เปิดทำการกี่โมง?

จันทร์ 08:30 - 19:00 อังคาร 08:30 - 19:00 พุธ 08:30 - 19:00 พฤหัสบดี 08:30 - 19:00 ศุกร์ 08:30 - 19:00 เสาร์ 09:00 - 18:00 อาทิตย์ 09:00 - 18:00

Center for Medical Genomics

ข้อมูลการติดต่อ, แผนที่และเส้นทาง,แบบฟอร์มการติดต่อ,เวลาเปิดและปิด, การบริการ,การให้คะแนนความพอใจในการบริการ,รูปภาพทั้งหมด,วิดีโอทั้งหมดและข่าวสารจาก Center for Medical Genomics, ห้องทดลองทางการแพทย์, center for medical genomics, Bangkok.

พันธุกรรมกำหนดพื้นฐานสุขภาพตั้งแต่กำเนิด การแพทย์แม่นยำช่วยถอดรหัสความเสี่ยง เพื่อนำไปออกแบบวิถีชีวิตเฉพาะบุคคล ป้องกัน ชะลอ และค้นพบโรคได้เร็วขึ้น การลงทุนด้านเวชศาสตร์จีโนมิกส์วันนี้ จึงช่วยลดความสูญเสียและค่าใช้จ่ายในอนาคต

10/09/2026

ถอดรหัสผลเลือด HBsAg (Hepatitis B surface antigen หรือ แอนติเจนบนผิวเปลือกของไวรัสตับอักเสบบี): เมื่อวิทยาศาสตร์ชี้ว่าผู้ติดเชื้อไวรัสตับอักเสบบีสามารถทำงานร่วมกับผู้อื่นได้อย่างปลอดภัย

จากสื่อสังคมออนไลน์ได้ลงเรื่องราวว่า ผู้สมัครงานรายหนึ่งตัดสินใจลาออกจากงานประจำ ย้ายถิ่นฐานไปยังเขตอุตสาหกรรมด้วยความหวังว่าจะสร้างความมั่นคงเพื่อดูแลครอบครัว หลังจากผ่านการสัมภาษณ์งานในสถานประกอบการแห่งหนึ่ง ทุกอย่างดูเหมือนจะดำเนินไปได้ด้วยดีจนกระทั่งถึงขั้นตอนการตรวจสุขภาพก่อนเข้าทำงาน เจ้าหน้าที่แจ้งผลการตรวจเลือดว่าพบผลบวกต่อเชื้อไวรัสตับอักเสบบี และนั่นเป็นเหตุผลเดียวที่ทำให้บริษัทปฏิเสธการจ้างงานในทันที แม้ว่าลักษณะงานดังกล่าวจะเป็นงานอุตสาหกรรมทั่วไปที่ไม่ได้สัมผัสกับอาหาร หรือเกี่ยวข้องกับอุปกรณ์ทางการแพทย์เลยก็ตาม

สถานการณ์นี้ไม่ได้เกิดขึ้นเพียงครั้งเดียว ผู้ที่มีเชื้อไวรัสตับอักเสบบีจำนวนมากยังคงเผชิญกับการถูกปฏิเสธโอกาสในการทำงานเพียงเพราะผลตรวจเลือดตัวเดียว ปรากฏการณ์นี้สะท้อนให้เห็นถึงช่องว่างขนาดใหญ่ระหว่างความรู้ทางการแพทย์ในปัจจุบันกับนโยบายด้านทรัพยากรบุคคลของหลายองค์กร ซึ่งมักตั้งอยู่บนความกังวลว่าโรคนี้จะสามารถแพร่กระจายสู่พนักงานคนอื่น ๆ ได้จากการใช้ชีวิตร่วมกันในสถานที่ทำงาน

➖➖➖➖➖➖➖➖➖➖➖➖
เมื่อการใช้ชีวิตร่วมกันไม่ใช่ช่องทางแพร่เชื้อ
➖➖➖➖➖➖➖➖➖➖➖➖

เมื่อพิจารณาในมุมมองทางวิทยาศาสตร์และระบาดวิทยา ศูนย์จีโนมทางการแพทย์ โรงพยาบาลรามาธิบดี ขอให้ข้อมูลที่ช่วยคลายความกังวลดังนี้ การแพร่กระจายของไวรัสตับอักเสบบีมีข้อจำกัดทางชีววิทยาที่เฉพาะเจาะจงมาก เชื้อไวรัสชนิดนี้ไม่สามารถติดต่อกันผ่านระบบทางเดินหายใจจากการไอหรือจาม ไม่ติดต่อผ่านการสัมผัสภายนอกอย่างการจับมือ และไม่สามารถถ่ายทอดผ่านการรับประทานอาหารร่วมโต๊ะหรือการใช้ห้องน้ำสาธารณะร่วมกัน

กลไกหลักที่ไวรัสจะเข้าสู่ร่างกายผู้อื่นได้คือการสัมผัสกับเลือดหรือสารคัดหลั่งที่ปนเปื้อนเชื้อโดยตรงเข้าสู่กระแสเลือด เช่น การใช้เข็มฉีดยาร่วมกัน การมีเพศสัมพันธ์ที่ไม่ได้ป้องกัน หรือการถ่ายทอดจากมารดาสู่ทารกในครรภ์ ดังนั้น ในสภาพแวดล้อมการทำงานของอุตสาหกรรมทั่วไปที่ไม่มีความเสี่ยงในการสัมผัสเลือด โอกาสในการแพร่เชื้อไปยังเพื่อนร่วมงานจึงแทบจะไม่มีเลย

➖➖➖➖➖➖➖➖➖➖➖➖
อ่านผลตรวจทางชีวภาพ: HBsAg บอกอะไรเราบ้าง?
➖➖➖➖➖➖➖➖➖➖➖➖

อุปสรรคสำคัญที่ทำให้เกิดการเลือกปฏิบัติมักมาจากการตีความตัวบ่งชี้ทางชีวภาพ (Biomarker) ที่คลาดเคลื่อน ในการตรวจสุขภาพทั่วไป การตรวจหาเชื้อไวรัสตับอักเสบบีมักใช้การตรวจหาโปรตีนส่วนเปลือกของไวรัสที่เรียกว่า HBsAg (Hepatitis B surface Antigen)

เมื่อผลตรวจออกมาเป็นบวก สิ่งนี้บอกได้เพียงว่ามีเชื้อไวรัสอยู่ในร่างกาย แต่ไม่สามารถบอกรายละเอียดที่สำคัญอื่น ๆ ได้ เช่น ปริมาณไวรัสในเลือด (Viral load) อยู่ในระดับใด ตับมีการอักเสบหรือไม่ หรือการทำงานของตับยังเป็นปกติหรือเปล่า ตัวบ่งชี้ทางชีวภาพตัวนี้ทำหน้าที่คล้ายสัญญาณเตือนว่ามีผู้บุกรุกอยู่ในระบบ แต่ไม่ได้บอกว่าผู้บุกรุกนั้นกำลังสร้างความเสียหายหรือมีกำลังมากพอที่จะโจมตีผู้อื่นได้หรือไม่ ผู้ติดเชื้อจำนวนมากอยู่ในสภาวะพาหะที่ไม่มีอาการ สุขภาพแข็งแรงสมบูรณ์ และมีสมรรถภาพในการทำงานเทียบเท่ากับผู้ที่ไม่มีเชื้อทุกประการ

➖➖➖➖➖➖➖➖➖➖➖➖
วิทยาการต้านไวรัสและทิศทางใหม่ของอาชีวอนามัย
➖➖➖➖➖➖➖➖➖➖➖➖

นอกจากนี้ วิทยาการทางการแพทย์ในปัจจุบันมีความก้าวหน้าไปมากในการจัดการกับไวรัสตับอักเสบบี สำหรับผู้ป่วยที่เข้าเกณฑ์ต้องรับการรักษา การใช้ยาต้านไวรัสสามารถยับยั้งกระบวนการแบ่งตัวของไวรัสในเซลล์ตับได้อย่างมีประสิทธิภาพ ยาเหล่านี้จะกดปริมาณไวรัสในกระแสเลือดให้ลดต่ำลงจนอยู่ในระดับที่ปลอดภัย

🌟หลักการนี้คล้ายคลึงกับแนวทางการรักษาผู้ติดเชื้อเอชไอวี (HIV) ซึ่งการศึกษาทางการแพทย์ยืนยันว่า เมื่อผู้ป่วยได้รับยาต้านไวรัสอย่างสม่ำเสมอ ปริมาณไวรัสจะถูกกดจนอยู่ในระดับที่ตรวจไม่พบ (Undetectable) ซึ่งหมายความว่าไวรัสจะไม่ทำอันตรายต่อร่างกายและไม่สามารถแพร่กระจายผ่านสารคัดหลั่งได้ (Untransmittable) ทำให้ผู้ติดเชื้อสามารถใช้ชีวิตคู่หรือแม้แต่มีบุตรที่ปราศจากเชื้อได้ ในกรณีของไวรัสตับอักเสบบีก็มีกลไกที่สอดคล้องกัน เมื่อยาต้านไวรัสสามารถควบคุมปริมาณไวรัสไว้ได้ จะช่วยหยุดยั้งการทำลายเนื้อเยื่อตับ และลดความเสี่ยงในการแพร่กระจายเชื้อได้อย่างมีนัยสำคัญ ผู้ติดเชื้อจึงสามารถดำรงชีวิตและประกอบอาชีพได้ตามปกติโดยไม่ต้องกังวลว่าจะเป็นภัยคุกคามต่อความปลอดภัยในสถานที่ทำงาน🌟

