ארכיון

Archive for the ‘אז מה עושים שם באוניברסיטה?’ Category

אז מה עושים שם באוניברסיטה? פרק 17: כיצד להנדס תאריך תפוגה לחיידקים ולזכות בתהילת עולם

נפגשתי עם לירון אמיר וסתיו שמיר כדי לשמוע מהם על התחרות הבינלאומית לביולוגיה סינטטית בה הם משתתפים.

לירון היא המדריכה של קבוצה המונה 12 סטודנטים, בהם גם סתיו, שמשתתפת בתחרות iGEM הבינלאומית לביולוגיה סינטטית. בימים כתיקונם שניהם לומדים וחוקרים באוניברסיטת בן-גוריון שבנגב. סתיו הוא סטודנט שנה רביעית להנדסת ביוטכנולוגיה ולירון מסיימת בקרוב את עבודת הדוקטורט שלה בהנדסת ביוטכנולוגיה וכימיה.

הקבוצה הכינה סרטון קצר ומצוין על הפרויקט.

מהי התחרות הזאת?

סתיו: התחרות נקראת internationally genetic engineered machines או בקיצור iGEM והיא החלה ב-2004 ב-MIT אבל מאז התרחבה והשנה מתחרות מעל 200 קבוצות מכל העולם. קבוצות של סטודנטים לתואר ראשון עובדים על פרויקט כמה חודשים ומציגים את התוצאות בכנס אזורי, ואם הם עוברים שלב אז גם ב-MIT. נושא התחרות הוא ביולוגיה סינטטית והמטרה היא להביא אותה למודעות ולקדם את התחום.

לירון: מטרה נוספת של התחרות היא ליצור בנק פתוח של רכיבים ביולוגיים לשימוש במחקר ולכן מארגני התחרות דואגים שכל הידע והטכנולוגיה שמפותחים במהלכה נשארים זמינים למי שמעוניין בהם.

מהי ביולוגיה סינטטית?

סתיו: מדובר בגישה שבה בעזרת טכניקות של הנדסה גנטית מושתלים רכיבים גנטיים לתוך יצורים חיים לקבלת תוצרים שאינם קיימים בטבע אך יוכלו להועיל מאוד לאנושות. ניתן למשל להכניס תכונות מועילות לחיידקים ולהשתמש בהם ככלי. לדוגמה ניתן להוסיף למאגר מים שני סוגים של חיידקים, אחד זוהר כאשר הוא בה במגע עם זיהום של מתכות כבדות והשני מטהר את המים מהזיהום. כך אנחנו מזהים בעיה ומטפלים בה.

מה סינטטי בחיידקים האלה?

סתיו: יש כאן הרכבה של כמה אלמנטים שבאים ממקורות שונים. ראשית ישנו הגן שמייצר חלבונים פלואורסנטיים והוא לקוח ממדוזה. רכיב נוסף הוא מערכת הגנים שמזהה מתכות כבדות ולבסוף יש את החיידק שהוא הבסיס למערכת החדשה. את כל אלה יש להרכיב יחדיו כך שהמכונה תעבוד. החיידק המתקבל בסוף התהליך אינו קיים בטבע ולכן נקרא סינטטי.

והחיידקים האלה אינם מסוכנים עבורנו?

לירון: באופן כללי אנחנו עובדים עם גרסה מהונדסת של החיידק אי-קולי שהוא במקור חיידק שחי במעיים שלנו. מהחיידק המהונדס נמחקו כל הגנים שגורמים למחלות ולכן באופן עקרוני אינו אמור להיות מסוכן לנו כלל. עם זאת, מרגע ששחררנו את החיידק לסביבה אין לנו דרך לאסוף אותו חזרה. גם אם אינו יכול לגרום לנו למחלות באופן ישיר ישנה אפשרות שהחיידק המהונדס עלול לגרום לנזק לא ידוע לסביבה. מה גם שהפחד של אנשים מחיידקים מונע מאיתנו כיום להשתמש באפליקציות האלה, בין אם הם עלולות לגרום נזק ובין אם לא. ופה בדיוק נכנס הרעיון שלנו לתחרות.

EscherichiaColi_NIAID

תמונה 1: חיידקי אי-קולי שגודלו בתרבית והודבקו לזכוכית מצולמים במיקרוסקופ אלקטרוני. המקור לתמונה: National Institutes of Health האמריקאי, דרך ויקיפדיה.

ספרו לי מה אתם זוממים?

סתיו: מטרת הפרויקט שלנו היא לייצר מנגנון השמדה אוטונומי שניתן להשתיל בחיידקים. המנגנון יאפשר לחיידק לבצע את פעולתו המועילה ואז לאחר משך זמן שנקבע מראש יגרום למותו.

איך זה יעבוד?

סתיו: אנחנו עובדים בו-זמנית על שני כיוונים. האסטרטגיה הראשונה הוא להשתיל בחיידק פיסת DNA שמייצרת רעלן, ופיסה אחרת שמייצרת חלבון המונע את ביטוי הפיסה הראשונה ונקרא 'רפרסור' (ראו איור 2א). את הרפרסור נבנה כך שיפעל רק אם נמצא חומר חיצוני מסוים. כל עוד החיידק במעבדה אנחנו נספק לו את החומר שיאפשר את פעולת הרפרסור, שבתורו ימנע את ייצור הרעלן. ברגע שנשחרר את החיידק לעולם הוא לא יוכל לייצר חלבוני רפרסור נוספים. בכל פעם שהחיידקים יתחלקו תדולל כמות הרפרסור הקיימת בחיידק עד שבשלב מסוים הכמות נמוכה מידי, הרעלן מיוצר והחיידק מת (2ב).

האסטרטגיה השניה היא לקלקל את מנגנון יצירת אחד החלבונים החיוניים עבור החיידק על ידי שינוי ה-DNA שלו, ובו בזמן להשתיל מנגנון סינטטי שמהווה אפיק מקביל ומאפשר את יצירת אותו חלבון (2ד). פעולתו של המנגנון החלופי תלוי בקבלת חומר מיוחד מבחוץ. כאשר החיידק משוחרר אל מחוץ למעבדה הוא מאבד את היכולת לייצר את אותו חלבון דרך המנגנון החלופי ומת (2ה).

איור של אסטרטגיות
איור 2: תרשים סכמטי של שתי האסטרטגיות ליצירת מנגנון ההשמדה האוטונומי.

אז מה בעצם אתם צריכים להצלחת הפרויקט?

סתיו: אמנם רוב הרכיבים הגנטיים כמו אלה ליצירת הרעלן והרפרסור קיימים בבנק הרכיבים אבל צריך לתכנן ולשנות אותם כך שיתאימו לעבוד יחדיו באותו מנגנון, למשל לשנות את רכיב הרעלן כך שיהיה מבוקר על ידי הרפרסור. לאחר תכנון כל פיסות ה-DNA הדרושות הן מיוצרות על יד חברה שמתמחה בכך. לבסוף יש להשתיל את המנגנון בתוך חיידק. ההשתלה היא טכניקה סטנדרטית של הנדסה גנטית בה שמים את החיידקים במים עם רצפי ה-DNA ובתגובה לעירור ממברנת החיידקים ע"י חום או שוק חשמלי הם סופגים אותם לתוכם.

אלה המשימות הביולוגיות, אבל יש משימות נוספות. אנחנו גם כותבים תוכנת מחשב שתחשב את זמן החיים המצופה של החיידק בעזרת מודל מתמטי. אנחנו עובדים על פרזנטציה ועל אתר אינטרנט לפרויקט ואנחנו גם עוסקים בהנגשת הפרויקט לציבור ובהגברת המודעות לנושא. גם משימות אלה מהוות חלק חשוב בתחרות.

לירון: מכיוון שהפרויקט מורכב מאוד ורבגוני גם הסטודנטים באים מרקע מאוד מגוון. ישנם סטודנטים מהנדסת ביוטכנולוגיה, כימיה, כלכלה, מדעי-המחשב, ביואינפורמטיקה ומערכות-מידע.

ודבר נוסף שאנחנו זקוקים לו הוא עזרה במימון.

אתם מגייסים כסף לפרויקט באתר headstart

סתיו: כן, את הפרויקט יזמנו אנחנו הסטודנטים ולכן היינו זקוקים לתמיכה כלכלית כדי לממנו. חלק מהמימון קיבלנו מחברות מסחריות ומגופים בתוך האוניברסיטה. פנינו לפרויקט התמיכה כדי להשלים את סכום הכסף שחסר לנו.

אחת המטרות של הפרויקט היא להקים תשתית שתשמש כבסיס לקבוצות נוספות שישתתפו בתחרות בשנים הבאות. מדובר בתחרות יוקרתית מאוד בעולם המדע והקבוצה שלנו וקבוצות נוספות שישתתפו בעתיד יכולות להביא כבוד גדול ומודעות למדע בישראל. כמו כן כפי שציינו, כל הפיתוחים בתחרות זמינים ופתוחים לכלל הקהילה המדעית ולכן התמיכה בקבוצות היא תמיכה ישירה בקידום המדע בכלל והמדע הישראלי בפרט.

