نقشه‌برداری از امتیازهای رونویسی مرتبط با حلقه‌های R با یادگیری ماشین برای شناسایی نقش نوکلئولین در پیشرفت بدخیم سرطان

پژوهشگران با ادغام داده‌های رونویسی تک‌سلولی، فضایی و توده‌ای و به‌کارگیری یک راهبرد دومرحله‌ای پیشرفته مبتنی بر یادگیری ماشین، امتیازهای رونویسی مرتبط با حلقه‌های R را ترسیم کردند و نوکلئولین (NCL) را به‌عنوان یکی از عوامل مهم مرتبط با پیشرفت بدخیم سرطان کولورکتال (CRC) شناسایی کردند. این مطالعه که در مجله Journal of Translational Medicine منتشر شده است، چارچوبی جامع برای درک چگونگی تأثیر اختلال در تنظیم حلقه‌های R بر بی‌ثباتی ژنومی و شکل‌گیری حالت‌های بدخیم سلولی در ریزمحیط پیچیده تومور ارائه می‌دهد. یافته‌ها نشان می‌دهند که سلول‌های اپیتلیال بدخیم بالاترین امتیازهای رونویسی مرتبط با حلقه‌های R را دارند و این امتیازها با ویژگی‌های تهاجمی سرطان، از جمله افزایش ویژگی‌های بنیادی سلول‌ها، کاهش تمایز سلولی و افزایش فعالیت چرخه سلولی، ارتباط مستقیم دارند. این پژوهش علاوه بر روشن‌کردن چشم‌انداز مولکولی پیشرفت سرطان کولورکتال، NCL را به‌عنوان نشانگری عملکردی معرفی می‌کند که وجود آن با بقای کلی کمتر بیماران مرتبط است و می‌تواند اهداف تازه‌ای برای طبقه‌بندی پیش‌آگهی و پیش‌بینی پاسخ به درمان‌های هدفمند فراهم کند.

این پژوهش بر این واقعیت استوار است که اختلال در تنظیم حلقه‌های R مدت‌هاست به‌عنوان یکی از عوامل مرتبط با بی‌ثباتی ژنومی در سرطان کولورکتال شناخته می‌شود. بااین‌حال، ارتباط دقیق میان برنامه‌های رونویسی مشخص مرتبط با حلقه‌های R و حالت‌های متمایز بدخیمی سلولی در بستر بافتی، تا حد زیادی نامشخص باقی مانده بود. پژوهشگران برای رفع این خلأ، رویکردی چنداُمیکی به کار گرفتند و داده‌های رونویسی تک‌سلولی، فضایی و توده‌ای را از نمونه‌های سرطان کولورکتال با یکدیگر ترکیب کردند. امتیازهای رونویسی مرتبط با حلقه‌های R با استفاده از چند روش امتیازدهی مجموعه ژنی محاسبه شدند؛ روشی که برای ثبت ماهیت پیچیده و ناهمگون فعالیت حلقه‌های R در انواع مختلف سلول‌ها و موقعیت‌های مکانی طراحی شده است. افزون بر این، پژوهشگران پویایی حالت‌های سلولی، سازمان‌یافتگی فضایی سلول‌های توموری و ارتباطات پیچیده میان سلول‌های بدخیم و اجزای استرومایی پیرامون آن‌ها را با استفاده از تحلیل‌های پیشرفته مسیر تحول سلولی، ارتباطات بین‌سلولی، هم‌مکانی و شبکه‌های هم‌بیانی ارزیابی کردند. این ادغام جامع داده‌ها به پژوهشگران امکان داد از بررسی الگوهای منفرد بیان ژن فراتر بروند و تأثیر کلی فعالیت حلقه‌های R بر زیست‌شناسی تومور را بررسی کنند.