จากข้อเท็จจริงทางชีววิทยาและการแพทย์เหล่านี้ การใช้เพียงผลตรวจ HBsAg เป็นเกณฑ์ตัดสินเพื่อปฏิเสธการจ้างงานโดยอัตโนมัติจึงเป็นวิธีการที่ขาดความแม่นยำและไม่สะท้อนความเสี่ยงที่แท้จริง แนวทางอาชีวอนามัยที่เหมาะสมควรเป็นการประเมินความพร้อมในการทำงานเป็นรายบุคคล โดยพิจารณาจากลักษณะงานเฉพาะด้าน สมรรถภาพร่างกายโดยรวม และผลการตรวจการทำงานของตับประกอบกัน หากงานนั้นมีความเสี่ยงต่อการเกิดอุบัติเหตุที่ทำให้สัมผัสเลือด มาตรการที่ถูกต้องคือการวางระบบจัดการความปลอดภัย เช่น การป้องกันของมีคมบาด และการส่งเสริมให้พนักงานที่ยังไม่มีภูมิคุ้มกันเข้ารับการฉีดวัคซีนป้องกันไวรัสตับอักเสบบี ซึ่งเป็นวิธีป้องกันที่มีประสิทธิภาพและได้รับการยอมรับทั่วโลก

➖➖➖➖➖➖➖➖➖➖➖➖
คืนศักดิ์ศรีคนทำงานด้วยความจริงทางการแพทย์
➖➖➖➖➖➖➖➖➖➖➖➖

อีกหนึ่งประเด็นที่วงการแพทย์ให้ความสำคัญคือเรื่องความเป็นส่วนตัวของข้อมูลสุขภาพ ข้อมูลผลการตรวจทางห้องปฏิบัติการถือเป็นความลับส่วนบุคคลที่มีความละเอียดอ่อน การรายงานผลสุขภาพก่อนเข้าทำงานแก่นายจ้างควรเน้นที่เป้าหมายหลักคือการประเมินว่าผู้สมัครมีความพร้อมสำหรับหน้าที่นั้น ๆ หรือไม่ แพทย์อาชีวเวชศาสตร์สามารถสรุปผลเพียงว่า ผู้สมัคร “เหมาะสมกับงาน” “เหมาะสมโดยมีข้อจำกัดบางประการ” หรือ “ควรได้รับการประเมินเพิ่มเติม” การเปิดเผยชื่อโรคเฉพาะเจาะจงโดยที่โรคนั้นไม่ได้ส่งผลกระทบต่อการทำงานหรือความปลอดภัยของส่วนรวม จึงเป็นสิ่งที่เกินความจำเป็นและอาจนำไปสู่การตัดโอกาสทางอาชีพอย่างไม่เป็นธรรม

กรณีเรื่องราวจากสื่อสังคมออนไลน์ของผู้สมัครงานที่สูญเสียโอกาสในการทำงานเพื่อดูแลครอบครัว เป็นภาพสะท้อนที่ชัดเจนว่าข้อมูลทางวิทยาศาสตร์ที่ก้าวหน้าอาจไร้ความหมาย หากสังคมและผู้กำหนดนโยบายในสถานประกอบการยังคงยึดติดกับความเชื่อเดิม การนำความรู้ทางการแพทย์ที่ถูกต้องมาปรับปรุงเกณฑ์การคัดกรองสุขภาพพนักงาน ไม่เพียงแต่ช่วยคืนความเป็นธรรมและศักดิ์ศรีความเป็นมนุษย์ให้แก่ผู้ติดเชื้อ แต่ยังช่วยให้องค์กรไม่สูญเสียบุคลากรที่มีศักยภาพไป

ความท้าทายที่ระบบสาธารณสุขและกระทรวงแรงงานยังต้องร่วมกันหาคำตอบต่อไปคือ เราจะสร้างกลไกอย่างไรเพื่อให้ความรู้ทางการแพทย์เหล่านี้ถูกนำไปปฏิบัติใช้จริงในระดับนโยบายของทุกบริษัท และทำอย่างไรให้การตรวจสุขภาพก่อนเข้าทำงานเป็นเครื่องมือเพื่อประเมินความพร้อมและส่งเสริมสุขภาพของคนทำงานอย่างแท้จริง ไม่ใช่เครื่องมือที่ใช้ตัดสินหรือกีดกันทางสังคมอีกต่อไป

➖➖➖➖➖➖➖➖➖➖➖➖
แหล่งอ้างอิง
➖➖➖➖➖➖➖➖➖➖➖➖
• World Health Organization (WHO). (2023). Hepatitis B. เข้าถึงได้จาก: https://www.who.int/news-room/fact-sheets/detail/hepatitis-b

• UNAIDS. (2018). Undetectable = untransmittable. หลักการควบคุมปริมาณไวรัสและการแพร่เชื้อ (U=U). เข้าถึงได้จาก: https://www.unaids.org/en/resources/presscentre/featurestories/2018/july/undetectable-untransmittable

10/09/2026

"เมื่อวิธีวิเคราะห์เดิมไม่อาจสรุปได้ว่าความแปรผันในจีโนม(genomic variant) ก่อโรคหรือไม่ การใช้แบบจำลอง AI อ่านร่องรอยวิวัฒนาการจึงเป็นแนวทางใหม่ในการหาคำตอบ"

ในห้องตรวจทางพันธุศาสตร์ สถานการณ์ที่แพทย์และผู้ป่วยต้องเผชิญอยู่บ่อยครั้งคือความสับสนเมื่อได้รับรายงานผลการถอดรหัสพันธุกรรม (Whole Genome Sequencing) เมื่อผู้ป่วยรายหนึ่งเข้ารับการตรวจเพื่อหาสาเหตุของโรคหายากที่อธิบายไม่ได้ ผลตรวจมักไม่ได้ชี้ชัดไปที่ยีนก่อโรคเพียงตัวเดียว แต่กลับแสดงให้เห็นความแปรผันทางพันธุกรรม (genetic variant) จำนวนมหาศาล ซึ่งหลายตำแหน่งถูกระบุว่าเป็น "ความแปรผันที่ยังไม่ทราบความสำคัญแน่ชัด" (Variants of Unknown Significance) ความท้าทายในปัจจุบันจึงไม่ได้อยู่ที่ความสามารถในการอ่านตัวอักษร A, C, G และ T ทั้ง 3,000 ล้านคู่เบสอีกต่อไป แต่อยู่ที่การแยกแยะว่าตัวอักษรใดที่เปลี่ยนแปลงไปแล้วส่งผลต่อการทำงานของเซลล์อย่างแท้จริง และตัวอักษรใดเป็นเพียงความแตกต่างตามธรรมชาติที่พบได้ทั่วไปและไม่ก่อให้เกิดอันตราย

ปัญหานี้ยิ่งทวีความซับซ้อนเมื่อความแปรผันนั้นซ่อนอยู่ใน DNA ส่วนที่ไม่สร้างโปรตีนโดยตรง จีโนมมนุษย์มีบริเวณที่เป็นรหัสสร้างโปรตีนเพียงร้อยละ 1–2 เท่านั้น ส่วนที่เหลือประกอบด้วยลำดับที่ยังไม่ทราบหน้าที่แน่ชัด ร่องรอยจากอดีตทางวิวัฒนาการ และองค์ประกอบควบคุมยีน (regulatory element) ที่ทำหน้าที่กำหนดว่ายีนใดจะทำงาน ในเซลล์ชนิดใด และในปริมาณเท่าใด การเปลี่ยนแปลงเพียงหนึ่งนิวคลีโอไทด์ในบริเวณควบคุมบางแห่งอาจรบกวนการเปิดปิดยีนได้ แม้จะไม่ได้เปลี่ยนโครงสร้างของโปรตีนเลยก็ตาม

เทคโนโลยีการถอดรหัสพันธุกรรมทำให้เราค้นพบความแปรผันเหล่านี้ได้รวดเร็ว แต่การทดสอบหน้าที่ของทุกตำแหน่งในห้องปฏิบัติการ ไม่ว่าจะเป็นในระดับเซลล์หรือสัตว์ทดลอง ยังเป็นไปไม่ได้ในทางปฏิบัติ นักวิทยาศาสตร์จึงต้องการเครื่องมือคำนวณเพื่อจัดลำดับความสำคัญว่า ตำแหน่งใดควรได้รับการตรวจสอบต่อ แม้การคำนวณจะไม่สามารถทดแทนการทดลองทางคลินิกได้ แต่ก็ช่วยลดพื้นที่การค้นหาจากตัวเลือกนับล้านให้เหลือเพียงชุดข้อมูลที่มีความเป็นไปได้ทางชีววิทยามากขึ้น

