تحقیقاتی مشترک به رهبری Genki Kanda در مرکز RIKEN برای تحقیقات دینامیک بیوسیستم (BDR) یک سیستم هوش مصنوعی رباتیک (AI) را برای تعیین مستقل شرایط بهینه برای رشد لایه‌های جایگزین شبکیه چشم که برای بینایی ضروری است، توسعه داده‌اند.
هوش مصنوعی یک فرآیند آزمایش و خطا را کنترل کرد که شامل ۲۰۰ میلیون شرایط ممکن بود که در بهبود دستور العمل های کشت سلولی مورد استفاده در پزشکی احیا کننده موفق بود. این دستاورد تنها نمونه‌ای از این است که چگونه طراحی و اجرای خودکار آزمایش‌های علمی می‌تواند کارایی و سرعت تحقیقات علوم زیستی را به طور کلی افزایش دهد.
پژوهش در پزشکی بازساختی اغلب به آزمایش‌های متعددی نیاز دارد که هم زمان‌بر و هم کار فشرده هستند. به طور خاص، ایجاد بافت خاص از سلول‌های بنیادی – فرآیندی به نام تمایز سلولی القایی – مستلزم ماه‌ها کار است و میزان موفقیت به طیف وسیعی از متغیرها بستگی دارد.
یافتن نوع، دوز و زمان‌بندی بهینه معرف‌ها و همچنین متغیرهای فیزیکی بهینه مانند قدرت پیپت، زمان انتقال سلول و دما دشوار است و نیاز به آزمون و خطای بسیار زیادی دارد. همانطور که کاندا توضیح می‌دهد، «از آنجایی که تفاوت‌های جزئی در شرایط فیزیکی تأثیر قابل‌توجهی بر کیفیت دارد، و از آنجا که القای تمایز سلولی هفته‌ها تا ماه‌ها در کشت طول می‌کشد، تأثیر یک تفاوت کوچک در زمان‌بندی در روز سوم ممکن است برای چندین ماه شناسایی نشود. “
برای کارآمدتر و کاربردی‌تر کردن این فرآیند، تیم BDR شروع به توسعه یک سیستم آزمایشی مستقل کرد که می‌تواند شرایط بهینه را تعیین کند و لایه‌های رنگدانه شبکیه عملکردی را از سلول‌های بنیادی رشد دهد. سلول های اپیتلیوم رنگدانه شبکیه (RPE) انتخاب شدند زیرا تخریب این سلول ها یک اختلال شایع مرتبط با افزایش سن است که باعث می شود افراد قادر به دیدن نباشند.
برای موفقیت آمیز بودن آزمایشات ، ربات باید به طور مکرر یک سری از حرکات و دستکاری های دقیق را انجام دهد و هوش مصنوعی باید بتواند نتایج را ارزیابی کرده و آزمایش بعدی را فرموله کند. سیستم جدید این اهداف را با استفاده از یک ربات انسان نما همه منظوره – به نام Maholo – که قادر به انجام رفتارهای تجربی علوم زیستی بسیار دقیق است، به انجام می رساند. Maholo توسط نرم‌افزار هوش مصنوعی کنترل می‌شود که از یک الگوریتم بهینه‌سازی جدید استفاده می‌کند تا تعیین کند کدام پارامترها باید تغییر کنند و چگونه باید تغییر کنند تا کارایی تمایز را در دور بعدی آزمایش‌ها بهبود بخشد.
محققان پروتکل های لازم را برای تولید سلول های RPE از سلول های بنیادی به Maholo وارد می کنند. در حالی که سلول‌های RPE در تمام آزمایش‌ها با موفقیت تولید شدند، بازده تنها ۵۰٪ بود. بنابراین، از هر ۱۰۰ سلول بنیادی، تنها حدود ۵۰ سلول RPE شدند.
پس از ایجاد این خط پایه، هوش مصنوعی فرآیند بهینه‌سازی را برای تعیین بهترین شرایط در بین تمام پارامترهای شیمیایی و فیزیکی آغاز کرد. چیزی که انسان ها بیش از دو سال و نیم طول می کشد تا آن را تکمیل کنند، تنها ۱۸۵ روز طول کشید تا سیستم هوش مصنوعی رباتیک را به خود اختصاص دهد و به نرخ ۹۰ درصدی از بازده تمایز منجر شد. در عمل، این سلول ها بسیاری از نشانگرهای بیولوژیکی معمولی را نشان می دهند که آنها را برای پیوند به چشمی با لایه سلولی آسیب دیده RPE مناسب می کند.