לירון: הפרויקט שלנו עוסק בבטיחות ולכן הפוטנציאל שלו להועיל ולתרום להנגשת התחום לתועלת האנושות הוא גבוה. אפילו אם נספיק לפתח רק חלק מהכלים, הרי הם יהיו זמינים לכולם בגלל מודל הקוד הפתוח, וזה חלק מהיופי במיזם.

דף הפרויקט באתר headstart

***

קבוצתית לפני עיבוד (2)

הסטודנטים המשתתפים בפרויקט הם: אור שלזינגר, סתיו שמיר, יונתן שמלא, גל מרגוליס, עידן אלוביק, אלכס מלמוד, אפרת מילר, נטע ויס, רייצ'ל גרגור, עדי לוי, אסף קזקוב ורן דך.

המדריכה של הקבוצה: לירון אמיר.

המנחים של הקבוצה הם: פרופ' סמדר כהן, פרופ' ליטל אלפונטה ודר' ניב פפו מהמחלקה להנדסת ביוטכנולוגיה ע"ש אברהם וסטלה גולדשטיין גורן באוניברסיטת בן-גוריון בנגב.

———————————————————

אני אשמח להפגש ולשוחח עם כל תלמיד מחקר (אולי אתם?) שמוכן להשתתף ולספר לי קצת על מה הוא עושה (והכול במחיר של שיחה לא יותר מידי ארוכה). תוכלו ליצור איתי קשר דרך טופס יצירת קשר.

זה הזמן לספר לכולם מה אתם עושים, אולי הפעם הם גם יבינו :-)

מודעות פרסומת

אז מה עושים שם באוניברסיטה? פרק 16:"בוא נייצר ריר ביחד", על התנהגות חברתית ותקשורת בין חיידקים

נפגשתי עם דר' רועי וידבסקי כדי לשאול אותו מה עושים שם באוניברסיטה.

רועי הוא פוסט-דוקטורנט במחלקה למיקרוביולוגיה מולקולארית וביוטכנולוגיה באוניברסיטת תל-אביב. הוא עובד במעבדתו של דר' אביגדור אלדר ועיקר עניינו הוא תקשורת בין חיידקים. רועי ואשתו חולקים את ביתם עם חיות מחמד רבות, ובזמנם הפנוי נהנים לרקוד ריקודים סלוניים.

רועי, אז מה אתם עושים שם?

הנושאים העיקריים שבהם עוסקת המעבדה הם האבולוציה וההתפתחות של התקשורת בין חיידקים. בעבר היה נהוג לחשוב שחיידק הוא תא בודד שדואג לעצמו ואינו מקיים אינטראקציה עם חיידקים אחרים, אך היום ברור שחיידקים 'מדברים' אחד עם השני. השפה של חיידקים היא שפה פשוטה מאוד המתבססת על שליחה וקליטה של מולקולות קטנות. השפה הזאת מאפשרת להם להתנהג בצורה חברתית, כלומר חיידקים יודעים לזהות אחד את השני בתוך הקבוצה ולפעול למען הכלל.

האם ישנה דוגמה מוכרת להתנהגות חברתית של חיידקים?

כן, קח לדוגמה את הפלאק בשיניים שכולנו מכירים ולא אוהבים (ע"ע קריוס ובקטוס). הפלאק הוא אחת הדוגמאות למשהו שנקרא ביופילם (ראו איור 2). ישנם חיידקים מסוגים מסוימים שנדבקים אל משטחים, ואז בעקבות התקשורת ביניהם הם מזהים אחד את השני ומתאגדים ביחד למבנה רב תאי. במבנה זה חיידקים שונים באזורים שונים מקבלים על עצמם תפקידים שונים. חלקם מייצרים מזון, חלקם מהווים מעטפת שמגינה עליהם מפני חומרים אנטיביוטיים וישנם גם תפקידים נוספים. ניתן למצוא ביופילם גם על פילטרים, על מדחפים של אוניות, במכוני שפכים ועוד.

Staphylococcus_aureus_biofilm

תמונה 1: ביופילם של החיידק Staphylococcus aureus. המקור לתמונה: ויקיפדיה, המקור למקור CDC.

חשוב לצחצח שיניים! כעת בוא נחזור אליכם למעבדה, ספר לי על העבודה.

יש בקבוצה שני כיווני מחקר ראשיים: אבולוציה והתפתחות.

אחד הנושאים שמעניינים אותנו למשל בהיבט האבולוציוני הוא יחסי הגומלין בין 'יצרנים' ל-'רמאים'. מדובר בתתי-אוכלוסיה בתוך אוכלוסיות של חיידקים. חיידקים 'יצרנים' הם כאלה המפרישים חומרים שנחוצים להשגת מזון מהסביבה. חיידקים 'רמאים' הם כאלה שנהנים מהתוצרים אך לא מייצרים את החומרים בעצמם. אנחנו מעוניינים להבין את יחסי הגומלין בין שני סוגי האוכלוסיות והיכן נמצאים היתרונות האבולוציוניים במערכת.

בנושא ההתפתחות אנחנו מנסים לאפיין מערכות תקשורת ולהבין איך הן פועלות במצבים שונים של התנהגות חברתית של חיידקים.

תוכל לתת דוגמה?

כן, בוא נדבר על 'swarming'. כאשר חיידקים, למשל מסוג Bacillus subtilis (ראו תמונה 2) שמשמש אותנו כמודל מחקר, נמצאים על מצע חצי-מוצק, נניח סוג של ג'ל, ומרגישים שבסביבתם כבר אין שפע של מזון הם מתאגדים יחדיו ומחליקים להם למקום טוב יותר. חיידק יחיד אינו יכול לשפר עמדות בצורה כזאת לבדו. בתהליך זה מספר רב של חיידקים מפרישים חומר סיכה העוזר להחלקה. כיום עדיין לא ברורה חלוקת התפקידים בתוך אוכלוסיית החיידקים בתהליך הזה. כמו כן, לא ברור אילו גנים מעורבים בתהליך, מה התפקיד שלהם ומתי הם פועלים.

Bacillus_subtilis

תמונה 2: Bacillus subtilis צבוע תחת מיקרוסקופ. המקור לתמונה: ויקיפדיה.

כדי לעקוב אחרי רמות ביטוי של גנים מסוימים (כמה חלבונים נוצרים) בזמן פעילות חברתית שינינו אותם כך שבזמן פעולתם הם מייצרים גם חלבון פלואורסנטי שאותו ניתן לראות תחת מיקרוסקופ מתאים. את החיידקים אנחנו מגדלים על מצע של מזון תחת עינו הבוחנת של המיקרוסקופ. בצורה זאת אנחנו יכולים למפות את עוצמת הביטוי של הגנים בזמן ובמרחב תוך כדי תהליך ה-swarming, ולראות באילו חיידקים ובאיזה שלב של התהליך מתבטאים אותם גנים.

כיצד מתבצעת תקשורת בין חיידקים?

חיידקי ה- Bacillus בהם אנחנו משתמשים מייצרים חלבונים קצרים הקרויים פפטידים שאותם הם מפרישים החוצה. לחיידקים יש גם את היכולת לחוש את הימצאותם של אותם פפטידים באמצעות קולטנים שאליהם הם נקשרים וגורמים להפעלה של גנים. כלומר יש בחיידק רכיבי שידור וקליטה. אותם 'רמאים' למשל שהזכרנו קודם הם חיידקים שמסוגלים להפריש אבל לא לקלוט עקב קולטנים פגומים. הם בעצם 'חרשים' ולכן אינם מתנהגים כמו שאר האוכלוסיה.

ספר לי על אחד הפרויקטים שאתה עובד עליהם

אני מעוניין לייצר מערכת תקשורת סינטטית שתשמש אותנו ככלי עבודה ותהיה נוחה וקלה יותר לתפעול אך עדיין תאפשר מחקר של סוגיות הקשורות לתקשורת אמיתית בין חיידקים. הרעיון הוא לייצר שלושה וריאנטים של אותו חיידק Bacillus subtilis שהזכרתי קודם. אחד שרק משדר, אחד שרק קולט ואחד שיכול לבצע את שתי הפעולות.

כדי לייצר את שלושת הוריאנטים מבלי לפגוע בגנים הטבעיים של החיידק השתמשתי בטכניקות של הנדסה גנטית כדי להשתיל מערכת תקשורת (גנים לקולטנים וגנים לייצור הפפטידים) מקרוב משפחה שלו – Bacillus cereus. כלומר ייצרתי אוכלוסיה שיש בה רק משדר ואוכלוסיה שיש בה רק מקלט. מכיוון שגם המשדר וגם המקלט נלקחו מחיידק אחר אין ערבוב של האותות או 'דיבור' בין המערכת המקורית למערכת המושתלת.