➖➖➖➖➖➖➖➖➖➖➖➖
ข้อจำกัดของเทคโนโลยีเดิมและการมาถึงของโมเดลภาษาจีโนม
➖➖➖➖➖➖➖➖➖➖➖➖

การเปรียบเทียบ DNA ระหว่างมนุษย์ด้วยกันเองเพื่อหาความผิดปกติมักไม่เพียงพอ เนื่องจากมนุษย์มีความใกล้ชิดทางพันธุกรรมสูง ตำแหน่งสำคัญบางแห่งจึงแทบไม่มีความแตกต่างให้เห็น นักวิทยาศาสตร์จึงอาศัยหลักการทางวิวัฒนาการที่ว่า หากการเปลี่ยนแปลงของ DNA ทำให้สิ่งมีชีวิตอยู่รอดหรือสืบพันธุ์ได้น้อยลง ความเปลี่ยนแปลงนั้นจะถูกส่งต่อไปยังรุ่นลูกหลานน้อยลง และค่อย ๆ หายไปจากประชากรผ่านการคัดเลือกโดยธรรมชาติ (natural selection) ดังนั้น ตำแหน่งที่ยังคงลำดับเดิมข้ามสปีชีส์เป็นเวลาหลายล้านปีจึงมีแนวโน้มที่จะมีหน้าที่สำคัญ

แบบจำลองวิวัฒนาการดั้งเดิม เช่น PhyloP และ PhastCons ทำหน้าที่ประเมินความอนุรักษ์ (conservation) ของลำดับพันธุกรรมเหล่านี้มานานหลายทศวรรษ แต่วิธีการเหล่านี้มักพิจารณาข้อมูลทีละตำแหน่งแยกจากกัน ทำให้ขาดการมองเห็นภาพรวมของบริบทแวดล้อม ต่อมาจึงมีการพัฒนาโมเดลภาษาจีโนม (genomic language model) ซึ่งเรียนรู้รูปแบบของ DNA ด้วยหลักการคล้ายคลึงกับ AI ที่ประมวลผลภาษาของมนุษย์ โดยให้โมเดลทายตัวอักษรทางพันธุกรรมที่ถูกปิดไว้จากบริบทแวดล้อมโดยรอบ

อย่างไรก็ตาม โมเดลภาษาจีโนมแบบลำดับเดี่ยว (single-sequence models) ที่มีอยู่ในปัจจุบัน เช่น Nucleotide Transformer หรือ Evo 2 ซึ่งมีขนาดพารามิเตอร์หลายพันล้านตัว ต้องอาศัยทรัพยากรการประมวลผล หน่วยความจำ และพลังงานมหาศาลในการเรียนรู้จากข้อมูลดิบ (ตัวอย่างเช่น Nucleotide Transformer ใช้หน่วยประมวลผล NVIDIA A100 จำนวน 128 ตัวฝึกประมวลผลนานนับเดือน ส่วน Evo 2 ใช้ H100 มากกว่า 2,000 ตัวเป็นเวลาหลายเดือน) แต่ในบางงานกลับยังคงให้ผลลัพธ์ที่ด้อยกว่าแบบจำลองวิวัฒนาการดั้งเดิม โดยเฉพาะเมื่อต้องประเมินความแปรผันในจีโนมของสิ่งมีชีวิตซับซ้อนและในบริเวณควบคุมที่อยู่ไกลจากยีน คำถามสำคัญจึงเปลี่ยนจากการเพิ่มขนาดข้อมูลหรือชิปประมวลผล ไปสู่การหาวิธีป้อนความรู้ทางชีววิทยาที่เหมาะสมให้กับโมเดลตั้งแต่กระบวนการเริ่มต้น

➖➖➖➖➖➖➖➖➖➖➖➖
การผสานแผนผังวิวัฒนาการเข้ากับการเรียนรู้ของ AI
➖➖➖➖➖➖➖➖➖➖➖➖

เพื่อแก้ปัญหานี้ ทีมนักวิจัยจาก University of California, Berkeley ได้พัฒนาสถาปัตยกรรมใหม่ที่ชื่อว่า GPN-Star (Genomic Pretrained Network with Species Tree and Alignment Representations) ซึ่งผสมผสานข้อมูลสองส่วนเข้าด้วยกัน ได้แก่ การจัดเรียงจีโนมทั้งจีโนมของหลายสปีชีส์ (whole-genome alignment หรือ WGA) และแผนผังความสัมพันธ์ทางวิวัฒนาการของสปีชีส์เหล่านั้น (species tree)

กระบวนการทำงานเริ่มต้นจากการแบ่งข้อมูล WGA ออกเป็นลำดับเป้าหมายและลำดับจากสปีชีส์อื่นๆ ตัวอักษรบางตำแหน่งในลำดับเป้าหมายจะถูกซ่อนไว้ โมเดลจะใช้กระบวนการที่เรียกว่า in-species self-attention เพื่ออ่านบริบทภายในลำดับเดียวกัน จากนั้นใช้ phylogeny-informed cross-attention เพื่อดึงข้อมูลจากสปีชีส์อื่น โดยกลไกนี้จะให้น้ำหนักความสำคัญของสปีชีส์ต่างๆ ตามระยะห่างบนแผนผังวิวัฒนาการ สปีชีส์ที่ใกล้ชิดกันจะถูกจัดกลุ่มเพื่อสร้างตัวแทนข้อมูลระดับกลุ่ม (clade-level embeddings) ทำให้โมเดลเข้าใจความสัมพันธ์เชิงวิวัฒนาการอย่างเป็นระบบ

นอกจากนี้ สิ่งที่ GPN-Star ทำแตกต่างออกไปคือการปรับแก้ค่าอัตราการกลายพันธุ์พื้นหลัง (background mutation rate) ลำดับ DNA ที่พบในธรรมชาติเป็นผลลัพธ์ที่ผสมผสานกันระหว่างการเกิดการกลายพันธุ์และแรงคัดเลือกทางธรรมชาติ หากไม่แยกสองปัจจัยนี้ออกจากกัน ตำแหน่งที่กลายพันธุ์ยากตามสมบัติทางเคมีอาจถูกตีความผิดว่าได้รับการอนุรักษ์ไว้เพราะมีความสำคัญ ทีมวิจัยจึงปรับเทียบผลการทำนายด้วยข้อมูลตำแหน่งที่เป็นกลางซึ่งมีความเชื่อมั่นสูง เพื่อให้คะแนนที่ได้สะท้อนข้อจำกัดที่เกิดจากการคัดเลือกทางธรรมชาติได้อย่างชัดเจนยิ่งขึ้น

ผลลัพธ์คือกลไกที่มองจีโนมคล้ายกับชุดคำสั่งที่มีระบบจัดเก็บซับซ้อน DNA ไม่ได้วางเป็นเส้นยาวอยู่ในนิวเคลียสอย่างอิสระ แต่มีการจัดพื้นที่ โค้งงอพับตัว และทำงานร่วมกัน โมเดลสามารถเรียนรู้ความสัมพันธ์ระหว่างนิวคลีโอไทด์ที่อยู่ห่างกัน (nucleotide dependency) ซึ่งเป็นจุดเด่นสำคัญที่ทำให้ GPN-Star ชนะโมเดลวิวัฒนาการแบบดั้งเดิมที่พิจารณาข้อมูลทีละตำแหน่งแยกจากกัน เปรียบเสมือน AI ที่เข้าใจ "ไวยากรณ์" ของประโยค ว่าประธานกับกริยาต้องสอดคล้องกันแม้จะมีคำขยายมาคั่นกลาง ในจีโนมก็เช่นกัน บริเวณที่โปรตีนเข้าจับ (TFBS) ต้องสอดคล้องกับจุดเริ่มต้นการถอดรหัสยีน ซึ่งช่วยให้เข้าใจกลไกได้ลึกซึ้งกว่าการดูเพียงความคงเดิมของตัวอักษรตำแหน่งใดตำแหน่งหนึ่ง

➖➖➖➖➖➖➖➖➖➖➖➖
เลนส์ที่มองไกลที่สุด อาจไม่ได้ให้ภาพที่ชัดเจนที่สุดเสมอไป
➖➖➖➖➖➖➖➖➖➖➖➖

หนึ่งในข้อค้นพบที่น่าสนใจจากการศึกษานี้คือ ระยะเวลาทางวิวัฒนาการที่นำมาใช้ฝึกโมเดลมีผลอย่างมากต่อชนิดของความแปรผันที่โมเดลสามารถประเมินได้ดีที่สุด ซึ่งเป็นผลลัพธ์ที่ทำให้เห็นกลไกอีกด้านหนึ่ง ขัดกับสมมติฐานทั่วไปที่มักเชื่อว่า ยิ่งเปรียบเทียบข้อมูลย้อนหลังไปไกลเท่าไหร่ก็ยิ่งได้ข้อมูลที่ครอบคลุมและน่าเชื่อถือมากขึ้นเท่านั้น

