اغلب عاملان این تهدیدات، ویروس‌ها و باکتری‌هایی هستند که شما بر آنها غلبه کرده‌اید، برخی عوامل پنهانی مانند واکسن‌هایی هستند که پاسخ‌های ایمنی محافظتی را تحریک می‌کنند و گروه دیگر حتی مورد گمراه‌کننده‌ای به شکل بافت سالمی هستند که در آتش متقابل ایمنی گرفتار شده‌اند.
اکنون محققان پزشکی استنفورد، روشی ابداع کرده‌اند تا این پایگاه داده داخلی غنی را استخراج کنند و بیماری‌های مختلفی مانند پاسخ‌های دیابت و کووید-۱۹ به واکسن‌های آنفلوانزا را تشخیص دهند. اگرچه آنان این رویکرد را به‌عنوان راهی برای غربالگری چندین بیماری به‌طور همزمان در نظر می‌گیرند، اما راهکار مبتنی بر یادگیری ماشینی نیز می‌تواند برای تشخیص بیماری‌های خودایمنی پیچیده و دشوار مانند لوپوس بهینه شود.
محققان استفاده از یادگیری ماشینی برای تشخیص ایمونولوژیک (Mal-ID) را برای تجزیه‌وتحلیل توالی گیرنده‌های سلول «بی» (B) و «تی» (T) از خون انسان گزارش کرده‌اند که توانایی پیش‌بینی وضعیت سلامت (سالم در مقابل بیمار) و تمایز بین بیماری‌های خودایمنی متمایز یا عفونت‌های ویروسی و افرادی که واکسن آنفلوآنزا دریافت کرده‌اند را نشان می‌دهد.
این تحقیق با شرکت حدود ۶۰۰ نفر، برخی افراد سالم، برخی دیگر مبتلا به عفونت‌هایی مانند کووید-۱۹ یا بیماری‌های خودایمنی ازجمله لوپوس و دیابت نوع یک انجام شد. محققان، الگوریتمی به‌نام Mal-ID مربوط به یادگیری ماشینی برای تشخیص ایمنی را توسعه دادند که در شناسایی افراد مبتلا فقط بر اساس توالی و ساختار گیرنده‌های سلول‌های «بی» و «تی»، بسیار موفق بود.
دکتر ماکسیم زاسلاوسکی، محقق فوق دکترا، گفت: ابزارهای تشخیصی که امروزه استفاده می‌کنیم، از سابقه داخلی سیستم ایمنی در مورد بیماری‌هایی که با آنها مواجه شده است، استفاده چندانی نمی‌کند، اما سیستم ایمنی بدن ما به‌طور مداوم با سلول‌های «بی» و «تی» که مانند سنسورهای تهدید مولکولی عمل می‌کنند، بدن ما را زیر نظر دارد. ترکیب اطلاعات از این دو مورد اصلی سیستم ایمنی، تصویر کامل‌تری از پاسخ سیستم ایمنی به بیماری و مسیرهای خودایمنی و پاسخ واکسن ارائه می‌دهد.
محققان بر این باورند که علاوه بر کمک به تشخیص بیماری‌های دشوار، Mal-ID می‌تواند پاسخ‌ها به ایمنی درمانی سرطان را ردیابی کند و وضعیت‌های بیماری را به روش‌هایی طبقه‌بندی کند که می‌تواند به تصمیم‌گیری بالینی کمک کند.
اسکات بوید، از مدیران مرکز تحقیقات آلرژی و آسم، اظهار کرد: چند مورد از شرایطی که ما آنها را بررسی کردیم می‌توانند به‌طور قابل‌توجهی در سطح بیولوژیکی یا مولکولی متفاوت باشند، اما ما آنها را با عبارات گسترده‌ای توصیف می‌کنیم که به‌طور قطع پاسخ تخصصی سیستم ایمنی را توضیح نمی‌دهند و Mal-ID می‌تواند به ما کمک کند تا زیرمجموعه‌هایی از شرایط خاص را شناسایی کنیم که می‌توانند سرنخ‌هایی در مورد مفیدترین نوع درمان برای وضعیت بیماری افراد را به ما بدهد.
رمزگشایی زبان پروتئین‌ها
دانشمندان از تکنیک‌های یادگیری ماشینی مبتنی بر مدل‌های زبان بزرگ، زیربنای چت جی‌بی‌تی، استفاده کردند تا گیرنده‌های شناسایی تهدید روی سلول‌های ایمنی به‌نام سلول‌های «تی» و پایانه‌های اصلی آنتی‌بادی‌ها (که گیرنده‌ها نیز نامیده می‌شوند) ساخته شده توسط نوع دیگری از سلول‌های ایمنی به‌نام سلول‌های «بی» را مورد توجه قرار دهند.