ואם כבר השתלנו מערכת, למה שלא נכניס בה כמה שיפורים. המערכת המושתלת מייצרת חלבונים פלואורסנטיים בזמן קליטה, ויש בה גם כפתור ווליום לעוצמת השידור. בנינו אותה כך שאנחנו יכולים לשלוט על קצב ייצור הפפטידים בצורה חיצונית באמצעות הוספה של סוכרים מסוימים. החיידקים והמערכת שייצרנו אינם קיימים בטבע ולכן נקראים 'סינטטיים'.

ואחרי שייצרת את המערכת, האם היא מוכנה לפעולה?

לא, מה פתאום. צריך לאפיין ולכייל את האלמנטים המרחביים שלה כך שתתאים לניסויים אותם אנחנו מעוניינים לבצע, או לחלופין, יש להבין אילו שאלות ניתן לחקור בעזרתה.

למה אתה מתכוון?

נניח לדוגמה שיש לי חיידק שמפריש סיגנל. המולקולות המופרשות מתפשטות בתהליך של דיפוזיה. אם אני רוצה לבצע מחקר באמצעותו אני חייב לדעת מה אופי התפשטות האות בזמן ובמרחב, כלומר לדעת מהי עוצמת האות (ריכוז מולקולות) במרחקים שונים מהמשדר כתלות בזמן ולחפש תנאים מתאימים לעבודה (שלא יהיה מהיר מידי למשל).

איור ניסוי הדיפוזיה
איור 3: ניסוי המראה את מיפוי הדיפוזיה של הפפטידים בזמנים שונים הממוספרים מ-1 עד 4 בסדר עולה. ככל שהחיידק הקולט אדום יותר כך הגיעו אליו יותר פפטידים.

תחת המיקרוסקופ אנחנו מחפשים את האור הפלואורסנטי שנוצר כאשר אות השידור (פפטיד) נקלט על ידי חיידק מקלט. כך אנחנו יכולים למדוד מתי נוצרת הארה, מה עוצמתה ומה המרחק שלה מהחיידקים המשדרים. ככל שהקולטן רחוק מהמשדר כך נצפה שעוצמת ההארה תהיה נמוכה יותר מכיוון שפחות פפטיד הגיע אליו (ראו איור 3).

כאשר כלי המחקר יהיה מוכן נוכל להשתמש בו כדי לשאול את השאלות שמעניינות אותנו. נוכל למשל לעקוב אחרי פעולת גנים הקשורים להתנהגות חברתית ולראות איך רמות ביטוי שונות שלהם משפיעות על האוכלוסיה (התפתחות), או לבדוק את ההשפעה של ריכוזי רמאים באוכלוסיה (אבולוציה).

——————————————————————

אני אשמח להפגש ולשוחח עם כל תלמיד מחקר (אולי אתם?) שמוכן להשתתף ולספר לי קצת על מה הוא עושה (והכול במחיר של שיחה לא יותר מידי ארוכה). תוכלו ליצור איתי קשר דרך טופס יצירת קשר.

זה הזמן לספר לכולם מה אתם עושים, אולי הפעם הם גם יבינו :-)

אז מה עושים שם באוניברסיטה? פרק 15: קצת כמו למשש אטומים, על מיקרוסקופית מנהור אלקטרונים

נפגשתי עם דניאל רוזנבלט כדי לשאול אותו מה עושים שם באוניברסיטה.

דניאל השלים תואר שני בפיזיקה באוניברסיטת תל-אביב, וכיום הוא בעיצומה של עבודת הדוקטורט במכון מקס-פלנק לחקר המצב המוצק בשטוטגרט, גרמניה. הוא עובד במעבדתו של פרופ' קלאוס קרן (Kern), ועיקר עניינו הוא מיקרוסקופית מינהור אלקטרונים. בזמנו הפנוי עוסק דניאל בטיפוס ספורטיבי על קירות ובהחלקה על רולר-בליידס.

דניאל, אז מה אתם עושים שם?

המעבדה עוסקת בתחום רחב של נושאי מחקר בתחום ננוטכנולוגיה, פיזיקה, כימיה ומדע החומרים. המומחיות הגדולה של המעבדה היא במיקרוסקופיית מנהור אלקטרונים (scanning tunneling microscopy, STM) ופיתוחים שונים שלה.

מהי מיקרוסקופיית מינהור אלקטרונים?

כאשר אנחנו חושבים על מיקרוסקופיה אנחנו בדרך כלל חושבים על פוטונים (אור) או אלקטרונים שפוגעים בדגם, מתפזרים ואז נאספים ליצירת תמונת הדמיה. העיקרון של מיקרוסקופיית המנהור שונה בתכלית. במקום לשגר חלקיקים מרחוק, נעשה שימוש במחט מתכתית דקה מאוד כדי לסרוק את פני הדגם, קצת כמו עיוור הקורא כתב ברייל (ראו תמונה 1). הרוחב של קצה המחט הוא כמה עשרות ננומטרים, כלומר קטן פי אלף מקוטר שערה. במהלך הסריקה המחט נמצאת קרוב מאוד לפני הדגם, ועוקבת אחרי תוואי השטח.

ה-STM פותח לראשונה בתחילת שנות השמונים במעבדות IBM בציריך. הפיתוח זיכה את הממציאים, ביניג ורורר (Binnig, Rohrer) בפרס הנובל בפיזיקה ב-1986.

Scanning Tunneling Microscope schematic
תמונה 1: איור סכמטי של מערכת ה-STM. המקור לתמונה: ויקיפדיה, לשם הועלתה על ידי המשתמש: Michael Schmid.

איך עובד ה-STM?

ראשית יש לסגור מעגל חשמלי בין המחט לדגם (ראו תמונה 1), ולחבר את המחט למכשיר שישלוט על מרחקה מהדגם ברמת דיוק גבוהה מאוד. המחט לא נוגעת בדגם ולכן אלקטרונים לא יכולים לעבור ביניהם בהולכה חשמלית רגילה למרות הפעלת מתח חשמלי. עם זאת, המחט כל כך קרובה שאלקטרונים יכולים לעבור בתהליך שנקרא מנהור.

מהו מנהור?

בעולם של הפיזיקה הקלאסית גוף הנתקל במכשול, כמו למשל כדור המתגלגל אל עבר גבעה תלולה, יעבור אותו רק אם יש לו מספיק אנרגיה, ובמקרה של הכדור מהירות. בעולם הקוונטי, עקב תכונות גליות, יש לאלקטרון סיכוי קטן להתגבר על מכשול ולהופיע בצידו השני גם אם אין לו את כמות האנרגיה הדרושה לכך (ראו תמונה 2). ככל שהמכשול דק יותר, כך ההסתברות גבוהה יותר. ההסתברות למנהור של אלקטרון בודד מהדגם למחט היא קטנה מאוד, אך מספר האלקטרונים גדול מאוד, כך שבהינתן שהמחט קרובה מספיק למשטח, מספיק אלקטרונים יעברו כך שנוכל למדוד זרם מנהור. זרם המנהור חלש מאוד ולכן יש צורך להגביר את האות פי מיליארד כדי שיהיה אפשר להזין אותו למחשב ולעבוד איתו.

Tunneling
איור 2: מנהור. משמאל, גל אדום הפוגש מכשול. עקב תנאי רציפות של השדה החשמלי, בתוך המכשול הגל הכחול דועך חזק. מימין, חלק מהגל עבר בעוצמה חלשה. המקור לתמונה: ויקיפדיה, לשם הועלתה על ידי המשתמש Felix Kling.

רכיב חשוב נוסף במערכת ה-STM הוא לולאת המשוב (פידבק) שתפקידה הוא לשמור על המחט בגובה קבוע מעל פני הדגם.

כיצד יודע מעגל השליטה מה המרחק בין המחט לפני השטח?

עוצמת זרם המנהור תלויה באופן חזק במרחק בין המחט לפני השטח ולכן הזרם הוא מדד רגיש למרחק. לולאת המשוב שולטת בגובה של המחט. אות הכניסה שלה הוא זרם המנהור, ותפקידה הוא לשמור על הזרם ברמה קבועה.

אז מהו אות היציאה של המכשיר? מה בעצם מודדים?

הגובה של המחט נשלט על ידי גביש פיזואלקטרי (ראו תמונה 1). גבישים אלה מייצרים מתח חשמלי בתגובה ללחץ מכני ולהפך, משנים את אורכם בתגובה להפעלת מתח חשמלי. אם המחט מחוברת לגביש כזה (piezoelectric actuator), ניתן לשלוט על גובהה בדיוק רב על ידי הפעלה מבוקרת של מתח חשמלי. המתח שמופעל על הגביש הפיזואלקטרי לשם שמירה על זרם קבוע הוא אות היציאה, כלומר האות שממנו מסיקים את הגובה של פני השטח.

מה בעצם רואה ה-STM?

זרם המנהור תלוי במתח החשמלי, במרחק המחט מהמשטח ובגודל הנקרא 'צפיפות המצבים' שקשור לצפיפות האלקטרונים במקום ובאנרגיה מסוימים. מכיוון שאנחנו שומרים על המתח קבוע, המכשיר ממפה את 'צפיפות המצבים' בכל נקודה. אם לדוגמא עוברים במהלך המדידה מסריקה באזור של מתכת אחת לאזור של מתכת אחרת, עוצמת האות תשתנה ובתמונה האזור יראה בגובה שונה מכיוון שצפיפות המצבים שונה.