นักวิจัยได้สร้างโมเดล GPN-Star ขึ้นมาสามรุ่นบนพื้นฐานของ WGA สามระดับ โดยยึดจีโนมมนุษย์เป็นแกน ได้แก่ สัตว์มีกระดูกสันหลัง (ย้อนกลับไปราว 600 ล้านปี) สัตว์เลี้ยงลูกด้วยนม (ราว 100 ล้านปี) และไพรเมต (ราว 65 ล้านปี) ผลการทดสอบพบว่า แต่ละรุ่นมีความถนัดแตกต่างกันอย่างชัดเจนตามลักษณะทางชีววิทยา

สำหรับการประเมินความแปรผันชนิด missense (การเปลี่ยนแปลงที่ทำให้กรดอะมิโนในโปรตีนเปลี่ยนไป) ในฐานข้อมูล ClinVar ซึ่งประกอบด้วยตัวแปรก่อโรค 20,973 ตำแหน่งเทียบกับตัวแปรไม่ก่อโรค 26,238 ตำแหน่ง โมเดลรุ่นสัตว์มีกระดูกสันหลังให้ค่าความแม่นยำ (ประเมินจากพื้นที่ใต้กราฟ AUPRC) สูงที่สุด โดยมีประสิทธิภาพเทียบเท่าโมเดลภาษาโปรตีนอย่าง ESM-1b และดีกว่าแบบจำลองจีโนมขนาดใหญ่อื่นๆ นอกจากนี้ในตัวแปรมะเร็งจากฐานข้อมูล COSMIC (ตัวแปรมะเร็ง 181 ตำแหน่ง เทียบกับตัวแปรทั่วไป 14,426 ตำแหน่ง) รุ่นสัตว์มีกระดูกสันหลังก็ยังทำผลงานได้ดีที่สุด เนื่องจากหน้าที่พื้นฐานของโปรตีนส่วนใหญ่ได้รับการอนุรักษ์ข้ามสปีชีส์มาอย่างยาวนาน เมื่อนำไปทดสอบกับข้อมูล Deep Mutational Scanning ซึ่งเป็นการทดลองเปลี่ยนกรดอะมิโนจำนวนมากในโปรตีนจริง 31 ชุดจาก ProteinGym รุ่นสัตว์มีกระดูกสันหลังก็ทำได้ดีกว่าโมเดลประเมินทั่วจีโนมอื่นๆ แม้จะยังตามหลังโมเดลที่ออกแบบมาสำหรับวิเคราะห์โปรตีนโดยเฉพาะก็ตาม

แต่เมื่อเข้าสู่บริเวณที่ไม่สร้างโปรตีน (non-coding regions) ภาพลัพธ์กลับเปลี่ยนไปอย่างสิ้นเชิง GPN-Star รุ่นสัตว์เลี้ยงลูกด้วยนมทำผลงานได้ดีที่สุดในการจำแนกตัวแปรก่อโรคจากฐานข้อมูล OMIM (ตัวแปรก่อโรค 338 ตำแหน่ง เทียบกับตัวแปรทั่วไป 2,968 ตำแหน่ง) และ HGMD (ตัวแปรก่อโรค 745 ตำแหน่ง เทียบกับ 6,601 ตำแหน่ง) โดยเอาชนะโมเดลที่พยากรณ์การทำงานจากลำดับ (sequence-to-function models) อย่าง Enformer, Borzoi และ AlphaGenome ได้อย่างชัดเจน ความได้เปรียบนี้เห็นชัดเจนที่สุดในบริเวณองค์ประกอบควบคุมที่อยู่ห่างไกล (distal enhancer) นอกจากนี้ ในบริเวณ promoter ซึ่งเกี่ยวข้องกับการเริ่มถอดรหัสยีน รุ่นสัตว์เลี้ยงลูกด้วยนมก็ยังทำได้ดีกว่าโมเดลที่สร้างมาเฉพาะ promoter ในชุดทดสอบของ OMIM (ตัวแปรก่อโรค 225 ตำแหน่ง เทียบกับ 1,918 ตำแหน่ง)

มากไปกว่านั้น ในการวิเคราะห์ข้อมูลความสัมพันธ์ทั่วจีโนม (GWAS) เพื่อหาตัวแปรที่มีความเป็นไปได้สูงที่จะเป็นสาเหตุของลักษณะซับซ้อน (complex traits) โมเดลรุ่นไพรเมตกลับแสดงประสิทธิภาพสูงสุดในการดึงสัญญาณพันธุกรรมที่ถ่ายทอดได้ (heritability enrichment) โดยเฉพาะในลักษณะที่มีความเกี่ยวพันกับยีนจำนวนมาก (highly polygenic traits) เช่น โรคจิตเภท ซึ่งมีค่าความเป็นพหุยีนเชิงประสิทธิผลสูงถึง 13,069 ตรงข้ามกับลักษณะอย่างระดับ LDL cholesterol ที่มีค่าพหุยีนเพียง 89 ซึ่งโมเดลที่มองวิวัฒนาการไกลกว่าจะทำได้ดีกว่า ผลลัพธ์นี้สะท้อนให้เห็นว่าองค์ประกอบควบคุมยีนบางอย่างเพิ่งมีวิวัฒนาการในช่วงเวลาที่ใกล้เคียงกับมนุษย์ การใช้เลนส์วิวัฒนาการที่กว้างเกินไปอาจทำให้เรามองไม่เห็นข้อจำกัดที่เพิ่งเกิดขึ้นเหล่านี้

➖➖➖➖➖➖➖➖➖➖➖➖
จากความรู้ทางวิวัฒนาการสู่การประยุกต์ใช้ในระบบสุขภาพ
➖➖➖➖➖➖➖➖➖➖➖➖

ข้อค้นพบเหล่านี้เปิดโอกาสให้เกิดแนวทางใหม่ในการศึกษาโรค โดยเฉพาะการประเมินความเสี่ยงและการวินิจฉัยโรคทางพันธุกรรม ในปัจจุบัน การศึกษาความสัมพันธ์ของตัวแปรหายาก (Rare Variant Association Testing หรือ RVAT) เป็นงานที่ท้าทายมากทางสถิติ เนื่องจากตัวแปรที่มีผลกระทบรุนแรงมักพบได้ยากในประชากร เมื่อนักวิจัยนำคะแนนจาก GPN-Star ไปผนวกรวมกับเครื่องมือวิเคราะห์ทางสถิติอย่าง DeepRVAT ผลลัพธ์แสดงให้เห็นว่าระบบสามารถค้นพบยีนที่สัมพันธ์กับลักษณะต่างๆ ได้เพิ่มขึ้น (จากเฉลี่ย 383 ยีน เป็น 402 ยีน) และมีอัตราการยืนยันซ้ำในประชากรกลุ่มใหญ่ที่สูงขึ้น (จากเฉลี่ย 338 ยีน เป็น 353 ยีน)

นอกจากนี้ งานวิจัยยังมีการทดลองที่แสดงให้เห็นถึงสัญญาณความผิดปกติที่จำเพาะต่อเนื้อเยื่อ (Tissue-specific signals) เมื่อนำคะแนน GPN-Star ไปวิเคราะห์ร่วมกับยีนที่ทำงานเฉพาะเนื้อเยื่อ พบว่าโมเดลที่วิเคราะห์ "เนื้อเยื่อสมอง" สามารถพยากรณ์ความเสี่ยงโรคจิตเภท (Schizophrenia) ได้แม่นยำที่สุด ในขณะที่โมเดลของ "เนื้อเยื่อเลือด/ภูมิคุ้มกัน" ก็พยากรณ์โรคลูปัส (Lupus) ได้ดีที่สุด ข้อมูลนี้ช่วยให้เห็นภาพชัดเจนว่า AI ตัวนี้ไม่ได้บอกแค่ว่ายีนผิดปกติไหม แต่มันช่วยชี้เป้าไปถึงระบบอวัยวะที่เกี่ยวข้องได้ด้วย

สิ่งนี้มีความหมายอย่างเป็นรูปธรรมต่อระบบสุขภาพ ตัวชี้วัดทางชีวภาพ (biomarker) หรือคะแนนความเสี่ยงที่วิเคราะห์ด้วย AI อาจทำหน้าที่คล้ายสัญญาณเตือนที่ช่วยให้แพทย์และนักวิจัยเลือกได้ว่าควรส่งตรวจยืนยันหน้าที่ของยีนใดในห้องปฏิบัติการเป็นลำดับแรก ซึ่งอาจช่วยลดระยะเวลาในการค้นหาสาเหตุของโรคหายาก ลดต้นทุนในการทดลองที่ไม่จำเป็น และเพิ่มความแม่นยำในการคัดกรองตัวแปรที่พบใหม่

