به گزارش ایسنا و به نقل از نیوز مدیکال نت، گروهی از پژوهشگران "انجمن هلمهولتز مراکز تحقیقاتی آلمان"(MDC) نشان می‌دهد که یک الگوریتم یادگیری ماشینی جدید به نام "ایکاروس" (ikarus) می‌تواند بگوید که سلول‌های سرطانی چگونه با سلول‌های سالم تفاوت دارند. این برنامه مبتنی بر هوش مصنوعی، مشخصه امضای ژنی تومورها را پیدا کرده است.

وقتی نوبت به شناسایی الگوها در کوهی از داده‌ها می‌رسد، انسان با هوش مصنوعی قابل مقایسه نیست. به طور ویژه، شاخه‌ای از هوش مصنوعی به نام یادگیری ماشینی اغلب برای یافتن قواعدی در مجموعه داده‌ها استفاده می‌شود؛ خواه برای تجزیه و تحلیل بازار سهام، خواه تشخیص تصویر و گفتار یا طبقه‌بندی سلول‌ها.

برای تشخیص قابل اطمینان سلول‌های سرطانی از سلول‌های سالم، گروهی به سرپرستی دکتر "آلتونا آکالین"(Altuna Akalin)، رئیس بخش علوم داده‌های بیوانفورماتیک در مرکز پزشکی مولکولی "ماکس دلبروک"(Max Delbrück) در انجمن هلمهولتز، برنامه یادگیری ماشینی ایکاروس را توسعه داده‌اند. این برنامه، الگویی را در سلول‌های تومور پیدا کرد که در انواع گوناگون سرطان، مشترک است و مشخصه‌ای از ژن‌ها را در بر دارد. همچنین این الگوریتم، ژن‌هایی را در الگو شناسایی کرد که پیشتر هرگز به وضوح با سرطان مرتبط نبوده‌اند.

یادگیری ماشینی اساسا به این معناست که یک الگوریتم از داده‌های آموزشی استفاده می‌کند تا بیاموزد که چگونه به پرسش‌های خاصی پاسخ دهد. الگوریتم این کار را با جستجوی الگوهایی در داده‌ها انجام می‌دهد که به حل کردن مشکلات کمک می‌کنند. سیستم پس از مرحله آموزش می‌تواند با استفاده از آنچه آموخته است، داده‌های ناشناخته را ارزیابی کند.

"جان دومن"(Jan Dohmen)، پژوهشگر ارشد این پروژه گفت: این یک چالش بزرگ بود که داده‌های آموزشی مناسب را به دست بیاوریم زیرا کارشناسان پیشتر به وضوح بین سلول‌های سالم و سرطانی تمایز قائل شده بودند.

یک موفقیت غافلگیرکننده

علاوه بر این، مجموعه داده‌های توالی‌یابی تک‌سلولی اغلب دارای آشفتگی‌هایی هستند. این بدان معناست که اطلاعات آنها درباره ویژگی‌های مولکولی سلول‌های منفرد، خیلی دقیق نیستند؛ شاید به این دلیل که تعداد متفاوتی از ژن‌ها در هر سلول شناسایی می‌شوند یا به این دلیل که نمونه‌ها همیشه به صورت یکسان پردازش نمی‌شوند.

دومن و همکارش، دکتر "ودران فرانکه"(Vedran Franke) گزارش دادند که بررسی‌های بیشماری را انجام داده‌اند و با گروه‌های تحقیقاتی زیادی تماس گرفته‌اند تا مجموعه داده‌های کافی را به دست بیاورند. این گروه پژوهشی در نهایت از داده‌های مربوط به سلول‌های سرطانی ریه و روده برای آموزش دادن الگوریتم پیش از اعمال آن در مجموعه داده‌های سایر تومورها استفاده کردند.

در مرحله آموزش، ایکاروس باید فهرستی از ژن‌ها را پیدا می‌کرد تا سپس از آنها برای دسته‌بندی سلول‌ها استفاده کند. دومن گفت: ما روش‌های مختلفی را امتحان کردیم.

