Νέα μέθοδος επιλογής των ιδανικών σπερματοζωαρίων
Nέος αλγόριθμος επιλογής των σπερματοζωαρίων που ανέπτυξαν Καναδοί ερευνητές έρχεται να περιορίσει τον κίνδυνο κατακερματισμού του DNA των σπερματοζωαρίων.
Μέχρι σήμερα, η επιλογή σπερματοζωαρίων για την ICSI γινόταν από τους εμβρυολόγους, με βάση την μορφολογία και την κινητικότητά τους. Πρόσφατα χρησιμοποιούνται τεχνικές, όπως η επιλογή σπερματοζωαρίων με τεχνητή νοημοσύνη ή με μικρορευστονικά δίκτυα (microfluidics) για την επιλογή των ιδανικών σπερματοζωαρίων.
Η νέα μελέτη του Πανεπιστημίου του Τορόντο προτείνει μία νέα μέθοδο επιλογής των σπερματοζωαρίων για την ICSI, που βασίζεται στην υπολογιστική όραση, συνδυάζοντας ποσοτικά και ποιοτικά κριτήρια.
Οι ερευνητές δοκίμασαν μία ποσοτική προσέγγιση σε ένα δείγμα 440 σπερματοζωαρίων κυττάρων που ελήφθησαν τυχαία από 17 άνδρες. Οι παράμετροι της κινητικότητας και της μορφολογίας μετρήθηκαν ποσοτικά με αλγορίθμους υπολογιστικής όρασης και λήψη live εικόνων του σπέρματος (30 frames/λεπτό). Το software της επιλογής των σπερματοζωαρίων χαρακτήρισε “κανονικά” (δηλαδή χωρίς μορφολογικές και κινητικές ανωμαλίες) 60 από αυτά, ενώ τα υπόλοιπα 380 είχαν τουλάχιστον μία ανωμαλία.
Tα 60 δείγματα που επιλέχθηκαν είχαν σημαντικά μικρότερα επίπεδα κατακερματισμού του DNA, σε σχέση με εκείνα που δεν επιλέχθησαν. Eπιπλέον, το τεστ κατάφερε να επιλέξει το σπερματοζωάριο με τον μικρότερο κατακερματισμό.
Σύμφωνα με τους συγγραφείς, η νέα τεχνική ελαχιστοποιεί τον παράγοντα κινδύνου που λέγεται κατακερματισμός σπερματοζωαρίων στην επιλογή σπερματοζωαρίων για την ICSI, ενώ λαμβάνει υπόψη 8 από τις 11 παραμέτρους μορφολογίας που έχει θέσει ο ΠΟΥ.
Η μηχανική μάθηση (με τεχνητή νοημοσύνη) είναι μια ακόμη μέθοδος που χρησιμοποιείται στις κλινικές υποβοηθούμενης αναπαραγωγής και στα ερευνητικά εργαστήρια για τη βέλτιστη ανάλυση και επιλογή των σπερματοζωαρίων.
Πηγές
1. Zhang Z, Dai C, Shan G, et al. Quantitative selection of single human sperm with high DNA integrity for intracytoplasmic sperm injection. Fertil Steril 2021; doi.org/10.1016/j.fertnstert.2021.06.016
2. Diemer J, Hahn J, Goldenbogen B, et al. Sperm migration in the genital tract—In silico experiments identify key factors for reproductive success. PLOS Computational Biol 2021; doi.org/10.1371/journal.pcbi.1009109
3. You J.B., McCallum C., Wang Y., Riordon J., Nosrati R., Sinton D., Machine learning for sperm selection, Nature Reviews Urology volume 18, pages387–403 (2021)