ยิ่งไปกว่านั้น กรอบการทำงานของ GPN-Star ไม่ได้จำกัดอยู่แค่มนุษย์ นักวิจัยได้นำสถาปัตยกรรมนี้ไปฝึกกับข้อมูลการจัดเรียงจีโนมและแผนผังสปีชีส์ของสิ่งมีชีวิตต้นแบบอีก 5 ชนิด ได้แก่ หนู (Mus musculus), ไก่ (Gallus gallus), แมลงหวี่ (Drosophila melanogaster), หนอนตัวกลม (Caenorhabditis elegans) และพืช (Arabidopsis thaliana) โดยพบว่าคะแนนที่ได้สามารถแยกแยะความแปรผันที่หายากออกจากความแปรผันทั่วไปได้ดีกว่าวิธีดั้งเดิมอย่าง PhyloP และ PhastCons ในทั้งห้าชนิด และยังทำได้ดีกว่าในการจำแนกตัวแปรก่อโรคหรือตัวแปรอันตรายในฐานข้อมูลเฉพาะของหนู แมลงหวี่ และหนอนตัวกลม ซึ่งอาจเป็นประโยชน์ต่องานวิจัยด้านสัตวแพทย์ การเกษตร และการพัฒนายาในอนาคต

➖➖➖➖➖➖➖➖➖➖➖➖
ข้อจำกัดและโจทย์ที่รอคอยการค้นพบ
➖➖➖➖➖➖➖➖➖➖➖➖

แม้ GPN-Star จะแสดงประสิทธิภาพที่น่าสนใจ แต่เทคโนโลยีนี้ยังมีข้อจำกัดที่ต้องพิจารณา ประการแรก การพึ่งพาข้อมูล WGA ทำให้โมเดลถูกจำกัดด้วยรูปแบบการจัดเรียงสาย DNA ที่กำหนดไว้แล้ว หากขยายหน้าต่างบริบทกว้างขึ้น ตำแหน่งที่ดูเหมือนอยู่ติดกันในโปรแกรมอาจไม่ได้อยู่ติดกันจริงในจีโนมของสปีชีส์อื่น ทำให้โมเดลไม่เหมาะสำหรับการประเมินความแปรผันเชิงโครงสร้างขนาดใหญ่ (structural variants) หรือการแทรกและขาดหายของลำดับ DNA (indels) ประการที่สอง โมเดลนี้ประเมินข้อจำกัดที่เกิดจากวิวัฒนาการข้ามสปีชีส์ จึงยังไม่มีความละเอียดพอที่จะศึกษาการปรับตัวที่เพิ่งเกิดขึ้นภายในประชากรมนุษย์ด้วยกันเอง ซึ่งต้องอาศัยข้อมูลจีโนมประชากรมนุษย์และมนุษย์โบราณ

ข้อสำคัญที่สุดคือ ผลลัพธ์จากโมเดลคำนวณยังไม่ใช่คำวินิจฉัยทางการแพทย์ การประเมินความเสี่ยงโดย AI ช่วยชี้เป้าหมายที่น่าสนใจและจัดลำดับความสำคัญ แต่ประโยชน์ที่พิสูจน์แล้วในผู้ป่วยจริงยังคงต้องอาศัยการทดลองหน้าที่ในเซลล์ (functional assays) ข้อมูลทางคลินิกอื่นๆ เช่น การถ่ายทอดในครอบครัว และการพิจารณาจากแพทย์ผู้เชี่ยวชาญร่วมด้วยเสมอ

เพื่อเป็นการผลักดันวงการวิทยาศาสตร์ให้ก้าวหน้าไปพร้อมกัน ทีมวิจัยได้เปิดกว้างให้ข้อมูลเหล่านี้เป็น "เครื่องมือที่เข้าถึงได้" โดยไม่ได้เก็บ AI ตัวนี้ไว้ใช้เอง แต่ได้เผยแพร่ซอร์สโค้ด โมเดลที่ฝึกแล้ว และคะแนนล่วงหน้าที่คำนวณไว้สำหรับทุกตำแหน่งในจีโนมมนุษย์ให้ดาวน์โหลดไปใช้งานได้ฟรี การเปิดกว้างนี้จะช่วยเร่งความเร็วในการวิจัยทั่วโลก และเปิดโอกาสให้นักวิทยาศาสตร์คนอื่นๆ นำไปต่อยอดได้

การศึกษาชิ้นนี้เชื่อมโยงข้อค้นพบจากวิวัฒนาการนับร้อยล้านปีเข้ากับความพยายามในการถอดรหัสโรคของผู้ป่วยในปัจจุบัน แต่ความท้าทายต่อไปคือ เราจะสามารถพัฒนาระบบที่ผสานข้อมูลความทรงจำทางวิวัฒนาการนี้ เข้ากับข้อมูลการแสดงออกของยีนที่ตอบสนองต่อสิ่งแวดล้อมแบบเรียลไทม์ได้อย่างไร เพื่อสร้างเครื่องมือทางพันธุศาสตร์ที่สามารถทำนายผลลัพธ์ทางสุขภาพได้อย่างแม่นยำและสมบูรณ์ยิ่งขึ้นในอนาคต

➖➖➖➖➖➖➖➖➖➖➖➖
รายการอ้างอิง
➖➖➖➖➖➖➖➖➖➖➖➖

1. Ye C, Benegas G, Albors C, et al. Predicting genome-wide functional constraints with GPN-Star. Nature. 2026. https://doi.org/10.1038/s41586-026-11005-5

2. UC Berkeley. New AI model for DNA learns from evolution to unlock secrets of the human genome. News release, 9 September 2026.

3. GPN source code and models. https://github.com/songlab-cal/gpn

4. Precomputed GPN-Star predictions. https://huggingface.co/collections/songlab/gpn-star-68c0c055acc2ee51d5c4f129

09/09/2026

ลบล้างความเชื่อจากตำราเรียนในอดีต: จากภาพถ่ายระดับนาโนเมตรสู่ความเข้าใจใหม่เรื่องการทำงานของ DNA ความยาวราว 2เมตรที่ขดแน่นในนิวเคลียส การแสดงออกในการสร้างปรตีน และโรคพันธุกรรม

✅ร่างกายมนุษย์ประกอบด้วยเซลล์ประมาณ 30–40 ล้านล้านเซลล์ เซลล์ส่วนใหญ่มีศูนย์กลางการควบคุมที่เรียกว่า “นิวเคลียส” ซึ่งโดยทั่วไปมีเส้นผ่านศูนย์กลางประมาณ 5–10 ไมโครเมตร อย่างไรก็ตาม เซลล์บางชนิด เช่น เม็ดเลือดแดงที่โตเต็มวัยและเกล็ดเลือด ไม่มีนิวเคลียส ภายในนิวเคลียสขนาดเล็กนี้บรรจุ DNA เกือบทั้งหมดของเซลล์ โดยเซลล์ร่างกายทั่วไปเป็นเซลล์ดิพลอยด์ (Diploid; 2n) มีโครโมโซม 2 ชุด รวม 46 แท่ง หรือ 23 คู่ โครโมโซมชุดหนึ่งจำนวน 23 แท่งได้รับมาจากพ่อ และอีกชุดหนึ่งจำนวน 23 แท่งได้รับมาจากแม่ จึงมี DNA รวมประมาณ 6 พันล้านคู่เบส หากคลี่สาย DNA ทั้งหมดจากเซลล์เพียงเซลล์เดียวออกต่อกัน จะมีความยาวรวมประมาณ 2 เมตร

✅เพื่อให้เห็นภาพความมหาศาลของข้อมูลที่ถูกบรรจุอยู่ในพื้นที่ระดับไมโครเมตร หากเรานำรหัสพันธุกรรมของมนุษย์ที่มีคู่เบส (Base pair) หรือ "ตัวอักษรทางพันธุกรรม" ถึง 3 พันล้านคำ (A,T,G, หรือ C) เรียงสลับกันไปมา มาพิมพ์ด้วยขนาดตัวอักษรมาตรฐานสำหรับอ่านลงบนกระดาษ A4 ความหนา 80 กรัม ทั้งด้านหน้าและด้านหลัง (กระดาษหนึ่งแผ่นจะจุตัวอักษรได้ประมาณ 6,000 คำ) เราจะต้องใช้กระดาษมากถึง 500,000 แผ่น เมื่อนำกระดาษครึ่งล้านแผ่นนี้มาวางเรียงซ้อนกัน กองกระดาษจะมีความหนาถึง 50 เมตร หรือเทียบเท่ากับความสูงของตึก 16-17 ชั้น

✅ที่น่าสนใจยิ่งกว่านั้น หากเราคัดลอกเฉพาะส่วนที่เป็น "ยีน" (Gene) ทั้งหมดบนจีโนม ซึ่งมีหน้าที่เป็นชุดคำสั่งควบคุมการทำงานของเซลล์ (รวมทั้งส่วนโค้ดดิ้งและนอนโค้ดดิ้งภายในยีน ซึ่งคิดเป็นพื้นที่ประมาณ 25-30% ของจีโนมมนุษย์) มาจัดพิมพ์ในลักษณะเดียวกัน กองกระดาษนี้ก็จะยังคงมีความหนาประมาณ 12-15 เมตร หรือเทียบเท่ากับตึก 4-5 ชั้น

