موفقیت محققان در یافتن منشأ اولیه تشکیل سلول‌های سرطانی به کمک الگوریتم‌های یادگیری ماشین

صفر و یک منشأ سلول‌های سرطانی

در سال‌های اخیر فناوری‌های نوین مانند هوش مصنوعی و یادگیری ماشین با روند رو به رشد سریعی در حال پیشرفت است. در حال حاضر طراحی و ساخت سامانه‌ها و ابزارهای مبتنی بر این فناوری‌ها به یکی از محبوب‌ترین و جذاب‌ترین حوزه‌های تولید علم و فناوری تبدیل‌ شده ‌است.
کد خبر: ۱۴۴۱۷۳۸
نویسنده جواد فیاض | گروه دانش
 
از آنجا که محدودیتی برای این دست مدل‌ها و الگوریتم‌ها وجود ندارد، می‌توان از آنها در تمام زمینه‌های تخصصی و حتی زندگی روزمره بهره‌ برد. در همین راستا اخیرا محققان موفق به طراحی الگوریتم مدلی شده‌اند که می‌تواند با استفاده از مجموعه داده‌های آزمایش‌های بالینی، مکان و منشأ اولیه سلول‌های سرطانی را شناسایی کند. این دستاورد می‌تواند تاثیر بسزایی در روند درمان انواع سرطان‌ها داشته ‌باشد.
     
از چالش تا ایده
بسیاری ازتومورهای سرطانی به‌مرور سلول‌های خود را ازدست می‌دهند. بخشی ازاین سلول‌های از‌دست‌رفته می‌میرند، برخی دیگر زنده می‌مانند، در سراسر بدن حرکت‌ می‌کنند و به محض یافتن مکان مناسب، تومور جدیدی را تشکیل می‌دهند. به این‌گونه تومورها، متاستاتیک یا دگرنشین گفته ‌می‌شود. پزشکان برای درمان این‌گونه سرطان‌ها باید ابتدا مشخص کنند که منشأ اولیه این سلول‌ها کجاست و سپس طول درمان متناسب با آن را اتخاذ کنند. اما در ۳ تا ۵ درصد موارد آزمایش‌های بالینی نمی‌تواند منشأ اولیه سلول‌ها را شناسایی کند. به این وضعیت «سرطان با منشأ نامعلوم» یا به اختصار(CUP) گفته می‌شود. در این موارد، پزشکان با توجه به محتمل‌ترین منشأ سرطان روش درمانی را انتخاب می‌کنند اما پرهیز از انتخاب اشتباه نیز اجتناب‌ناپذیر است.روش توالی‌یابی نسل بعدی یا به اختصار(NGS) ازروش‌هایی ا‌ست که می‌تواند جهش‌های تومور را شناسایی و به تعیین نوع سرطان کمک کند اما مقدار داده‌های تولیدشده معمولا بسیار زیاد است و حتی موجب بروز خطا در تشخیص اولیه و نهایی نیز می‌شود. از این‌رو پزشکان معمولاپس‌ازشناسایی نوع سرطان، فقط به جهت تشخیص جهش‌های خاص برای درمان‌های هدفمند، از NGS استفاده می‌کنند. اینتا مون، دانشجوی دکترای دانشگاه ماساچوست آمریکا و مؤسسه سرطان دانا-فاربر و تیمش، با کدنویسی نوعی الگوریتم یادگیری ماشین مبتنی برروش NGS برای اولین‌بار توانستندمدلی به نام(OncoNPC)رابرای غربال داده‌های پیچیده حاصل ازآزمایش‌های بالینی سرطان‌های بامنشأ نامعلوم، طراحی کنند.این مدل با تمرکز روی بخش‌هایی خاص ازدی‌ان‌ای الگوهای جهش‌های ژنتیکی که باسرطان‌ها مختلف مرتبط هستند راجست‌وجو می‌کند.
     
تشخیص دقیق با الگوریتم هوش مصنوعی
محققان از داده‌های سه مرکز سرطان در ایالات مختلف برای یافتن ارتباط میان امضاهای ژنتیکی مدل با یکی از ۲۲ نوع سرطان شناخته‌شده، استفاده‌ کردند. این گروه مدل خود را با کمک اطلاعات به‌دست آمده از جهش‌های ژنتیکی، تغییرات تعداد تکثیر و امضاهای جهشی ۳۶۴۴۵ نمونه تومور سرطان‌های با منشأ معلوم و حتی سن و جنسیت بیمار، آموزش دادند. به گفته اینتا مون مدل OncoNPC حدود۸۰درصد مواقع به‌درستی منشأ تومورهای شناخته‌شده را شناسایی کرده است. گرچه در مورد سرطان‌های نادر کمی دقت کمتری داشت اما در تشخیص بسیاری از سرطان‌ها رایج تا ۹۵ درصد موفق بوده ‌است.در ادامه محققان مدل OncoNPC را روی اطلاعات تومورهای سرطانی ۹۷۱ بیمار درمان‌شده مبتلا به CUP اجرا کردند. این مدل نوآورانه توانست به موفقیت ۴۱.۲درصدی درطبقه‌بندی تومورهای سرطانی با منشأ نامعلوم با ضریب اطمینان بسیار بالا دست پیدا کند. این تیم همچنین بررسی و تعیین کرد که کدام ویژگی‌های ژنتیکی برای شناسایی هر نوع سرطان کلیدی‌تر است. این اطلاعات با توجه به ماهیت مرموز تومورهای CUP‌از نظر بالینی و زیستی بسیار ارزشمند است. از آنجا که مکان واقعی سلول‌های تومور اولیه ناشناخته بود، دقت مدل با بررسی نتایج در برابر داده‌های NGS هر فرد تعیین شد تا مشخص شود آیا آنها استعداد ژنتیکی برای نوع خاصی از سرطان دارند یا خیر. محققان دریافتند که پیش‌بینی‌های این مدل با نوع سرطانی که این جهش‌های ارثی را مشخص می‌کند، مطابقت بسیار بالایی دارد.درحالی‌که این مدل عملکرد مناسبی رابرای بیماران با پیشینه‌های قومی و ملیتی شناخته ‌شده را نشان ‌داده ‌است، نیاز به تحقیقات عمیق‌تر برای تأیید مؤثر بودن آن در گستره متنوعی از بیماران وجود دارد.

منبع: the-scientist.com 
newsQrCode
ارسال نظرات در انتظار بررسی: ۰ انتشار یافته: ۰

نیازمندی ها