بخش اصلی روش‌شناسی این مطالعه بر اجرای دو مرحله متمایز یادگیری ماشین استوار بود. در مرحله نخست، پنج الگوریتم مکمل برای انتخاب ویژگی‌ها به کار گرفته شدند: جنگل تصادفی (Random Forest)، بوروتا (Boruta)، روش لاسو (LASSO)، ماشین تقویت گرادیانی (Gradient Boosting Machine) و XGBoost. هدف از این مرحله، اولویت‌بندی ژن‌هایی بود که ارتباط معناداری با فعالیت حلقه‌های R داشتند. این فرایند دقیق انتخاب ویژگی‌ها برای کاهش حجم گسترده داده‌های رونویسی و محدودکردن آن‌ها به مجموعه‌ای قابل مدیریت و از نظر زیستی مرتبط از نامزدهای ژنی ضروری بود. در نهایت، این روش شش ژن نامزد مشترک مرتبط با حلقه‌های R را شناسایی کرد که در چارچوب‌های تحلیلی مختلف تکرار شده بودند. در میان این ژن‌های مهم، نوکلئولین (NCL) به‌عنوان یکی از محورهای اصلی پژوهش برجسته شد؛ زیرا غنای آن در سلول‌های اپیتلیال بدخیم به‌طور معناداری بیشتر بود. مهم‌تر آنکه، وجود NCL با کاهش معنادار بقای کلی بیماران مبتلا به سرطان کولورکتال ارتباط داشت و از این رو، جایگاه آن را به‌عنوان نشانگری بالقوه برای شناسایی بیماری تهاجمی تقویت کرد.

مرحله دوم راهبرد یادگیری ماشین بر ساخت مدل پیش‌آگهی متمرکز بود. پژوهشگران ۱۰۱ ترکیب مختلف از مدل‌های بقا را با یکدیگر مقایسه کردند تا یک امضای پیش‌آگهی قدرتمند و مشخص بر اساس سلول‌های اپیتلیال بدخیم مثبت از نظر NCL ایجاد کنند. این تحلیل گسترده ترکیبی به انتخاب مدلی مبتنی بر رگرسیون کاکس با انتخاب گام‌به‌گام پیشرو و رگرسیون ریج (Forward Stepwise Cox plus Ridge) انجامید. این مدل در تفکیک بیماران بر اساس میزان بقا، هم در گروه TCGA-COAD و هم در مجموعه داده GSE41258، عملکرد مؤثری نشان داد. افزون بر پیش‌بینی بقا، گروه‌های پرخطر شناسایی‌شده با این مدل در ارزیابی بر اساس چند مجموعه داده فارماکوژنومیک، از جمله GDSC2، CTRP و PRISM، الگوهای متفاوتی از پاسخ پیش‌بینی‌شده به داروها داشتند. این یافته نشان می‌دهد که امضای مرتبط با حلقه‌های R و NCL نه‌تنها می‌تواند به شناسایی بیماران در معرض خطر بیشتر مرگ کمک کند، بلکه سرنخ‌هایی درباره پاسخ احتمالی این سلول‌های تهاجمی به مداخلات درمانی مشخص نیز به دست می‌دهد و زمینه را برای پزشکی شخصی‌سازی‌شده فراهم می‌کند.

نقش NCL در سرطان کولورکتال با استفاده از آزمایش‌های سلولی بررسی و اعتبارسنجی شد. پژوهشگران بیان NCL را در رده‌های سلولی سرطان کولورکتال با موفقیت خاموش کردند و سپس پیامدهای این مداخله را بر رفتارهای بدخیم کلیدی به‌دقت سنجیدند. نتایج آزمایش‌های استاندارد، از جمله واکنش زنجیره‌ای پلیمراز کمّی با رونویسی معکوس (qRT-PCR)، آزمون CCK-8 برای ارزیابی زنده‌مانی سلولی، آزمون ترنس‌ول برای بررسی مهاجرت و آزمون ترمیم زخم، نشان داد که خاموش‌کردن NCL موجب کاهش قابل‌اندازه‌گیری تکثیر، مهاجرت و تهاجم سلول‌ها می‌شود. افزون بر این، شبیه‌سازی‌های رایانه‌ای حذف NCL حاکی از آن بود که مسیرهای پیام‌رسانی مرتبط با تکثیر در سلول‌های بدخیم به‌طور معناداری دچار اختلال می‌شوند. این نتایج تجربی شواهد عملکردی محکمی فراهم می‌کنند که نشان می‌دهد NCL صرفاً نشانگری با همبستگی آماری نیست، بلکه در ایجاد ویژگی‌های تهاجمی سرطان کولورکتال نیز نقش فعال دارد.