✅แต่หากเราคัดกรองลึกลงไปอีก โดยเลือกเฉพาะพื้นที่ยีนที่ถูกนำไปแปลรหัสเป็นโปรตีนจริง ๆ หรือ protein-coding sequence ซึ่งมีเพียงประมาณ 1–1.5% ของจีโนม กองกระดาษสูง 50 เมตรจะลดลงเหลือเพียงประมาณ 0.5–0.75 เมตรเท่านั้น (ความสูงเพียง 1 ใน 4 ของตึกชั้นเดียว) ส่วนคำว่า “exome” มีขอบเขตกว้างกว่าเล็กน้อย เพราะครอบคลุม exon ทั้งส่วนที่เข้ารหัสโปรตีนและส่วนที่ไม่ถูกแปลรหัส เช่น untranslated regions หรือ UTR จึงมักกล่าวโดยประมาณว่ามีขนาดราว 1.5–2% ของจีโนม (ความสูงประมาณ 0.75-1 เมตร หรือเพียง 1 ใน 3 ของตึก 1 ชั้น)

✅การบรรจุสาย DNA ที่ยาวประมาณ 2 เมตรลงในนิวเคลียสขนาดไม่กี่ไมโครเมตร ไม่ได้เกิดจากการยัดสาย DNA เข้าไปอย่างสุ่มและไร้ระเบียบ แต่ต้องอาศัยกลไกการจัดโครงสร้างที่ซับซ้อน DNA จะพันรอบแกนโปรตีนฮิสโตน (Histone) ซึ่งประกอบด้วยโปรตีนฮิสโตน 8 หน่วย เกิดเป็นโครงสร้างพื้นฐานที่เรียกว่า “นิวคลีโอโซม” (Nucleosome) โดยแต่ละนิวคลีโอโซมมี DNA พันรอบแกนประมาณ 147 คู่เบส

✅นิวคลีโอโซมจำนวนมากจะเรียงต่อกันและพับขดเป็นโครงสร้างที่เรียกว่า “โครมาติน” (Chromatin) ซึ่งสามารถคลายตัวหรืออัดแน่นได้ตามสภาวะและหน้าที่ของเซลล์ การจัดระเบียบนี้ไม่เพียงช่วยบรรจุ DNA ให้พอดีกับนิวเคลียสเท่านั้น แต่ยังมีบทบาทสำคัญในการควบคุมว่าส่วนใดของจีโนมจะถูกเปิดให้อ่านและแสดงออกเป็นยีน และส่วนใดจะถูกปิดไว้ในช่วงเวลาหนึ่ง

✅ดังนั้น ภายในนิวเคลียสขนาดเพียงไม่กี่ไมโครเมตรจึงไม่ได้มีเพียงสาย DNA ความยาวมหาศาลเท่านั้น แต่ยังมีระบบการจัดเก็บและควบคุมข้อมูลพันธุกรรมอย่างประณีต เปรียบเสมือนห้องสมุดชีวภาพขนาดจิ๋วที่บรรจุคู่มือการสร้าง การทำงาน การซ่อมแซม และการดำรงชีวิตของเซลล์ไว้อย่างเป็นระบบ

➖➖➖➖➖➖➖➖➖➖➖➖
ปริศนาทางฟิสิกส์ที่ซ่อนอยู่ในตำราเรียนชีววิทยา
➖➖➖➖➖➖➖➖➖➖➖➖

ตลอดหลายสิบปีที่ผ่านมา ตำราเรียนชีววิทยามักอธิบายโครงสร้างของห้องสมุดชีวภาพแห่งนี้ด้วยหลักการที่แบ่งแยกอย่างชัดเจน โครมาตินถูกแบ่งออกเป็นสองรูปแบบหลัก ได้แก่ "เฮเทอโรโครมาติน" (Heterochromatin) ซึ่งเป็นบริเวณที่ DNA ขดตัวแน่นทึบ เปรียบเสมือนหมวดหมู่เอกสารที่ถูกปิดตาย ยีนบริเวณนี้จะถูกระงับการทำงาน ส่วนรูปแบบที่สองคือ "ยูโครมาติน" (Euchromatin) ซึ่งเป็นบริเวณที่ยีนกำลังเปิดการทำงาน สมมติฐานดั้งเดิมเชื่อว่า พื้นที่ที่ยีนกำลังทำงานนี้จะต้องมีสภาพเป็นเส้นสายที่เปิดโล่งและคลายตัวออกอย่างอิสระ เพื่อเปิดทางให้เอนไซม์ของเซลล์สามารถเข้าไปอ่านและคัดลอกรหัสพันธุกรรมได้อย่างสะดวก เพื่อนำข้อมูลมาสร้างเป็นโปรตีนประเภทต่างๆที่เซลล์หรือร่างกายต้องการ

ภาพจำที่เรียบง่ายนี้อยู่คู่กับแวดวงวิทยาศาสตร์มาอย่างยาวนาน ทว่ามันกลับซ่อนคำถามทางฟิสิกส์ที่น่าสงสัย หากสาย DNA จำนวนมหาศาลกำลังทำงานและลอยตัวอยู่อย่างหลวม ๆ คล้ายเส้นด้ายที่ถูกคลายเกลียวทิ้งไว้ พวกมันจะไม่พันกันจนยุ่งเหยิงในพื้นที่แคบ ๆ ของเซลล์ที่กำลังขยับเขยื้อนตลอดเวลาหรือ? และหากมันพันกัน เครื่องจักรกลระดับเซลล์จะสามารถเข้าไปทำงานโดยไม่ทำให้โครงสร้างอันบอบบางนี้เสียหายได้อย่างไร?

ความสงสัยดังกล่าวนำไปสู่การศึกษาครั้งสำคัญ นำโดยศาสตราจารย์ คาซูฮิโระ มาเอชิมะ (Kazuhiro Maeshima) จากสถาบันพันธุศาสตร์แห่งชาติ ประเทศญี่ปุ่น (National Institute of Genetics) ร่วมกับองค์การวิจัยด้านข้อมูลและระบบ (ROIS) และทีมนักวิจัยนานาชาติ ข้อค้นพบของพวกเขาซึ่งได้รับการตีพิมพ์ในวารสารวิทยาศาสตร์ Nature Genetics เมื่อเดือนกันยายน ปี 2026 ได้นำเสนอหลักฐานที่แสดงให้เห็นว่าบริเวณที่ยีนทำงานนั้นไม่ได้มีสภาพ "หลวม" อย่างที่เราเคยเข้าใจ งานวิจัยนี้มุ่งเน้นไปที่การศึกษา "โครงสร้างทางฟิสิกส์และการเคลื่อนไหว" ของสาย DNA ด้วยกล้องจุลทรรศน์ความละเอียดสูงระดับนาโนเมตร เปรียบเสมือนการสังเกตว่าหนังสือถูกพับและขยับตัวอย่างไรบนชั้นเก็บหนังสือ มากกว่าการพยายามอ่านตัวอักษรทุกตัวในเล่มหรือการถอดรหัสพันธุกรรมทั้งจีโนม

➖➖➖➖➖➖➖➖➖➖➖➖
เทคโนโลยีระดับนาโนเมตรที่ขยายขีดจำกัดการมองเห็น
➖➖➖➖➖➖➖➖➖➖➖➖

การสังเกตพฤติกรรมของโครมาตินในเซลล์มนุษย์ที่ยังมีชีวิตอยู่ ถือเป็นความท้าทายอย่างยิ่ง เนื่องจากโครงสร้างเหล่านี้มีขนาดเล็กในระดับนาโนเมตร กล้องจุลทรรศน์แบบใช้แสงดั้งเดิมไม่สามารถแยกแยะรายละเอียดที่เล็กกว่าขีดจำกัดการเลี้ยวเบนของแสงได้ ภาพที่ได้จึงมักเบลอและรวมกันเป็นก้อนเดียว

เพื่อก้าวข้ามข้อจำกัดนี้ ทีมนักวิจัยได้ประยุกต์ใช้เทคโนโลยีกล้องจุลทรรศน์ความละเอียดสูงยิ่งยวด (Super-resolution microscopy) ถึงสองชนิด ชนิดแรกคือ 3D-SIM ซึ่งสร้างภาพสามมิติที่มีความละเอียดระดับ 100 นาโนเมตร และชนิดที่สองคือ STORM ซึ่งสามารถติดตามโมเลกุลเรืองแสงเดี่ยว ๆ ทำให้ได้รายละเอียดลึกซึ้งถึงระดับ 5 นาโนเมตร

ความก้าวหน้าอีกขั้นคือการพัฒนาเทคนิคติดฉลากเรืองแสงแบบเฉพาะเจาะจง โดยเลือกเป้าหมายไปที่ฮิสโตนชนิดพิเศษชื่อ "H3.3" ซึ่งเซลล์จะนำไปประกอบเข้ากับ DNA เฉพาะในบริเวณยูโครมาติน หรือบริเวณที่ยีนกำลังเปิดการทำงานอยู่เท่านั้น เมื่อนำเทคนิคนี้มาประกอบกับการบันทึกภาพต่อเนื่องด้วยความเร็วสูงถึง 50 มิลลิวินาทีต่อเฟรม นักวิจัยจึงสามารถสังเกตเห็นรูปร่าง โครงสร้างสามมิติ และทิศทางการขยับตัวของ DNA ที่ทำงานอยู่ได้อย่างชัดเจนเป็นครั้งแรก

