هوش مصنوعی و ژنومیک واکنش‌های درمانی بیماران سرطانی را پیش‌بینی می‌کنند

مطلب پیشنهادی

استفاده مجدد از داروها در درمان بیماری آلزایمر

آیا هوش مصنوعی و ژنومیک می‌توانند داروهای آلزایمر را پیدا کنند؟

هوش مصنوعی و درمان سرطان

متاسفانه درمان‌هایی مثل شیمی درمانی یا ایمونوتراپی برای همه بیماران مفید نیست. از این‌رو، پیدا کردن راهی برای پیش‌بینی واکنش‌های بیماران به درمان‌ها کمک زیادی در روند بهبودی آن‌ها بازی می‌کند. مطالعه جدیدی که نتایج آن در Nature Communications منتشر شده، نشان می‌دهد که چگونه ترکیب هوش مصنوعی (AI) و یادگیری ماشین با توالی ژنومی ممکن است به پیش‌بینی روند درمان سرطان معده کمک کند.

محققان کلینیک مایو، کلینیک کلیولند، کالج پزشکی دانشگاه یونسی، بیمارستان سنت مری سئول و مرکز پزشکی جنوب غربی دانشگاه تگزاس در این مقاله تحقیقاتی نوشتند: «در حال حاضر نشانگرهای زیستی پیش‌بینی‌کننده تا حدودی به خط درمان بیماران مبتلا به سرطان معده کمک می‌کنند».

سرطان معده که به عنوان سرطان شکمی نیز شناخته می‌شود، چهارمین علت مرگ و میر ناشی از سرطان در جهان و پنجمین عامل شایع بر اساس آمار سال 2020 منتشر شده از سوی موسسه آمار جهانی سرطان (GLOBOCAN) شناخته می‌شود. از این‌رو، پژوهشگران تصمیم گرفتند با استفاده از هوش مصنوعی و توالی ژنومی یک نشانگر زیستی را طراحی کنند که به عنوان ابزار کمکی استفاده می‌شود و توصیه‌هایی برای مراقبت‌های بالینی در اختیار بیماران مبتلا به سرطان معده انجام می‌دهد.

به گفته مؤسسه ملی تحقیقات ژنوم انسانی، توالی‌یابی به فرآیند تعیین ترتیب خط‌های مبنا در یک رشته DNA اشاره دارد. بد نیست بدانید که توالی‌یابی DNA برای یافتن تغییرات ژنتیکی و جهش‌های مرتبط با بیماری‌ها نیز استفاده می‌شود.

محققان در این مقاله تحقیقاتی نوشته‌اند: «پروفایل ژنومی می‌تواند اطلاعات پیش آگهی و پیش‌بینی‌کننده در ارتباط با مراقبت‌های بالینی ارائه دهد. متاسفانه همه نشانه‌گرهای زیستی که برای ارزیابی واکنش بالینی بیمار به شیمی درمانی در سرطان معده پیش‌بینی‌هایی را ارائه می‌کنند چندان دقیق نیستند».

برای حل این مشکل، دانشمندان یک الگوریتم یادگیری ماشین که NTriPath نام دارد را توسعه داده‌اند. البته الگوریتم مذکور جدید نیست و در گذشته نیز برای یافتن امضاهای ژنی پیش آگهی در ارتباط با سرطان‌های مختلف مانند ملانوما، کارسینوما سلول سنگفرشی سر و گردن، کارسینوم سلول کلیه و کارسینوم مثانه استفاده شده است. در این مطالعه، از NTriPath برای جستجوی مسیرهای کلیدی خاص آدنوکارسینوم معده با استفاده از داده‌های جهش سوماتیک پان سرطان، پایگاه‌های داده مسیر و شبکه‌های تعامل ژن-ژن استفاده شد.

مطلب پیشنهادی

چطور یک ماشین یاد می‌گیرد؟

ماشین های هوشمندی که یاد می گیرند در خدمت پزشکان باشند

بر همین اساس، داده‌های بیش از 6600 بیمار شامل نوزده نوع سرطان از پروژه اطلس ژنوم سرطان (TCGA) به عنوان ورودی در اختیار الگوریتم یادگیری ماشین قرار گرفت تا به شناسایی مسیرهایی بپردازد که عامل بروز سرطان معده می کارسینوم سلول سنگفرشی سر و گردن شوند. سه مسیر اصلی سرطان معده شامل سی و دو ژن بود.

محققان از یادگیری ماشین به منظور ساخت یک ماشین بردار پشتیبان (SVM) با یک هسته خطی برای تولید یک امتیاز خطر ژنتیکی استفاده کردند تا به پیش‌بینی وضعیت بیمار در یک بازه پنج ساله بپردازد. علاوه بر این، برای آن‌که نتایج دقیقی به دست آید، امتیاز ریسک با استفاده از سه مجموعه داده مستقل تایید کردند.

محققان در گزارش خود به این نکته اشاره کردند که ما دریافتیم که امضای 32 ژن می‌توانند پیش‌بینی‌هایی در ارتباط با واکنش بیماران به درمان ارائه کنند. بنابراین، تولید امضای مولکولی از نمونه‌های بافت به‌دست‌آمده در زمان تشخیص ممکن است اطلاعات بالینی مهمی برای پیش‌بینی و برنامه‌ریزی درمان ارائه دهد.

این تجزیه و تحلیل گذشته‌نگر (retrospective) نشان‌دهنده یک گام مهم روبه‌جلو در شناسایی بیماران سرطانی است که از شیمی درمانی و/یا ایمونوتراپی سودی نخواهند برد. برای گام‌های بعدی، محققان توصیه می‌کنند که امضای سی و دو ژن در آینده با گروه‌های بیماران بزرگ‌تر تأیید شود.