היתרון הגדול ביותר של ה-STM הוא הרזולוציה המרחבית שלו שהיא מסדר גודל של אטום בודד (ראו תמונה 3). מכיוון שזרם המנהור דועך אקספוננציאלית עם המרחק, עיקר התרומה נובעת ממעבר אלקטרונים בין האטום בקצה המחט לאטום שמתחתיו. רזולוציה זאת מאפשרת לחקור למשל תכונות של מולקולה בודדת כלשהי על משטח של מתכת.

Atomic_resolution_Au100
תמונה 3: משטח זהב כפי שנסרק על ידי STM. העיגולים התמונה הם אטומים! המקור לתמונה: ויקיפדיה.

למיטב ידיעתי, ניתן לרכוש מכשירי STM מסחריים. למה אתם בונים אותם?

אנחנו בונים מכשירים בעלי תכונות מיוחדות או שילובים של תכונות קיימות שאינם מוצעים בשוק. דוגמא טובה לכך הוא למשל הפרויקט שאני עובד עליו. אני בונה מכשיר STM שביכולתו גם לחקור מולקולות מגנטיות. הטכניקה נקראת spin polarized STM ובה סורקים עם טיפ שיש לו בקצה חומר מגנטי.

מה מטרת הפרויקט מעבר לבניית המכשיר?

השאיפה בתעשיית רכיבי הזיכרון היא להקטין ככל שניתן את גודלו הפיזי של ביט. ביט מגנטי מורכב מחומר מגנטי שמחולק למתחמים מבודדים מגנטית. מועמדת טובה ליצירת ביט בודד מסדר גודל אטומי היא מולקולה המכילה ליבה מגנטית ומעטפת אורגנית המבודדת אותה משכנותיה. טכנולוגיה זאת אמנם עדיין בחיתוליה ויש בה בעיות רבות שלהן עדיין לא נמצא פתרון. אך מכיוון שמגוון המולקולות האורגניות שאפשר לייצר אינסופי, אנחנו מקווים שימצא שילוב של מולקולה, משטח ומגעים חשמליים שיעבדו היטב יחדיו בטמפרטורת החדר.

ה-STM  הוא מכשיר אידיאלי לחקור את התכונות של מולקולות על משטחים. מחד, ניתן לבחון את ההשפעה של המשטח על צורתה של מולקולה בודדת ועל סידור האלקטרונים בה. מאידך, ניתן לבדוק כיצד מסתדרות המולקולות על המשטח כאשר הן בצפיפות גבוהה. את יציבותן של התכונות המגנטיות ניתן כאמור לבחון בעזרת ה-spin polarized STM.

המחקר שלנו מתמקד במולקולות שטוחות, שאפשר לזהות בקלות בתמונה טופוגרפית, בעלות אטום מתכתי במרכז ותוספות שונות מחוץ לטבעת האורגנית. אנחנו מעוניינים לגלות אילו סוגי תוספות שומרים על התכונות המגנטיות של האטום המרכזי גם בטמפרטורות גבוהות, ואיך אפשר לשלוט בעזרתן על הסידור הספונטני של מולקולות המפוזרות על משטח מתכתי.

לסיכום, מה משך אותך לפרויקט הזה?

אחד הדברים העיקריים שמשכו אותי הוא האתגר לתכנן ולבנות את המכשיר מאפס. הפרויקט הוא רב-תחומי ומשלב עבודה על בחירת חומרים לטמפרטורות נמוכות וואקום גבוה, תכנון מערכת משאבות, אמצעי קירור ושיכוך זעזועים, חיווט לתדרים גבוהים וניתוח מידע ממוחשב. זה מה שהופך עבורי את האתגר לכיף גדול!

——————————————————————

אני אשמח להפגש ולשוחח עם כל תלמיד מחקר (אולי אתם?) שמוכן להשתתף ולספר לי קצת על מה הוא עושה (והכול במחיר של שיחה לא יותר מידי ארוכה). תוכלו ליצור איתי קשר דרך טופס יצירת קשר.

זה הזמן לספר לכולם מה אתם עושים, אולי הפעם הם גם יבינו :-)

אז מה עושים שם באוניברסיטה? פרק 14: תנו לרובוט לעבוד, על בחינת מועמדות לתרופות עבור רפואה מותאמת אישית

נפגשתי עם דר' לאונרדו סולמסקי כדי לשאול אותו מה עושים שם באוניברסיטה.

לפני מספר חודשים ראיינתי את שרון לפלר, דוקטורנט בקבוצה של פרופ' מיגל וייל במחלקה לחקר התא ואימונולוגיה בפקולטה למדעי החיים באוניברסיטת תל-אביב, בנושא פיתוח מודל-מחקר למחלות 'יתומות'. בסוף הראיון סיפר לי שרון על מערכת רובוטית חדשה וייחודית שמותקנת במעבדתם ויכולה לבדוק במהירות וביעילות את ההשפעה של מספר רב של חומרים על תאים 'חולים' כדי למצוא תרופות חדשות.

דר' סולמסקי אחראי על תפעול המעבדה הנקראת Cell screening facility for personalized medicine. ביקרתי אותו כדי לשמוע יותר על עבודתו הייחודית. את הידע על הטכנולוגיה הוא רכש במהלך התמחות במספר מעבדות בחו"ל ובעיקר באוניברסיטת הרווארד.

דר' סולמסקי נולד בארגנטינה ועלה לארץ בשנת 2003. הוא ביוכימאי, רוקח, וביולוג ואת עבודת הדוקטורט שלו עשה בפקולטה למדעי החיים באוניברסיטת תל-אביב. הוא נשוי + ילד, ובזמנו הפנוי אוהב לבלות עם המשפחה, לרוץ או לנגן מוזיקה.

לאונרדו, אז מה אתה עושה שם?

המטרה הכללית של המעבדה היא בדיקה ומיון של חומרים ומציאת מועמדים עבור תרופות למחלות נוירודגנרטיביות ולעיתים גם נדירות (APBD, ALS, FD, MNGIE, ועוד), ולכן אינן מהוות מטרה עבור חברות התרופות (מחלות 'יתומות'). העבודה נעשית באמצעות מערכת ממוחשבת וייחודית שמורכבת ממספר מכשירים המתואמים זה עם זה. שיטת העבודה נקראת high content screening, ובה מצלמים תאים חולים תחת מספר רב של טיפולים שונים ובעזרת התמונות מחפשים שינויים בפרמטרים שונים שיעידו על שיפור במצב. למרות שהיינו הראשונים לייבא אותה לארץ, כיום קיימות מערכות נוספות. עם זאת, אנחנו עדיין היחידים שעשינו אינטגרציה בין הרובוט למערכת איסוף התמונות ולאינקובטור. כלומר התהליך הוא אוטומטי מרגע הכנסת התאים ועד קבלת הנתונים מצילומם.

ספר לי על המערכת

המערכת כוללת רובוט שמבצע פעולות מכאניות להכנת הדגמים הנמדדים, מכשיר הנקרא 'IN Cell Analyzer 2000' המסוגל לצלם באורכי גל שונים מספר רב של תמונות בזמן קצר, אינקובטור אוטומטי המאפשר לגדל תאים בצורה מבוקרת על ידי הרובוט, ותוכנות לניתוח אוטומטי של התמונות (ראו תמונה 1). כל תהליך ההכנה מתבצע באווירה סטרילית במנדף ביולוגי.

Cell screening facility for personalized medicine
תמונה 1: מערכת הצילום, האינקובטור האוטומטי והרובוט בתוך המנדף. המקור לתמונה: דר' סולמסקי, אוניברסיטת תל אביב.

כיצד מתבצע ניסוי במערכת?

לפני תחילת הניסוי יש לאפיין את ההבדלים בין תאים בריאים לחולים מכיוון שיש בכוונתנו לחקור ולאפיין תגובה של תאים חולים לחומרים שונים. שלב הכנה זה נעשה אצלנו ביחידה מראש לפני תהליך ה-screening.

בתחילת הניסוי יש להכין את התאים שאנחנו מעוניינים לבדוק. כחלק מההכנה של התאים לניסוי אנחנו בדרך כלל משתמשים בצבענים פלואורסנטיים שונים לסמן אברונים שונים או חלבונים מעניינים בתא.

הרובוט המכאני מבצע את כל הפעולות הנדרשות להכנת הצלחות המכילות את התאים לצילום. אנחנו מספקים לרובוט צלחות מיוחדות עם מספר רב של באריות קטנות, מאגר של תאים ואת החומרים הרצויים, והרובוט עושה את כל השאר. הוא זורע את התאים בבאריות, מוסיף חומרים כשצריך ומוביל את הצלחות בין התחנות השונות במערכת. אנחנו רוצים לבדוק את ההשפעה על התאים של כ-20,000 חומרים שונים הלקוחים מספריית מולקולות קטנות. הרובוט מבצע את המשימה ביעילות, בדייקנות ובמהירות שאינן אפשריות עבור חוקר אנושי.