این مدل‌های زبان به‌دنبال الگوهایی در مجموعه داده‌های بزرگ مانند متون کتاب‌ها و وب‌سایت‌ها هستند. با آموزش کافی، آنان می‌توانند از این الگوها برای پیش‌بینی واژه بعدی در یک جمله در کنار کارهای دیگر استفاده کنند.
دانشمندان یک مدل زبان بزرگ برنامه‌ریزی شده روی پروتئین‌ها را به‌کار بردند، میلیون‌ها توالی از گیرنده‌های سلول‌های «بی» و «تی» را به مدل منتقل و از آن برای جمع‌آوری گیرنده‌هایی با ویژگی‌های کلیدی مشترک استفاده کردند که توسط مدل تعیین می‌شود و ممکن است ترجیحات اتصال مشابهی را نشان دهد. انجام این کار ممکن است درک کلی درباره عواملی که باعث تحرک سیستم ایمنی فرد می‌شود را ارائه دهد؛ حجم زیادی از سلول‌های «تی»، سلول‌های «بی» و سایر سلول‌های ایمنی مجهز برای حمله به تهدیدات واقعی و مشهود را به‌وجود می‌آورد. توالی‌های این گیرنده‌های ایمنی بسیار متغیر هستند، این تنوع به سیستم ایمنی کمک می‌کند نه فقط هر چیزی را تشخیص دهد، بلکه تفسیر هدف این سلول‌های ایمنی را برای ما دشوارتر می‌کند.
زاسلاوسکی توضیح داد: در این تحقیق، ما در جستجوی این بودیم که آیا می‌توانیم رکورد سیستم ایمنی از مواجهه این بیماری‌ها را به وسیله تفسیر این اطلاعات بسیار متغیر با برخی تکنیک‌های جدید یادگیری ماشین رمزگشایی کنیم یا خیر. این ایده جدیدی نیست، ما یک روش پایدار برای ثبت الگوهای این توالی گیرنده‌های ایمنی که نشان می‌دهد سیستم ایمنی به چه چیزی پاسخ می‌دهد را از دست داده‌ایم.
مدیکال گزارش کرد، سلول‌های «بی» و «تی» نشان‌دهنده دو بازوی مجزا از سیستم ایمنی هستند، اما روشی که آنها پروتئین‌هایی را می‌سازند که عوامل عفونی یا سلول‌هایی که باید از بین بروند را تشخیص می‌دهند، مشابه است. به‌طور خلاصه، بخش‌های خاصی از دی‌ان‌ای در ژنوم سلول‌ها به‌طور تصادفی با هم آمیخته و تطبیق داده می‌شوند، گاهی اوقات با سرعت زیادی از جهش‌های اضافی برای ایجاد مناطق کدگذاری که وقتی ساختارهای پروتئین جمع می‌شوند، می‌توانند تریلیون‌ها آنتی‌بادی منحصربه‌فرد (در مورد سلول‌های «بی») یا گیرنده‌های سطح سلولی (در مورد سلول‌های «تی») تولید کنند.
تصادفی بودن این فرآیند به این معنی است که این آنتی‌بادی‌ها یا گیرنده‌های سلول «تی» برای شناسایی مولکول‌های خاصی در سطح مهاجمان طراحی نشده‌اند، اما تنوع گیج‌کننده آنها تضمین می‌کند که حداقل تعداد کمی از آنها به هر ساختار خارجی متصل می‌شوند. ایمنی خودکار، یا حمله سیستم ایمنی به بافت‌های خود بدن، اغلب اما نه همیشه، با فرآیندی که سلول‌های «تی» و «بی» در مراحل اولیه رشد طی می‌کنند و سلول‌های مشکل‌ساز را از بین می‌برند، پیشگیری می‌شود.
عمل اتصال، سلول را تحریک می‌کند تا تعداد بیشتری از خود را برای حمله در مقیاس کامل بسازد. شیوع متعاقب و فزاینده سلول‌ها با گیرنده‌هایی که با ساختارهای سه بعدی مشابه مطابقت دارند، اثر انگشت بیولوژیکی از بیماری‌ها یا شرایطی را که سیستم ایمنی بدن را هدف قرار داده است، ارائه می‌دهد.