➖➖➖➖➖➖➖➖➖➖➖➖
ยีนที่ทำงานไม่ได้ "หลวม" แต่เป็นโดเมนที่รวมตัวคล้ายหยดของเหลว
➖➖➖➖➖➖➖➖➖➖➖➖

ผลลัพธ์ที่เทคโนโลยีระดับนาโนเมตรเผยให้เห็น ขัดแย้งกับสมมติฐานเดิมจากตำราเรียนอย่างสิ้นเชิง ทีมวิจัยพบว่า ยีนที่กำลังทำงานในเซลล์มนุษย์ไม่ได้คลายตัวออกเป็นเส้นหลวม ๆ พลิ้วไหวอย่างอิสระ แต่พวกมันกลับรวมตัวกันเป็น "กลุ่มก้อน" หรือโดเมน (Condensed Domains) โดยแต่ละกลุ่มก้อนมีขนาดเส้นผ่านศูนย์กลางประมาณ 200 ถึง 240 นาโนเมตร

การจับตัวเป็นก้อนนี้สามารถอธิบายด้วยปรากฏการณ์ทางชีววิทยาที่เรียกว่า "การแยกตัวแบบของเหลว" (Liquid-Liquid Phase Separation - LLPS) ซึ่งกำลังได้รับความสนใจอย่างมากในปัจจุบัน หลักการของ LLPS คล้ายกับการหยดน้ำมันลงในน้ำ โมเลกุลทางพันธุกรรมและโปรตีนที่ต้องทำงานร่วมกันจะดึงดูดกันเองด้วยแรงกระทำทางเคมีที่อ่อนโยน เกิดเป็นโครงสร้างที่รวมตัวกันหนาแน่นแต่มิได้แข็งทื่อ มีสถานะที่ขยับเขยื้อนและยืดหยุ่นได้คล้ายกับ "เจลลี่" หรือหยดของเหลวขนาดจิ๋ว (Fluid-like)

โครงสร้างกลุ่มก้อนลักษณะนี้ช่วยอธิบายปริศนาทางฟิสิกส์ได้อย่างสมเหตุสมผล การที่ DNA จัดกลุ่มรวมกัน ช่วยป้องกันไม่ให้สายพันธุกรรมยาว ๆ เข้าไปพันกันยุ่งเหยิง ช่วยรักษาระเบียบในนิวเคลียสที่แออัดไว้ได้ ธรรมชาติอาจใช้หลักการรวมตัวแบบหยดน้ำนี้ เพื่อดึงให้โมเลกุลที่ต้องทำงานร่วมกันมาอยู่รวมกัน และรักษารูปทรงของหยดเหล่านี้นั่นเอง

ส่วนคำถามที่ว่า ในเมื่อ DNA จับตัวกันเป็นก้อนเจลลี่ที่ค่อนข้างหนาแน่น เอนไซม์ขนาดใหญ่ที่ทำหน้าที่คัดลอกข้อมูลพันธุกรรม (เช่น RNA Polymerase II ซึ่งเปรียบเสมือนเครื่องสแกนเนอร์ขนาดใหญ่ของเซลล์) จะมุดเข้าไปทำงานได้อย่างไร? ตามสามัญสำนึก หากก้อน DNA อัดแน่น เครื่องจักรเซลล์ก็น่าจะต้องออกแรงรื้อหรือคลายเกลียวโครงสร้างทั้งหมดออกเสียก่อนจึงจะอ่านข้อมูลได้

ทว่า ภาพถ่าย 3D-SIM ได้เปิดเผยกลไกการจัดสรรพื้นที่ที่ชาญฉลาดกว่านั้น ภาพแสดงให้เห็นว่า เอนไซม์คัดลอกรหัสพันธุกรรมเหล่านี้ไม่ได้ฝังตัวอยู่ตรงกลางโดเมน แต่มักจะกระจายตัวเกาะอยู่ตาม "พื้นผิว" หรือขอบเขตรอบนอกของกลุ่มก้อนเจลลี่เหล่านี้แทน

เมื่อประกอบกับความรู้ที่ว่าโดเมนเหล่านี้มีความยืดหยุ่นและลื่นไหล นักวิทยาศาสตร์จึงอธิบายปรากฏการณ์นี้ว่า สาย DNA ภายในก้อนเจลลี่ไม่ได้อยู่นิ่ง แต่สามารถขยับตัวสลับตำแหน่งได้ (Fluidity) เมื่อยีนใดจำเป็นต้องเปิดใช้งาน ส่วนของยีนนั้นจะเคลื่อนที่หรือถูกดึงมาที่บริเวณขอบของก้อนเจลลี่ คล้ายกับการหยิบหนังสือจากชั้นวางที่อยู่ลึกสุด ในห้องสมุด นำมาวางที่โต๊ะสแกนเนอร์รอบนอก (ห้องสมุด) เอนไซม์จึงสามารถทำการคัดลอกรหัสพันธุกรรมได้ทันทีที่บริเวณพื้นผิว โดยไม่จำเป็นต้องมุดเข้าไปลึกถึงแกนกลาง กลไกนี้ทำให้เซลล์อ่านข้อมูลยีนได้อย่างรวดเร็วและมีประสิทธิภาพ โดยไม่ต้องสิ้นเปลืองพลังงานในการรื้อโครงสร้าง DNA ทั้งหมดให้คลายออกแล้วจัดเก็บใหม่ทุกครั้งที่ใช้งาน

➖➖➖➖➖➖➖➖➖➖➖➖
หน้าที่ที่ซ่อนอยู่ของโปรตีนผู้คุมกฎ "โคฮีซิน"
➖➖➖➖➖➖➖➖➖➖➖➖

เมื่อทราบว่า DNA ที่ทำงานยังคงรักษาสภาพเป็นกลุ่มก้อนเจลลี่ยืดหยุ่น นักวิจัยจึงต้องการค้นหาว่า อะไรคือกลไกที่ช่วยรักษาสภาพและป้องกันไม่ให้หยดของเหลวเหล่านี้ไหลไปปนกัน พวกเขามุ่งความสนใจไปที่โปรตีนคอมเพล็กซ์ชนิดหนึ่งที่มีรูปร่างคล้ายวงแหวนชื่อว่า "โคฮีซิน" (Cohesin) ซึ่งมีหน้าที่สร้างห่วงลูป (Loop) ของสาย DNA

ทีมวิจัยได้ใช้ระบบทำลายโปรตีนแบบรวดเร็ว (AID2 system) กำจัดโคฮีซินทั้งหมดออกจากเซลล์เพาะเลี้ยงภายในเวลา 1 ชั่วโมง ตามสมมติฐานเดิม หากโคฮีซินหายไป กลุ่มก้อนโครมาตินควรจะคลายความหนาแน่นและขยายตัว ทว่า ภาพถ่ายจาก STORM ยืนยันว่า กลุ่มก้อนโครมาตินยังคงจับตัวหนาแน่นเช่นเดิม

สิ่งที่เปลี่ยนแปลงไปอย่างชัดเจนคือ "ความลื่นไหล" (Fluidity) ของนิวคลีโอโซมที่อยู่ภายในกลุ่มก้อน เมื่อวงแหวนโคฮีซินหายไป นิวคลีโอโซมมีอิสระในการแกว่งตัวและสลับตำแหน่งกันเพิ่มสูงขึ้นอย่างมีนัยสำคัญ โดเมนเจลลี่นี้เปลี่ยนสภาพไปสู่ความเป็นของเหลวมากขึ้น จนขยายตัวไปสัมผัสและไหลรวมเข้ากับโดเมนข้างเคียง เกิดปรากฏการณ์ "การผสมปนเป" (Local mixing)

ปรากฏการณ์นี้อาจเปรียบได้กับเส้นเชือกกั้นลู่ในสระว่ายน้ำ เมื่อเส้นกั้นลู่นี้หายไป แม้ปริมาณน้ำและจำนวนคนในสระจะเท่าเดิม แต่ผู้คนจากต่างลู่จะเริ่มว่ายปะปน ไหลไปรวมกับคนลู่อื่น โคฮีซินจึงทำหน้าที่เสมือนเส้นกั้นลู่ที่ตีกรอบล้อมรอบสาย DNA เอาไว้ไม่ให้เสียรูปทรงและไหลไปปนกับกลุ่มอื่น

➖➖➖➖➖➖➖➖➖➖➖➖
อันตรายเมื่อยีนทำงานปนเปกัน: สถานการณ์จำลอง
➖➖➖➖➖➖➖➖➖➖➖➖

การกั้นพื้นที่ของ DNA ไว้เป็นกลุ่มก้อนย่อย ๆ มีความสำคัญต่อการอยู่รอดของเซลล์อย่างยิ่ง เพราะแต่ละกลุ่มก้อนทำหน้าที่สร้าง "การแยกสัดส่วนการถอดรหัส" (Transcriptional insulation) เพื่อป้องกันไม่ให้สัญญาณที่สั่งให้ยีนเปิดทำงานในโดเมนหนึ่ง ข้ามไปรบกวนยีนในโดเมนข้างเคียง