כיצד מתבצע הצילום?

הצלחת שמכילה מספר רב של באריות עם תאים שנחשפו לחומרים ולאחר מכן נצבעו, מוכנסת למכשיר הצילום על ידי הרובוט. כל בארית מצולמת במספר אורכי גל פלורוסנטיים בהתאם לצבענים שהשתמשנו. הצילום הוא מהיר מאוד, ברזולוציה גבוהה ובתמונה רחבה. לאחר הצילום התמונות נשלחות למחשבי האנליזה.

מהו תהליך האנליזה?

התהליך מכיל מספר שלבים. השלב הראשון נקרא סגמנטציה, ובו התוכנה מבדילה בין הפיקסלים שמכילים מידע ואלה שמהווים את הרקע. התוכנה מזהה אובייקטים בתמונה כגון תאים או גרעינים, כל אחד באורכי הגל בהם נצבעו. על מחשבי התחנה ישנן תוכנות המריצות אלגוריתמים שמתמחים בביצוע פעולות אלה, אך לשם קבלת תוצאה אופטימלית נדרשות התאמות עדינות המבוצעות על ידי המשתמש ודורשות מומחיות בתפעול וניסיון.

השלב הבא הוא חיבור התמונות של אורכי הגל השונים. לדוגמא אם התאים צבועים באדום והגרעינים בכחול, שלב הסגמנטציה יזהה את כל הפיקסלים האדומים שמרכיבים תא מסוים, ואת כל הפיקסלים הכחולים שמרכיבים גרעין מסוים. בשלב החיבור, שנקרא LINKAGE, תאחד התוכנה את כל הפיקסלים האדומים של התא עם כל הפיקסלים הכחולים של הגרעין שלו תחת אובייקט אחד שהוא אותו תא.

בשלב המדידה אנחנו מחליטים אילו פרמטרים אנחנו רוצים לנתח עבור אותם אובייקטים שזוהו על ידי התוכנה. אפשר להסתכל על הרבה פרמטרים בכל אחד מהאברונים שמרכיבים את התא כגון: מספר, גודל, עוצמת האות, היקף, צורה, מיקום, מרחק לאברונים אחרים, ועוד רבים, וגם להגדיר לבד פרמטרים חדשים.

אז מה אתם בדרך כלל מחפשים?

אנחנו עושים משהו שנקרא: Phenotypic drug discovery. אנחנו מחפשים בתמונות תחת אילו טיפולים נראים הפרמטרים של התאים החולים דומים יותר לבריאים. חומרים אלו יהיו מועמדים טובים עבור תרופות לטיפול במחלה.

אמרת שיש כ-20,000 באריות ועשרות פרמטרים, איך אתם עוקבים אחרי השינויים?

יש כמה שיטות להתמודד עם כל המידע הזה. ניתן לבצע כל מיני ניתוחים סטטיסטיים, ולהציג את המידע בצורות שונות. אני אתן לך דוגמא לאחת השיטות שנקראת Profile chart. בשיטה זאת אנחנו בוחרים לעבוד רק עם כמה פרמטרים שנראו שונים בין תאים בריאים לחולים בשלב האפיון המוקדם. את הערכים שנמדדו בתאים חולים שעברו טיפול אנחנו מנרמלים בין 0 ל- 100, כך שניתן להציג את כולם על אותו גרף. הגרף מכיל מספר פרמטרים בציר האופקי ואת ערכם המנורמל בציר האנכי, וצורתו היא המאפיין של תא, כך שכל התאים הבריאים, למשל, יראו תבנית דומה מאוד בגרף כזה, ושונה לזה שמראים תאים חולים (ראו תמונה 2). התוכנה יכולה לבצע ניתוח סטטיסטי על הגרפים שהופקו מהצילומים ולמצוא את החומרים שגרמו לדפוס הקרוב לזה של תאים בריאים. את כל זאת ניתן לעשות מבלי לנתח את השפעה של החומר על כל תכונה ותכונה באופן פרטני. זהו בעצם תהליך המיון של התרופות (drug screening), ועבור כ-20,000 חומרים הוא עלול להמשך כחודשיים (כולל ההכנה והמדידה של התאים).

Profile chart
תמונה 2: צילום מסך לדוגמא של profile chart. השוואה בין פרופיל של תאים חולים (אדום) לפרופיל של תאי ביקורת (כחול). שימו לב להבדל בין שני סוגים שונים של תאים ולדמיון בין חזרות שונות של ניסוים באותם תאים. המקור לתמונה: דר' סולמסקי, אוניברסיטת תל אביב.

אז מה החזון שלכם לעתיד?

כפי שהסברתי, כיום אנחנו יכולים באמצעות המערכת לסרוק בזמן קצר יחסית מספר עצום של חומרים המועמדים לשמש כתרופות למחלות שונות. מה שאנו שואפים להקים בעתיד הוא מערך טיפול שבו ניתן לקחת תאים מאדם בודד ולהתאים לו תרופות באופן אישי בזמן ומחיר סבירים. זה החזון, ומכאן נגזר שמה של המעבדה: Cell screening facility for personalized medicine.

אז מה עושים שם באוניברסיטה? פרק 13: איך להשתפר בדמקה בשלושה צעדים פשוטים – על תכנות גנטי

נפגשתי עם עמית בן-בסט כדי לשאול אותו מה עושים שם באוניברסיטה.

עמית הוא סטודנט לתואר שלישי במחלקה למדעי המחשב באוניברסיטת בן-גוריון שבנגב. הוא מבצע את עבודת הדוקטורט שלו בקבוצה של פרופ' משה זִיפֶּר, וחוקר שימוש בתכנות גנטי לפיתוח שחקנים במשחקי לוח. בזמנו הפנוי עמית כותב באתר ארגון הספקנים הישראלי, ומרצה פה ושם בנושאי מדע פופולרי.

עמית, אז מה אתם עושים שם?

קבוצת המחקר שלנו עוסקת במגוון נושאים הקשורים לאלגוריתמים אבולוציוניים שהוא תחום במדעי המחשב ששייך לבינה מלאכותית. הכוונה באלגוריתמים אבולוציוניים היא יצירת סימולציה מופשטת של תהליך אבולוציה בברירה טבעית במחשב כדי לייצר פתרונות טובים יותר לבעיות. אני עובד בתת-תחום שנקרא תכנות גנטי.

איך עובד תכנות גנטי?

הצעד הראשון הוא לייצר אוכלוסיה התחלתית של תוכנות שפותרות בעיה מסוימת, למשל איך לשחק טוב משחק לוח. האסטרטגיה שלנו היא בדרך כלל לשפר בתהליך אבולוציה רק חלק של התוכנה שנמצא בתוך מעטפת שאינה משתנה. החלק שעובר את תהליך האבולוציה הוא מה שמבדיל בין הפרטים באוכלוסיה.

תוכל לתת דוגמא?

כן, קח למשל את משחק הדמקה. חלק התוכנה שאנחנו משפרים באבולוציה הוא זה שמזהה את מצב הלוח ומחזיר מספר. 'מצב הלוח' מתאר מצב חוקי יחיד של המשחק, ובדמקה יוגדר על ידי מספר, סוג ומיקום הכלים על הלוח, ומי הבא בתור לשחק. תוכנת המעטפת תהיה אלגוריתם חיפוש כלשהוא.

איור 1: למקרה שהגעתם מהחלל החיצון, לוח דמקה מוכן למשחק. האיור להמחשה בלבד! המקור: ויקיפדיה.

איך התוכנה מגדירה שחקן?

על ידי הגדרת אסטרטגיית המשחק שלו. אותו שחקן יכול להשתמש בתוכנה כדי לבדוק את המצב בו הוא נמצא כרגע, ולהשוות אותו בדמיונו הממוחשב למצבים הנובעים מכל המהלכים החוקיים האפשריים. אותו שחקן יכול כעת לבחור את המצב שקיבל את הציון הטוב ביותר. אם נרצה שחקן טוב יותר, נוכל לדרוש ממנו לבצע בדיקות גם עבור מספר מהלכים קדימה. המחיר הוא זמן ריצה, והוא גדל באופן מעריכי.

תוכל לתת דוגמא להבדלים באוכלוסיה?

כן, למשל תוכנה אחת באוכלוסיה יכולה לנקד מצב לוח על ידי ההפרש בין מספר הכלים של שני השחקנים. אם ההפרש גדל לטובתי, אני מרוצה כי כנראה אכלתי כלי של היריב. תוכנה אחרת באוכלוסיה יכולה לנקד מצב לוח על פי אותו עיקרון אך להוסיף סייג שמלך שווה יותר בספירה.

התוכנות האלה בנויות במבנה נתונים שנקרא עץ GP, ומורכבות מאלמנטים שונים בצורה מודולרית (ראו איור 2). את האוכלוסיה ההתחלתית של לפחות מאה תוכנות או עצים אנחנו מפיקים באקראי באמצעות תוכנה שכתבנו למטרה זאת.

איור 2: ביטוי אריתמטי המיוצג על ידי מבנה נתונים בצורת עץ. המקור: ויקיפדיה.