محققان برای آزمایش نظریه خود، مجموعه داده‌ای مشتمل بر بیش از ۱۶ میلیون توالی گیرنده سلول «بی» و بیش از ۲۵ میلیون توالی گیرنده سلول «تی» را از ۵۹۳ نفر با یکی از ۶ وضعیت ایمنی مختلف جمع‌آوری کردند که شامل، گروه کنترل سالم، افراد آلوده به سارس-کوو-۲ (ویروسی که باعث کووید-۱۹ می‌شود) و افراد مبتلا به اچ‌آی‌وی یا افرادی بودند که واکسن آنفلوانزا دریافت کرده‌اند همچنین افراد مبتلا به لوپوس یا دیابت نوع یک (که هر دو «بی»ماری خود ایمنی هستند) نیز بررسی شدند. سپس زاسلاوسکی و همکارانش از رویکرد یادگیری ماشینی خود برای جستجوی اشتراکات بین افراد دارای شرایط مشابه استفاده کردند.
بوید اظهار کرد: ما فراوانی کاربرد هر بخش، توالی اسید آمینه پروتئین‌های حاصل و روشی که مدل «زبان» گیرنده‌ها را نشان می‌دهد، از میان ویژگی‌های دیگر، مقایسه کردیم.
سلول‌های «تی» و «بی» با هم
محققان دریافتند که توالی‌های گیرنده سلول «تی»، مرتبط‌ترین اطلاعات را در مورد لوپوس و دیابت نوع یک ارائه می‌دهند در حالی که توالی گیرنده‌های سلول «بی» در شناسایی عفونت اچ‌آی‌وی یا سارس-کوو-۲ یا واکسیناسیون اخیر آنفلوآنزا ارائه‌دهنده مفیدترین اطلاعات هستند. با این حال، در هر مورد، ترکیب نتایج سلول‌های «تی» و «بی» توانایی الگوریتم را برای دسته‌بندی دقیق افراد بر اساس وضعیت بیماری آنان بدون توجه به جنس، سن یا نژاد افزایش می‌دهد.
زاسلاوسکی بیان کرد: رویکردهای سنتی، گاهی برای یافتن گروه‌هایی از گیرنده‌هایی که ظاهر متفاوت و اهداف یکسانی را تشخیص می‌دهند، مشکل دارند و این جایی است که مدل‌های زبانی بزرگ برتری می‌یابند. آنها می‌توانند دستور و سرنخ‌های مربوط به زمینه خاص سیستم ایمنی را یاد بگیرند. به این ترتیب، Mal-ID می‌تواند درک درونی از این توالی‌ها را ایجاد کند که به ما بینشی می‌دهد که پیش از این نداشته‌ایم.
اگرچه محققان Mal-ID را فقط روی ۶ حالت ایمونولوژیک توسعه دادند، آنان تصور می‌کنند که این الگوریتم می‌تواند به‌سرعت برای شناسایی علائم ایمنی خاص در بسیاری از بیماری‌ها و شرایط دیگر سازگار شود. آنان به‌خصوص به بیماری‌های خودایمنی مانند لوپوس علاقه‌مند هستند که تشخیص و درمان موثر آن دشوار است.
زاسلاوسکی افزود: بیماران می‌توانند سال‌ها مبارزه کنند قبل از اینکه بیماری آنان تشخیص داده شود و حتی در آن زمان، نام‌هایی که ما برای این بیماری‌ها می‌گذاریم، مانند اصطلاحاتی است که تنوع زیستی مسبب بیماری‌های پیچیده را نادیده می‌گیرد. اگر ما بتوانیم از
Mal-ID برای کشف ناهمگنی مسبب لوپوس یا آرتریت روماتوئید استفاده کنیم، از نظر بالینی بسیار تاثیرگذار خواهد بود. Mal-ID همچنین ممکن است به محققان در شناسایی اهداف درمانی جدید برای بسیاری از بیماری‌ها نیز کمک کند.
بوید خاطرنشان کرد: زیبایی این رویکرد این است که حتی اگر در ابتدا به‌طور کامل ندانیم که سیستم ایمنی چه مولکول‌ها یا ساختارهایی را هدف قرار می‌دهد، تاثیرگذار است. ما هنوز هم می‌توانیم اطلاعات را به سادگی با مشاهده الگوهای مشابه در نحوه پاسخ‌دهی افراد به‌دست آوریم و با بررسی عمیق و دقیق این پاسخ‌ها، ممکن است مسیرهای جدیدی برای تحقیقات و درمان‌ها کشف کنیم.
یافته‌های این تحقیق در مجله Science منتشر شد.
انتهای پیام
نظرات