تحلیل فضایی، زمینه مهم دیگری برای تفسیر این یافته‌ها فراهم کرد. نتایج نشان دادند که سلول‌های بدخیم با فعالیت بالای مرتبط با حلقه‌های R به‌صورت تصادفی پراکنده نیستند، بلکه به‌طور مشخص در کانون‌های توموری تجمع بیشتری دارند. همچنین، این سلول‌های پرخطر ارتباطات استنباط‌شده بیشتری با اجزای مختلف ریزمحیط تومور، از جمله فیبروبلاست‌ها، سلول‌های اندوتلیال و سلول‌های میلوئیدی، نشان دادند. این یافته اهمیت زیادی دارد؛ زیرا حاکی از آن است که رفتار تهاجمی سلول‌های بدخیم مرتبط با حلقه‌های R به لایه اپیتلیال محدود نمی‌شود، بلکه تعامل آن‌ها با سلول‌های استرومایی و ایمنی اطراف را نیز در بر می‌گیرد و بر این تعاملات تأثیر می‌گذارد؛ فرایندی که در پیشرفت تومور و متاستاز نقش مهمی دارد.

ادغام این مجموعه داده‌های پیچیده، شامل داده‌های رونویسی، سازمان‌یافتگی فضایی و پیامدهای بقا، توانمندی یادگیری ماشین مبتنی بر اجماع را در زیست‌شناسی نوین سرطان برجسته می‌کند. این مطالعه با پیوند دادن انتخاب ژن‌های مرتبط با حلقه‌های R به مدل‌سازی پیش‌آگهی در سلول‌های اپیتلیال مثبت از نظر NCL، تصویری یکپارچه از چگونگی تبدیل اختلالات اپی‌ژنتیکی مرتبط با حلقه‌های R به ویژگی‌های بالینی بدخیمی، از جمله بیان NCL و پیش‌آگهی نامطلوب، ارائه می‌دهد. این راهبرد دومرحله‌ای از تحلیل‌های سنتی مبتنی بر یک ژن فراتر می‌رود و تصویری جامع‌تر و از نظر بالینی مرتبط‌تر از روند پیشرفت سرطان کولورکتال به دست می‌دهد.

در مجموع، این پژوهش شواهد محکمی ارائه می‌کند که از نقش NCL به‌عنوان نشانگری مهم برای پیشرفت بدخیم مرتبط با حلقه‌های R در سرطان کولورکتال حمایت می‌کنند. مدل پیش‌آگهی حاصل از این مطالعه و شناسایی الگوهای مشخص پاسخ به داروها، مبنایی مناسب برای پژوهش‌های اکتشافی آینده با هدف توسعه راهبردهای درمانی جدید فراهم می‌کنند. شناسایی NCL به‌عنوان نشانگری عملکردی مرتبط با فعالیت حلقه‌های R، هدفی بالقوه برای مداخله درمانی در اختیار پژوهشگران قرار می‌دهد و ممکن است به پزشکان کمک کند بیماران را با دقت بیشتری از نظر خطر بیماری طبقه‌بندی کنند و تصمیم‌های درمانی را بر اساس سازوکارهای مولکولی زمینه‌ساز سرطان آن‌ها هدایت کنند.

موضوع پژوهش: استفاده از داده‌های یکپارچه رونویسی تک‌سلولی و فضایی همراه با یادگیری ماشین برای پیوند دادن فعالیت حلقه‌های R به بدخیمی مرتبط با نوکلئولین در سرطان کولورکتال.

عنوان مقاله: یادگیری ماشین مبتنی بر اجماع، داده‌های رونویسی تک‌سلولی و فضایی را برای ترسیم امتیازهای رونویسی مرتبط با حلقه‌های R و پیشرفت بدخیم مرتبط با NCL در سرطان کولورکتال ادغام می‌کند.

مشخصات مقاله: Sun, S., Chen, S., Chen, K., Li, W., Li, J., & Lv, B. (2026). Consensus machine learning integrates single-cell and spatial transcriptomics to map R-loop-associated transcriptional scores and NCL-associated malignant progression in colorectal cancer. Journal of Translational Medicine. https://doi.org/10.1186/s12967-026-09144-4

شناسه دیجیتال مقاله (DOI): 10.1186/s12967-026-09144-4

کلیدواژه‌ها: سرطان کولورکتال، حلقه‌های R، نوکلئولین، رونویسی تک‌سلولی، یادگیری ماشین، پیش‌آگهی سرطان، پیشرفت بدخیم، ریزمحیط تومور، اجماع.