینده‌ای به عنوان یک عامل اصلی در بیماری‌های تخریب‌کننده عصبی، از جمله آلزایمر، پارکینسون و ALS (اسکلروز جانبی آمیوتروفیک)، شناخته می‌شود. توانایی اندازه‌گیری این اختلال به صورت غیرتهاجمی می‌تواند مراقبت‌های عصبی را متحول کند.[1]

در حال حاضر، بیماری آلزایمر اغلب تنها پس از شروع زوال شناختی و تشکیل پلاک‌های سمی آمیلوئید تشخیص داده می‌شود. MR-AIV می‌تواند با شناسایی گردش کند مایع، سال‌ها قبل از وقوع آسیب غیرقابل برگشت، یک نشانگر زیستی اولیه برای این بیماری فراهم کند و پنجره‌ای حیاتی برای مداخلات زودهنگام ارائه دهد.[2]

فراتر از تخریب عصبی، این ابزار می‌تواند برای ارزیابی تأثیر فیزیولوژیکی آسیب‌های مغزی تروماتیک نیز استفاده شود. پزشکان می‌توانند به طور بالقوه پس از یک ضربه مغزی شدید، بیمار را اسکن کنند تا مشخص شود آیا شبکه پاکسازی ضایعات مغز مختل شده است یا خیر، و به این ترتیب، بهبود فیزیکی سیستم لوله‌کشی مغز را در طول زمان زیر نظر بگیرند.[2]

توسعه MR-AIV نشان‌دهنده یک تغییر گسترده‌تر در تصویربرداری پزشکی است، جایی که هوش مصنوعی مبتنی بر فیزیک در حال گذار از یک مفهوم نظری به یک ابزار تشخیصی عملی است. این تکنیک با استخراج داده‌های عملکردی پنهان از سخت‌افزارهای موجود، نویدبخش افزودن یک بُعد زمانی جدید به رادیولوژی است و بینش‌های بی‌سابقه‌ای را در مورد حیاتی‌ترین سیستم نگهداری مغز ارائه می‌دهد.[4]