איך קובעים את זהות התוכנות הטובות ביותר?

כפי שקלישאת הכדורגל אומרת, הטבלה לא משקרת. כדי לקבוע מי הן התוכנות המוצלחות (בעגה ה-fitness) אנחנו מקיימים טורניר בין הפרטים באוכלוסיה. התוכנות מקבלות נקודה עבור כל ניצחון, וחצי נקודה על תוצאת תיקו. ככל שתוכנה נמצאת במקום גבוה יותר בטבלה, כך סיכוייה להיבחר לדור הבא גבוהים יותר. לדוגמא, אם יש לנו אוכלוסיה של מאה פרטים, אנחנו נבחר מאה פרטים שירכיבו את הדור הבא. כל תוכנה יכולה להיבחר יותר מפעם אחת, ולכן התוכנות במיקום גבוה בטבלה יבחרו מספר רב של פעמים על חשבון תוכנות במיקום נמוך. ממאה התוכנות שנבחרו בסוף התהליך ניצור את הדור הבא.

למה אתה מתכוון? איך מיוצר הדור הבא?

ישנן שתי פעולות העוקבות אחרי תהליך הסלקציה ומטרתן לייצר שינוי באוכלוסיה. פעולה אחת נקראת מוטציה ובה נבחר באקראי תת-עץ מתוך העץ השלם המייצג את השחקן. אותו תת-עץ מוחלף בתת-עץ חדש. דוגמא למוטציה יכולה להיות החלפת תת-העץ x/11 מאיור 2, לתת-עץ שמבטא למשל x-5 (ראו איור 3). אנחנו בדרך כלל קובעים את הסיכוי למוטציה בעץ כך שבערך עשירית מהעצים יעברו מוטציה.

איור 3: העץ מאיור 2 לפני ואחרי מוטציה.

הפעולה השניה נקראת קרוס-אובר (crossover) והיא מדמה רבייה מינית. אנחנו בוחרים שני עצים, ובתוך כל עץ בוחרים באקראי תת עץ. כעת אנחנו מבצעים אחת משתי האפשריות הבאות: מחליפים בין שני תתי-העצים, או מחליפים את תת-העץ בעץ שהצליח פחות טוב בטורניר בתת-העץ מהעץ שהצליח יותר.

אחרי שלבי המוטציה והקרוס-אובר, מתקבלת אוכלוסיה המורכבת ממאה פרטים חדשים שנקראים דור 1 (האוכלוסיה ההתחלתית נקראת דור 0). לקבלת דור 2 נחזור על התהליך: ליגה, סלקציה ורבייה (מוטציה וקרוס-אובר), וכך הלאה עד למספר דורות שנקבע מראש (ראו איור 4). את רמת השחקנים נקבע אובייקטיבית על ידי משחק נגד שחקן חיצוני שאנחנו כתבנו ללא אלגוריתם תכנות גנטי. סוף התהליך הוא חיפוש השחקן הטוב ביותר בכל הדורות.

איור 4: תרשים זרימה המתאר את תהליך התכנות הגנטי.

אז מה עם הדמקה?

אחד הדברים הראשונים שעשיתי בעזרת תכנות גנטי היה לכתוב שחקן למשחק דמקה הפוכה, וזאת מבלי להיות מומחה גדול במשחק. נתתי לאבולוציה לעשות את העבודה במקומי. בהמשך הראיתי שניתן להשתמש בתהליך גם לדמקה רגילה ומשחקים נוספים. התכנות הגנטי אפשר לי לכתוב שחקנים מוצלחים למשחקים שונים ללא צורך בהשקעת מאמץ רב נוסף על זה שכבר השקעתי.

נשמע נפלא, האם יש פה 'אבל' איפשהו?

תראה, יש להבין שאנחנו מאוד מוגבלים במספר המהלכים קדימה שאנחנו מאפשרים לשחקנים לחשב. עבור מספר גדול של מהלכים לא נוכל לסיים את הטורנירים של תהליך הסלקציה בזמן סביר מכיוון שזמן הריצה גדל, כאמור, באופן מעריכי. ניתן גם להראות שאם ייצרנו שחקן בתהליך אבולוציה שבו היתה בדיקה של מספר מסוים של מהלכים קדימה, לא נוכל לשפר משמעותית את איכותו בצורה פשוטה על ידי הגדלת מספר הצעדים קדימה שהוא בודק. כלומר המוצר הסופי אופטימלי לתנאים בהם הוא נוצר.

אז מה עושים?

מנסים להתחכם. נניח שבמצב לוח מסוים כל מהלך קדימה מוביל לעשר אפשריות פעולה. במידה ונבדוק רק חמש מהן עבור כל מהלך, נוכל להרשות לעצמנו לבדוק יותר מהלכים קדימה. כדי לבחור את חמש האפשריות הטובות מבין העשר נוכל להשתמש בשחקן שרואה רק מהלך אחד קדימה. תהליך זה נקרא בעגה המקצועית pruning, כלומר גיזום. במהלך המחקר הצלחנו להראות שבעקבות הגיזום אנחנו מרוויחים פעמיים. ראשית, השחקנים האלה טובים יותר, ושנית ניתן לשפר אותם ישירות על ידי הקטנת הגיזום, למשל בדוגמא כאן לבחור שבע אפשריות מתוך עשר במקום חמש, ללא תהליך אבולוציה נוסף.

כיצד היית מסכם את היתרונות של השיטה?

התכנות הגנטי מאפשר ללמוד ולהשתפר במשחק, מבלי בעצם לדעת עליו דבר מלבד למהלכים הבסיסיים. השיטה היא גנרית ומותאמת בקלות לבעיות שונות, והיא יכולה להצליח גם בפתרון בעיות שבהן ההיגיון האנושי אינו מהווה יתרון.

——————————————————————

אני אשמח להפגש ולשוחח עם כל תלמיד מחקר (אולי אתם?) שמוכן להשתתף ולספר לי קצת על מה הוא עושה (והכול במחיר של שיחה לא יותר מידי ארוכה). תוכלו ליצור איתי קשר דרך טופס יצירת קשר.

זה הזמן לספר לכולם מה אתם עושים, אולי הפעם הם גם יבינו :-)

אז מה עושים שם באוניברסיטה? פרק 12: "את הפתרון מצאתי בכד", על חקר אוכלוסיות של מיקרואורגניזמים

נפגשתי עם יובל אלחנתי כדי לשאול אותו מה עושים שם באוניברסיטה.

יובל סיים תואר ראשון בפיזיקה ומתמטיקה כעתודאי, ותואר שני בפיזיקה תוך כדי שירותו הצבאי, שניהם באוניברסיטת תל-אביב. בימים אלה הוא סיים את עבודת הדוקטורט שלו כסטודנט במרכז לחקר רשתות ביולוגיות בטכניון, בהנחיית פרופ' נעמה ברנר ובשיתוף עם פרופ' ארז בראון. נושא מחקרו היה חקר אוכלוסיות של מיקרואורגניזמים.

בסיום התואר הראשון חיפש יובל נושא מחקר שיכלול מתמטיקה מעניינת אך יתמקד גם בשימושים שלה. לאחר התברברות קלה באזור תורת המיתרים וחישוב מסלול מחדש, הגיע להתעניין בתחום של מערכות מורכבות וגישות מתמטיות למערכות ביולוגיות.

יובל, אז מה אתם עושים שם?

אנחנו עובדים על פיתוח מודלים תיאורטיים לתיאור אוכלוסיות של מיקרואורגניזמים. דוגמא למיקרואורגניזמים היא למשל שמרים או חיידקים, אבל המודלים שלנו הם כלליים וניתנים להכללה לכל מיקרואורגניזם.

תמונה 1: חיידקי אי-קולי בהגדלה פי 10,000. המקור לתמונה: Agricultural Research Service, דרך ויקיפדיה.

מה כבר עושים מיקרואורגניזמים בחיי היום יום?

ראשית, הם יכולים להתחלק, ולכן גודל האוכלוסיה הוא דינאמי. כמו כן, יש להתחשב בשיקולי תורשה וקירבה בין פרטים. בנוסף, המיקרואורגניזמים יכולים לאכול דברים מהסביבה, להפריש חומרים לסביבה, לנוע, להחליט להפסיק להתחלק או לחלופין להגביר קצב חלוקה ועוד.

הפרטים יכולים להשפיע על הסביבה ועקב כך על האוכלוסיה ולהיפך. לדוגמא, אם אחד הפרטים אוכל את המזון שבסביבה יותר מהר וכמות המזון מוגבלת, אז לשאר האוכלוסיה יהיה פחות מזון. כלומר, בין הפרטים באוכלוסיה ישנה אינטראקציה מאוד מורכבת.

אז מה באוכלוסיות האלה מעניין אתכם?

למשל גודלה והרכבה של האוכלוסיה לאחר זמן מסוים. האם היא שגשגה? האם היא נכחדה? מה ההרכבים ותתי הקבוצות שנוצרו? באופן כללי, התחום נקרא population dynamics – דינמיקה של אוכלוסיות, והוא אינו בלעדי למיקרואורגניזמים, אלא יכול לשמש למשל גם למחקר של התפרצות מחלות או אקולוגיה.