به گفته پژوهشگران، این کار وقت‌گیری بود. فرانکه توضیح داد: کلید کار این بود که ایکاروس در نهایت از دو فهرست استفاده کند؛ یکی برای ژن‌های سلول‌های سرطانی و دیگری برای ژن‌های سایر سلول‌ها.

پس از مرحله یادگیری، الگوریتم توانست بین سلول‌های سالم و سلول‌های تومور در انواع دیگر سرطان‌، مانند نمونه‌های بافت به دست آمده از بیماران مبتلا به سرطان کبد یا نوروبلاستوما تمایز قائل شود. میزان موفقیت الگوریتم آن قدر بالا بود که گروه پژوهشی را متعجب کرد.

آکالین گفت: ما انتظار نداشتیم که امضای مشترکی وجود داشته باشد که سلول‌های تومور انواع مختلف سرطان را دقیقا مشخص کند. در هر حال، هنوز نمی‌توانیم بگوییم که این روش برای همه انواع سرطان کاربرد دارد یا خیر.

برای تبدیل کردن ایکاروس به الگوریتمی قابل اعتماد برای تشخیص دادن سرطان، پژوهشگران اکنون می‌خواهند آن را روی انواع دیگری از تومورها آزمایش کنند.

هوش مصنوعی به عنوان یک روش تشخیص قابل اعتماد

هدف این پروژه فراتر از طبقه‌بندی سلول‌های سالم در مقابل سلول‌های سرطانی است. ایکاروس در آزمایش‌های اولیه نشان داد که این روش می‌تواند انواع دیگر و زیرگروه‌های خاصی از سلول‌ها را از سلول‌های تومور تشخیص دهد.

آکالین ادامه داد: ما می‌خواهیم این روش را جامع‌تر کنیم و آن را بیشتر توسعه دهیم تا بتواند بین همه انواع سلول‌ها طی بافت‌برداری تمایز قائل شود.

پاتولوژیست‌ها در بیمارستان‌، تنها به بررسی نمونه‌های بافت تومورها در زیر میکروسکوپ تمایل دارند تا انواع مختلف سلول را شناسایی کنند. این کاری پرزحمت و وقت‌گیر است. با استفاده از ایکاروس، این مرحله می‌تواند روزی به یک فرآیند کاملا خودکار تبدیل شود.

این الگوریتم می‌تواند به پزشکان در انتخاب بهترین درمان کمک کند. الگوریتم نشان می‌دهد که آیا یک درمان یا داروی خاص، موثر خواهد بود یا خیر. علاوه بر این، هوش مصنوعی ممکن است در توسعه داروهای جدید نیز سودمند باشد.

آکالین گفت: ایکاروس به ما امکان می‌دهد تا ژن‌هایی را شناسایی کنیم که محرک‌های بالقوه سرطان هستند. سپس می‌توان از عوامل درمانی جدید برای هدف قرار دادن این ساختارهای مولکولی استفاده کرد.

همکاری راه دور از خانه

یکی از جنبه‌های قابل توجه پژوهش این است که اطلاعات آن به طور کامل طی دوره همه‌گیری کووید-۱۹ تهیه شده‌اند. همه افرادی که در این پژوهش شرکت کردند، پشت میز خود در "موسسه زیست‌شناسی سیستم‌های پزشکی برلین"(BIMSB) که بخشی از انجمن هلمهولتز مراکز تحقیقاتی آلمان است، حضور نداشتند. آنها در خانه بودند و فقط به صورت دیجیتالی با یکدیگر ارتباط برقرار می‌کردند. به همین دلیل از نظر فرانکه، این پروژه نشان می‌دهد که می‌توان ساختاری دیجیتالی را برای سهولت بخشیدن به پژوهش‌های علمی در این شرایط ایجاد کرد.

این پژوهش، در مجله "Genome Biology" به چاپ رسید.

انتهای پیام