เพื่อให้เห็นภาพชัดเจนขึ้น ลองจินตนาการถึงสถานการณ์สมมติว่า ภายในนิวเคลียสเปรียบเสมือนโรงงานขนาดใหญ่ที่มีการแบ่งโซนการทำงานอย่างชัดเจน สมมติว่าในเซลล์ของเรามีโซนของ 'ยีนคันเร่ง' ที่มีหน้าที่สั่งให้เซลล์แบ่งตัว (ซึ่งหากคันเร่งนี้ถูกกดค้างไม่หยุด เซลล์อาจแบ่งตัวจนกลายเป็นเซลล์มะเร็งได้) ตั้งอยู่ใกล้ชิดกับโซนของ 'ยีนโปรตีนย่อยอาหาร' ที่มีหน้าที่สร้างน้ำย่อยตามรอบเวลา

ในสภาวะปกติ โปรตีนวงแหวนโคฮีซินจะทำหน้าที่เสมือน 'กำแพงกั้นห้อง' หรือ 'เส้นกั้นเขต' ที่แยกการทำงานของสองโซนนี้ออกจากกันอย่างเด็ดขาด สัญญาณเคมีที่ถูกส่งมาเพื่อสั่งให้ยีนย่อยอาหารทำงาน จะถูกจำกัดให้อยู่แค่ในโซนของมันเท่านั้น

แต่เมื่อใดก็ตามที่โคฮีซินบกพร่อง กำแพงกั้นห้องนี้หายไป โดเมนเจลลี่ที่เคยถูกแยกส่วนจะเริ่มลื่นไหลและผสมปนเปกันเหมือนของเหลวที่ไร้ขอบเขต สิ่งที่ตามมาคือ 'ความสับสนของการสื่อสาร' สัญญาณชีวเคมีที่ตั้งใจจะสั่งให้เซลล์สร้างน้ำย่อย อาจรั่วไหลข้ามเขตไปกระตุ้นยีนคันเร่งที่อยู่ข้างเคียงโดยไม่ได้ตั้งใจ ผลลัพธ์คือเซลล์ถูกสั่งให้แบ่งตัวอย่างต่อเนื่องโดยไม่สามารถควบคุมได้ สิ่งนี้เรียกว่าการเปิดทำงานพร้อมกันอย่างไม่เหมาะสม (Co-bursting) ซึ่งถือเป็นการรบกวนระบบการสั่งงานของเซลล์อย่างร้ายแรง และเป็นกลไกหนึ่งที่อาจนำไปสู่ความผิดปกติทางร่างกาย

ในงานวิจัยนี้ ทีมวิจัยได้ตรวจสอบผลกระทบโดยใช้เทคนิค Intron-seqFISH และพบว่าเมื่อโคฮีซินหายไป ยีนที่อยู่ใกล้เคียงกันซึ่งปกติต้องถูกควบคุมแยกจากกัน เริ่มมีแนวโน้มที่จะเปิดการทำงานพร้อมกันจริง ๆ ข้อจำกัดทางกายภาพที่โคฮีซินสร้างขึ้น จึงเป็นคำอธิบายสำคัญว่าเซลล์สามารถรักษาความแม่นยำในการทำงานของยีนนับหมื่นยีนได้อย่างไร

➖➖➖➖➖➖➖➖➖➖➖➖
อนาคตของการแพทย์: วิศวกรรมยีนและยารักษาโรคที่มุ่งเป้าทางฟิสิกส์
➖➖➖➖➖➖➖➖➖➖➖➖

ความเข้าใจในระดับนาโนเมตรนี้เปิดมุมมองใหม่ที่มีความหมายอย่างยิ่งต่อวงการวิทยาศาสตร์และการแพทย์ ประการแรก ข้อมูลทางคลินิกที่มีอยู่ระบุว่า ความผิดปกติของการทำงานหรือการกลายพันธุ์ของยีนที่สร้างโปรตีนโคฮีซิน มีความเชื่อมโยงกับกลุ่มโรคทางพัฒนาการแต่กำเนิดที่เรียกว่า Cohesinopathies (เช่น โรค Cornelia de Lange syndrome) รวมถึงเกี่ยวข้องกับมะเร็งบางชนิด การเข้าใจหลักการทำงานของโคฮีซินในการควบคุมความลื่นไหลของโครมาติน อาจนำไปสู่แนวทางใหม่ในการประเมินความเสี่ยงและรักษาโรคเหล่านี้

ประการที่สอง ข้อค้นพบดังกล่าวยังส่งผลกระทบต่อเทคโนโลยีการตัดต่อยีนที่กำลังก้าวหน้าอย่างรวดเร็ว เช่น CRISPR-Cas9 ในอดีตเราอาจคิดว่ากรรไกรระดับนาโนนี้เพียงแค่วิ่งเข้าไปหาเส้น DNA ที่ลอยอยู่โล่ง ๆ แต่ภาพจำใหม่ชี้ให้เห็นว่า DNA ที่ทำงานกลับจับตัวกันแน่นเป็นกลุ่มก้อนเจลลี่ ดังนั้น การออกแบบระบบตัดต่อยีนในอนาคต อาจต้องคำนึงถึงความสามารถทางฟิสิกส์ในการแทรกซึมผ่านกลุ่มก้อนเหล่านี้ เพื่อเพิ่มความแม่นยำและลดข้อผิดพลาดในการรักษา

➖➖➖➖➖➖➖➖➖➖➖➖
ประการสุดท้าย การค้นพบนี้อาจเป็นจุดเริ่มต้นของแนวคิด "ยารักษาโรคที่มุ่งเป้าทางฟิสิกส์" (Physical/Structural Therapeutics)
➖➖➖➖➖➖➖➖➖➖➖➖

ในปัจจุบัน ยารักษาโรคส่วนใหญ่มักออกฤทธิ์โดยการยับยั้งหรือกระตุ้นปฏิกิริยาเคมี แต่ในอนาคต เราอาจมีการพัฒนายาที่เข้าไป "ปรับความหนืด" หรือ "ซ่อมแซมเส้นกั้นลู่" ของกลุ่มก้อนโครมาติน เพื่อจัดระเบียบสภาวะทางฟิสิกส์ในนิวเคลียสให้กลับมาเป็นปกติ ซึ่งถือเป็นมิติใหม่ของการพัฒนายา

แม้ว่างานวิจัยนี้จะเป็นก้าวสำคัญ แต่ยังมีข้อจำกัดที่ควรทราบ การศึกษานี้ดำเนินการในเซลล์เพาะเลี้ยงในห้องปฏิบัติการ (เซลล์สายพันธุ์ HCT116) พฤติกรรมและความหนาแน่นของโครมาตินอาจแตกต่างออกไปในเซลล์ต้นกำเนิด (Stem cells) หรือในเนื้อเยื่อมนุษย์จริง นอกจากนี้ การอธิบายความสัมพันธ์เชิงฟิสิกส์ทั้งหมดอย่างสมบูรณ์ ยังต้องอาศัยเทคโนโลยีการถ่ายภาพที่สามารถติดตามโมเลกุลต่อเนื่องได้ยาวนานกว่าปัจจุบัน

ท้ายที่สุด ธรรมชาติได้ออกแบบโครงสร้างการจัดเก็บข้อมูลทางพันธุกรรมไว้อย่างแยบยล ภายในพื้นที่เล็กจิ๋วที่บรรจุข้อมูลมหาศาลเทียบเท่ากองกระดาษสูง 50 เมตร เซลล์สามารถสร้างสถาปัตยกรรมที่หนาแน่นเพื่อประหยัดพื้นที่ แต่ยังยืดหยุ่นพอที่จะทำหน้าที่ได้อย่างสมบูรณ์แบบ งานวิจัยชิ้นนี้ไม่เพียงแต่เปลี่ยนแปลงความเข้าใจเดิมจากตำราเรียน แต่ยังทิ้งคำถามที่ท้าทายให้วงการวิทยาศาสตร์ค้นหาต่อไปว่า สภาพแวดล้อม ความเครียด หรืออายุที่เพิ่มขึ้น มีส่วนเข้าไปรบกวนหรือเปลี่ยนแปลงความลื่นไหลระดับนาโนเมตรเหล่านี้ในร่างกายของเราอย่างไรบ้าง

➖➖➖➖➖➖➖➖➖➖➖➖
อ้างอิง:
➖➖➖➖➖➖➖➖➖➖➖➖

Shimazoe, M. A., และคณะ (2026). Cohesin prevents local mixing of condensed euchromatic domains in living human cells. Nature Genetics. DOI: 10.1038/s41588-026-02736-2 https://www.nature.com/articles/s41588-026-02736-2

• เอกสารประชาสัมพันธ์จาก EurekAlert! และ Research Organization of Information and Systems (ROIS) ข่าวตีพิมพ์วันที่ 8 กันยายน 2026

ที่อยู่

Center For Medical Genomics
Bangkok
10400

เวลาทำการ

จันทร์	08:30 - 19:00
อังคาร	08:30 - 19:00
พุธ	08:30 - 19:00
พฤหัสบดี	08:30 - 19:00
ศุกร์	08:30 - 19:00
เสาร์	09:00 - 18:00
อาทิตย์	09:00 - 18:00