יש להדגיש שאנחנו לא חוקרים את הפרטים עצמם, כלומר אנחנו לא מיקרו-ביולוגים. אנחנו לוקחים מידע על התנהגות המיקרואורגניזם הבודד ממחקרים קיימים, מחליטים מה ממנו רלוונטי למחקר שלנו, ואז בודקים את ההתנהגות של אוכלוסיה של פרטים מסוג זה.


תמונה 2: חיידקים מתחלקים ומתרבים. המקור: צילומי מסך מהסרטון הזה ביוטיוב.

ספר לי על אחד המחקרים שלכם.

בשמחה. קיימות כיום טכניקות לגדל מיקרואורגניזמים בתנאים מאוד מגבילים, למשל לגדל אותם בתוך טיפה קטנה מאוד של נוזל. האוכלוסיה בטיפה תישאר תמיד קטנה מאוד – 'מיקרו-אוכלוסיה' – ולכן השונות בין הפרטים, שבדרך כלל אינה משמעותית באוכלוסיות רגילות, תבוא יותר לידי ביטוי. אנחנו החלטנו לחקור את ההתפתחות של אוכלוסיה מסוג הזה.

יש לזכור שגם אם כל הפרטים זהים גנטית, הם לא יהיו באמת זהים, בדומה למקרה של תאומים זהים. לכל פרט יש קצב אכילה משלו, קצב חלוקה משלו, כמות ייחודית של אוכל הנדרשת לחלוקה ותכונות נוספות. מדובר בתכונות אפיגנטיות, כלומר תכונות שעוברות בתורשה מעבר לגנים, ותלויות בין היתר בתנאי הסביבה. לצורך בניית המודל אנחנו מגדירים את השונות הפנימית של האוכלוסיה, למשל על ידי הגדרת תתי-קבוצות שלכל אחת קצב חלוקה שונה. זהו אמנם קירוב, אך קירוב סביר. במהלך המחקר הנחנו שקיימת שונות התחלתית בתכונות מטבוליות של הפרטים באוכלוסיה כמו קצב חלוקה וכמות אוכל הדרושה לחלוקה.

ומה מצאתם?

מכיוון שהטיפה קטנה, יש בה כמות מוגבלת של מזון ומשאבים. כאשר המשאבים נגמרים, האוכלוסיה מפסיקה להתחלק. אנחנו מצאנו שתחת תנאים מסוימים גודלה של האוכלוסיה הסופית, לאחר שנגמר כל המזון בסביבה, תלוי בגודלה ההתחלתי. ממצא זה הוא מפתיע מכיוון שבאוכלוסיות רגילות גודלה הסופי של האוכלוסיה תלוי בכמות המשאבים ולא בגודלה ההתחלתי. התנהגות מפתיעה זאת נצפתה גם במעבדה. בנוסף הראנו שככל שהאוכלוסיה ההתחלתית קטנה יותר כך השונות בגודל הסופי של האוכלוסיה גדולה יותר.

ספר לי על אופי העבודה.

בשלב ראשון אני נתקל בניסוי ביולוגי מעניין וחושב על הסבר לתוצאות. בשלב הבא אני בונה מודל של מיקרואורגניזם שיכיל את כל הפעולות הרלוונטיות כמו חלוקה, ואת כל הפרמטרים הרלוונטיים כגון קצב חלוקה או כמות האוכל הדרושה לחלוקה. השאיפה היא שהמודל יכיל מספר מינימלי של פרמטרים שעדיין מאפשר להפיק תוצאות בעלות משמעות. כעת, כאשר מוגדרת הדינמיקה, ניתן לשאול כיצד תראה האוכלוסיה לאחר שנגמר המזון עבור אוכלוסיה התחלתית מסוימת.

ואיך ענית על השאלות האלה במחקר שלך?

ישנן כמה דרכים לגשת לבעיה. הראשונה היא להריץ סימולציות מונטה-קרלו על מחשב. בשיטה זאת מגדירים עבור כל פרט באוכלוסיה סט של תרחישים אפשריים (כגון חלוקה ואכילה) והסתברויות עבורם. בכל סיבוב התוכנה מגרילה עבור כל פרט מה הוא עושה. את הסימולציה מריצים עד לסיום המזון. שיטה זאת מפיקה בקלות יחסית את התוצאות עבור, למשל, גודל האוכלוסיה הסופי, אך אינה מספקת הרבה תובנות על התהליך עצמו, ובעיקר דורשת לבחור פרמטרים ספציפיים.

שיטה שניה היא לכתוב סט של משוואות קצב המתארות בעזרת מתמטיקה את הדינמיקה. את המשוואות ניתן לפתור בעזרת תוכנת מחשב, ולקבל את הגדלים הרצויים. החיסרון העיקרי הוא שהפתרון מהווה את הפתרון הממוצע עבור תנאי התחלה מסוימים. כלומר אם נריץ את הניסוי האמיתי מספר רב של פעמים, בכל פעם נקבל גודל אוכלוסיה שונה, והגודל הממוצע בין כל הניסויים האלה מתואר היטב על ידי פתרון משוואות הקצב. אותנו דווקא עניינה השונות בפתרונות ולכן לא הסתפקנו בשיטה זאת.

השיטה השלישית היא לבנות מודל סטוכסטי. בניגוד למשוואות הקצב שנותנות פתרון דטרמיניסטי, במודל זה יש מימד של אקראיות והוא יכול להפיק לא רק את הפתרון הממוצע, אלא גם את התפלגות התוצאות. בדיעבד, האתגר העיקרי בפרויקט, וזה שאני מצאתי המעניין ביותר, היה להבין איזה מודל סטוכסטי לפתור ואיך לפתור אותו.

אז איך באמת פתרת את המודל הסטוכסטי?

מה שהצלחתי לעשות הוא לבצע מיפוי של הבעיה לבעיה אחרת מוכרת בהסתברות שנקראת כדי פוליה (Polya urn) שגיליתי שהיא אנלוגית לבעיה שלי (ראו איור 3). דמיין כד עם שני סוגים של כדורים: שחורים ולבנים. כעת אתה מוציא כדור באקראי, בודק את הצבע שלו ומחזיר אותו לכד ביחד עם כדור נוסף באותו צבע. פעולה זאת מדמה את פעולת החלוקה. בעיה זאת בהסתברות נחקרה רבות בעבר, ואני יכולתי להשתמש בידע הקיים ובאנלוגיה כדי למצוא את ההתפלגויות הרצויות בבעיה שלי. המודל גם נתן יכולת להציץ פנימה לתוך התהליך ולהבין מה ההשפעה של כל פרמטר.

משפט לסיכום.

המטרה הכללית שלנו בעיסוק בביולוגיה מכיוון כל כך תיאורטי היא בעיקר למצוא עקרונות כלליים לצורה שבה אוכלוסיה מתפתחת, ולפתח כלים מתמטיים מתאימים כדי להתמודד עם המודלים הדרושים. כולי תקווה שבעתיד חוקרים מתחום הביולוגיה ימצאו במודלים ובטכניקות אלה שימוש.

איור 3: בעיית כדי פוליה.

——————————————————————

אני אשמח להפגש ולשוחח עם כל תלמיד מחקר (אולי אתם?) שמוכן להשתתף ולספר לי קצת על מה הוא עושה (והכול במחיר של שיחה לא יותר מידי ארוכה). תוכלו ליצור איתי קשר דרך טופס יצירת קשר.

זה הזמן לספר לכולם מה אתם עושים, אולי הפעם הם גם יבינו :-)

אז מה עושים שם באוניברסיטה? פרק 11: להקטין, אבל בחוכמה; על מערכי נוגדנים לגילוי חומרים ואבחון רפואי

נפגשתי עם ענבל צרפתי-ברעד כדי לשאול אותה מה עושים שם באוניברסיטה.

ענבל היא דוקטורנטית במחלקה להנדסת ביוטכנולוגיה באוניברסיטת בן-גוריון שבנגב. היא עובדת במעבדה לננו-ביוטכנולוגיה של דר' לוי גֶבֶּר. היא נשואה וגרה בבאר-שבע עם בעלה, איש הייטק. ענבל אוהבת מאוד ללמד באוניברסיטה, ובזמנה הפנוי משחקת ברידג'.

ענבל, אז מה אתם עושים שם?

המחקר במעבדה מתפרש על מגוון תחומים שקשורים לשימוש בחומרים ביולוגיים בסקלה ננומטרית, וכולל שימוש בטכניקות מיקרוסקופיה מתקדמות. אחד התחומים העיקריים במעבדה הוא המחקר של ביוסנסורים, כלומר חיישנים ביולוגיים. המחקר שלי עוסק במערכי נוגדנים (immunoarray) המשמשים לגילוי חומרים ואבחון רפואי נייד.

טוב, נלך לפי הסדר, מהם ביוסנסורים?

