نوشته شانیا کندی
بر اساس مطالعه‌ای که اخیرا منتشر شده است، محققان مرکز جامع سرطان UCLA Health Jonsson یک مدل هوش مصنوعی (AI) ایجاد کرده‌اند که می‌تواند با تجزیه و تحلیل عوامل اپی ژنتیک، نتایج بقای سرطان را با موفقیت پیش‌بینی کند. زیست شناسی ارتباطات.
با بررسی الگوهای بیان ژن عوامل اپی ژنتیکی – عواملی که بر نحوه روشن یا خاموش شدن ژن ها تأثیر می گذارند – در تومورها، تیم تحقیقاتی دریافتند که هر یک از عوامل را می توان در گروه هایی طبقه بندی کرد. سپس این بینش ها را می توان در یک ابزار هوش مصنوعی گنجاند و برای پیش بینی نتایج سرطان در انواع سرطان بهتر از برخی معیارهای بالینی استاندارد، مانند مرحله و درجه سرطان، استفاده کرد.
محققان همچنین خاطرنشان کردند که این مطالعه می‌تواند به ایجاد پایه‌ای برای توسعه درمان‌های سرطان هدفمند طراحی شده برای تنظیم عوامل اپی ژنتیکی، مانند هیستون استیل ترانسفرازها و بازسازی‌کننده‌های کروماتین غیر تخمیری سوئیچ/ساکارز (SWI/SNF) کمک کند.
هیلاری کولر، دکترای ارشد، استاد زیست شناسی مولکولی، سلولی و تکاملی و عضو سرطان جامع جانسون UCLA می گوید: «به طور سنتی، سرطان عمدتاً به عنوان نتیجه جهش های ژنتیکی در انکوژن ها یا سرکوبگرهای تومور دیده می شود. مرکز و مرکز تحقیقات پزشکی احیا کننده و سلول های بنیادی Eli and Edythe Broad در UCLA، در یک بیانیه مطبوعاتی.
او ادامه داد: «با این حال، ظهور فناوری‌های پیشرفته توالی‌یابی نسل بعدی باعث شده است تا افراد بیشتری متوجه شوند که وضعیت کروماتین و سطوح فاکتورهای اپی ژنتیکی که این حالت را حفظ می‌کنند برای سرطان و پیشرفت سرطان مهم هستند.» جنبه‌های مختلفی از وضعیت کروماتین وجود دارد – مانند اینکه آیا پروتئین‌های هیستون اصلاح شده‌اند یا اینکه بازهای اسید نوکلئیک DNA حاوی گروه‌های متیل اضافی هستند – که می‌تواند بر نتایج سرطان تأثیر بگذارد. درک این تفاوت‌ها بین تومورها می‌تواند به ما کمک کند تا درباره اینکه چرا برخی از بیماران به درمان‌ها پاسخ متفاوتی می‌دهند و چرا نتایج آنها متفاوت است، بیشتر بدانیم.
تیم تحقیقاتی تأکید کرد که تحقیقات قبلی نشان داده است که جهش‌های موجود در ژن‌هایی که فاکتورهای اپی ژنتیکی را رمزگذاری می‌کنند، می‌توانند بر استعداد ابتلا به سرطان تأثیر بگذارند. با این حال، چگونگی تأثیر این عوامل بر پیشرفت سرطان هنوز به خوبی شناخته نشده است.
برای شروع پر کردن این شکاف دانش و کسب اطلاعات بیشتر در مورد اینکه چگونه اپی ژنتیک بر نتایج بیمار تأثیر می گذارد، محققان الگوهای بیان 720 عامل اپی ژنتیک را ارزیابی کردند تا تومورها را از 24 نوع سرطان متمایز به خوشه طبقه بندی کنند.
از میان آن انواع سرطان، تیم تحقیقاتی دریافت که برای ده سرطان، این خوشه‌ها با تغییراتی در پیامدهای بیمار، مانند بقای کلی، بقای خاص بیماری و بقای بدون پیشرفت مرتبط بودند.
این تفاوت‌ها به‌ویژه برای همه اندازه‌گیری‌های بقا در موارد کارسینوم کبدی و آدنوکارسینوم ریه، گلیومای درجه پایین‌تر مغز، کارسینوم سلول شفاف کلیه کلیه و کارسینوم قشر آدرنال معنی‌دار بود.
خوشه هایی که با پیامدهای ضعیف مرتبط بودند، با اندازه تومور بزرگتر، مرحله سرطان بالاتر یا شاخص های گسترش شدیدتر همراه بودند.
محققان سپس سطوح بیان ژن فاکتور اپی ژنتیک را انتخاب کردند و از آنها برای توسعه یک مدل هوش مصنوعی برای پیش‌بینی نتایج بیمار برای پنج نوع سرطان که تفاوت‌های قابل توجهی در اندازه‌گیری بقا داشتند، استفاده کردند.
این ابزار با موفقیت توانست بیماران مبتلا به این سرطان ها را به دو گروه دسته بندی کند: یکی با شانس بالاتری برای نتایج ضعیف تر و دیگری با شانس قابل توجهی بالاتر برای نتایج بهتر.
تیم تحقیقاتی همچنین دریافت که مهم‌ترین ژن‌ها برای تجزیه و تحلیل هوش مصنوعی با ژن‌هایی که خوشه‌هایی را که تیم قبلاً شناسایی کرده بود، تعریف می‌کنند، همپوشانی دارند.
در حرکت رو به جلو، محققان پیشنهاد کردند که هوش مصنوعی باید روی مجموعه داده‌های مستقل دیگری آزمایش شود تا کاربرد وسیع‌تر آن ارزیابی شود.
مایکل چنگ، نویسنده اول این مطالعه، دانشجوی فارغ التحصیل در برنامه بین بخشی بیوانفورماتیک در UCLA، گفت: «تحقیق ما به ارائه نقشه راه برای مدل‌های هوش مصنوعی مشابه کمک می‌کند که می‌توانند از طریق فهرست‌های در دسترس عموم از عوامل اپی ژنتیکی پیش‌آگهی تولید شوند. “نقشه راه نحوه شناسایی برخی عوامل موثر در انواع مختلف سرطان را نشان می دهد و حاوی پتانسیل هیجان انگیز برای پیش بینی اهداف خاص برای درمان سرطان است.”
این یافته‌ها جدیدترین یافته‌ها هستند که نشان می‌دهند چگونه هوش مصنوعی ممکن است مراقبت از سرطان را در آینده بهبود بخشد.
هفته گذشته، محققان دانشگاه فلوریدا (UF) نشان دادند که ترکیب طیف‌سنجی جرمی با وضوح بالا کروماتوگرافی مایع (LC-HRMS) با یادگیری ماشینی (ML) می‌تواند ارزیابی‌های تومور مغز را کارآمدتر کند.
این تحقیق به دنبال ایجاد بینشی در مورد اینکه چگونه این ابزارها می‌توانند خصوصیات متابولومیک و لیپیدومی تومورهای مننژیوما را اصلاح کنند، انجام شد، زیرا انتخاب یک رویکرد درمانی بسته به درجه تومور می‌تواند چالش برانگیز باشد.
برای پرداختن به این موضوع، محققان یک مدل ML ساختند که می تواند تومورهای مننژیوما را با دقت قابل توجهی سریعتر از یک پزشک ارزیابی کند.