ביוסנסורים משמשים לבדיקה של המצאות חומר מסוים בתמיסה. החומר יכול להיות למשל רעל, חיידק או חלבון כלשהוא, והתמיסה יכולה להיות למשל מים, דם וכדומה. מכאן שביוסנסורים יכולים לשמש לבדיקת רעילות של מים, לאבחון של מחלה, לבדיקת רמת הסוכר בדם ולדברים נוספים.

אחד הכלים היעילים למימוש של ביוסנסור הם נוגדנים.

איור סכמטי 1: נוגדן, כולל שני 'ידיים' ו-'רגל' אחת. המקור לתמונה: ויקיפדיה.

מהם נוגדנים, ואיך הם קשורים לאבחון רפואי?

הנוגדן הוא חייל של מערכת החיסון שלנו, והוא מצויד בשתי ידיים ורגל אחת (ראו איור 1). שתי הידיים של הנוגדן 'יודעות' לתפוס אך ורק חומר מסוים, כלומר מותאמות להיקשר כימית לחומר זה בצורה סלקטיבית כמו מפתח ייחודי הפותח מנעול. לאחר שהנוגדן נקשר לחומר שאליו הוא מותאם, הרגל שלו מסמנת לשאר המערכת החיסונית שזוהה חומר חשוד, ושיש לפעול בהתאם.

בתחום האבחון הרפואי אנחנו מנצלים את יכולת הקשירה הסלקטיבית של הנוגדן למטרות זיהוי וסימון. למשל, כדי לבדוק הימצאות של חומר מסוים בתמיסה אפשר להשתמש בנוגדנים שאליהם מוצמדים סמנים פלואורסנטים, כמו נורות קטנות שמפיצות אור, שאותן ניתן לגלות בעזרת מיקרוסקופ מתאים. הנוגדנים ייקשרו אך ורק לחומר המטרה, וכך נוכל להשתמש במיקרוסקופ כדי לבדוק האם אותו חומר קיים בתמיסה, ואולי אף להעריך את הכמות.

אחת הדרכים הנפוצות והיעילות להשתמש בנוגדנים לאבחון היא בעזרת משטחים מיוחדים שמכונים microarrays, מיקרו-מערכים של נקודות קשירה, והם נמצאים בשימוש כבר היום, לדוגמא בבדיקות דם שאנו עושים אצל הרופא. ישנן מספר דרכים להשתמש במערכים ובנוגדנים למטרת אבחון רפואי (ראו איור 2), אבל המשותף לכולם הוא שנוגדנים מסומנים יקשרו אך ורק לחומר המטרה. בסוף התהליך ניתן לגלות את הסמנים הפלואורסנטיים (ולכן גם את חומר המטרה) בעזרת מיקרוסקופ מתאים.

איור סכמטי 2: מערך נוגדנים, ואחת התצורות (מיני רבות) לגילוי חומרים בעזרת המערך. המקור לתמונה: ויקיפדיה.

עד עכשיו הכול נשמע מצוין, אז היכן הבעיה?

או, אני שמחה שאתה שואל. מי שעבר בדיקת דם ודאי זוכר שלתוצאות יש להמתין לפחות כמה ימים. אחד הגורמים לכך הוא גודל נקודה על פני המערכים. אותם מערכים שנמצאים בשימוש כיום מכילים נקודות שגודלן נע סביב 150 מיקרומטר (מיקרומטר=10-6 מטר, כאשר קוטר שערה הוא בערך כמה עשרות מיקרומטר). המשמעות היא שרק מספר נמוך של נקודות נכנס בשדה הראיה של המיקרוסקופ ברגע נתון. כלומר סריקה של מערך מלא לוקחת זמן רב, ומבוצעת על ידי מכונות במעבדות גדולות.

השאיפה היא לייצר גרסה של שיטת האבחון שהיא מהירה וזולה יותר ושאינה זקוקה למכונות גדולות ולכן גם ניידת, כך שניתן להשתמש בה על ידי הפעלה של מכשיר קטן בחדר הרופא.

אז מה הפתרון?

אחד הכיוונים העיקריים שנבדקים הוא הקטנת גודלן של הנקודות על גבי המערך לקוטר של מיקרומטר ומטה. בצורה זאת ניתן לראות אלפי נקודות בשדה הראיה של המיקרוסקופ, ואין צורך בסריקת המערך. כמו כן פיתוח זה יאפשר את מזעורו של ציוד הבדיקה לגודלו של טלפון סלולרי ממוצע.

יתרון נוסף הנובע מהמזעור הוא החיסכון בכמות הנוגדנים הנדרשת. מכיוון שעלות הנוגדנים גבוהה מאוד, דבר זה עשוי להוביל גם להוזלה בעלות הבדיקה.

עד עכשיו הכול נשמע מצוין, אז היכן הבעיה?

או, אני שמחה שאתה שואל. למזעור הנקודה על פני מערך האבחון יש תופעת לוואי לא רצויה. ככל שהנקודה קטנה יותר, כך עוצמת האור שהיא פולטת חלשה יותר. על שטח קטן נתפסים פחות נוגדנים ולכן פחות מאותן נורות פלואורסנטיות.

אותנו מעניין להבין את המגבלות של מערכת האבחון כתלות בגודל הנקודות. כמה ניתן להקטין את הנקודות ועדיין לשמר את היכולת להבחין בהן במיקרוסקופ, ובמה תלויות מגבלות המערכת?

מאיפה מתחילים?

אחת המגבלות הידועות נובעת מהמיקרוסקופ עצמו. גבול הרזולוציה של כל המיקרוסקופים המבוססים על אור הוא 200-400 ננומטר (ננומטר=10-9 מטר, סדר גודל של וירוס למשל) ולכן לא ניתן למדוד גדלים קטנים יותר. כלומר, גם אם נצליח לייצר נקודה בגודל כמה ננומטרים שמאירה חזק מאוד, היא תראה במיקרוסקופ בגודל של כמה מאות ננומטרים.

מגבלה חשובה נוספת שמצאנו נובעת מצפיפות אתרי הקשירה ועוצמת ההארה.

מהי צפיפות אתרי הקשירה?

דמיינו שאתם מביטים על דשא ממעוף הציפור. מה שאתם רואים הוא פשוט משטח ירוק. אך ממבט קרוב יותר תבחינו שבעצם עלי הדשא פזורים על פני האדמה ואינם צמודים אחד לשני. גם המולקולות הביולוגיות הקשורות על פני המשטח של נקודה על מערך האבחון מפוזרות בצפיפות מסוימת (ראו איור 3א). כל עוד הנקודה גדולה, ההארה פרופורציונית לשטח. כאשר הנקודה היא מסדר גודל של המרחק הממוצע בין אתרי הקשירה עוצמת ההארה יורדת חזק, וכבר אינה פרופורציונית לשטח (ראו איור 3ב). לכן, בשימוש בנקודות קטנות יש צורך בצפיפות גבוהה של אתרי קשירה.

כדי לבדוק את הטענה, בנינו סדרת מערכים עם נקודות בגדלים שונים, והראנו את ההשפעה המכרעת בנקודות קטנות. המסקנה היא שהקטנה של הנקודות במערך, ללא התחשבות בצפיפות אתרי הקשירה, לא תוביל לשיפור אלא פעמים רבות תוביל דווקא לירידה באיכות הגלאי עקב שונות גדולה בעוצמת ההארה של הנקודות.


איור סכמטי 3: א) אתרי הקשירה על פני נקודה אחת מתוך המערך עבור גדלים שונים של נקודה. ב) קשר בין שטח הנקודה להארה. עבור נקודות קטנות מאוד, עוצמת ההארה קטנה באופן משמעותי.

אז האם ניתן להקטין את הנקודות לגודל של מיקרון בודד?

במהלך המחקר הראנו שזה אפשרי. עבור מערכים מסוימים שחקרנו הצלחנו לזהות את חומר המטרה אפילו בעזרת נקודות בגודל 300 ננומטר! הבעיה היא שלא הצלחנו להגיע לתחום רחב מספיק של עוצמת ההארה כך שנוכל גם לכמת את התוצאה, כלומר להחזיר תשובה שאינה רק 'כן' או 'לא', אלא גם כמותית, כלומר 'כמה'.

כדי להגיע ליכולת הזאת אנחנו צריכים להגדיל את עוצמת ההארה של נקודה בודדת, ולכן בימים אלה אנחנו בוחנים מספר אפשריות להשגת המטרה. כפי שכבר ציינתי, החזון שלנו הוא לקדם, בין היתר, את פיתוח האבחון הרפואי הנייד, שבעקבותיו יוכלו בדיקות רפואיות מסוימות להתבצע במהירות וביעילות כבר בחדר הרופא.

——————————————————————

אני אשמח להפגש ולשוחח עם כל תלמיד מחקר (אולי אתם?) שמוכן להשתתף ולספר לי קצת על מה הוא עושה (והכול במחיר של שיחה לא יותר מידי ארוכה). תוכלו ליצור איתי קשר דרך טופס יצירת קשר.

זה הזמן לספר לכולם מה אתם עושים, אולי הפעם הם גם יבינו :-)