نوشته شانیا کندی
بر اساس مطالعه‌ای که هفته گذشته در هفته گذشته منتشر شد، یک تیم تحقیقاتی از دانشگاه ایالتی آریزونا یک مدل یادگیری ماشینی (ML) ایجاد کرده‌اند که می‌تواند پیش‌بینی کند که آیا سیستم ایمنی بیمار پاتوژن‌ها و سایر سلول‌های خارجی را تشخیص می‌دهد یا خیر. سیستم های سلولی.
این ابزار که آنتی ژن لکوسیت انسانی (HLA)-Inception نام دارد، یک شبکه عصبی کانولوشنال (CNN) است که از اطلاعات برهمکنش مولکولی فردی برای درک اینکه چگونه گروهی از پروتئین‌های معروف به مجتمع اصلی سازگاری بافتی-1 (MHC-1) بر پاسخ ایمنی تأثیر می‌گذارد، استفاده می‌کند.
پروتئین های MHC-1 نقش کلیدی در توانایی سیستم ایمنی در تشخیص سلول های خارجی دارند.
این پروتئین ها در سطح سلولی یافت می شوند، جایی که پپتیدهای خارجی را برای شناسایی و حمله به سیستم ایمنی نشان می دهند. قادر به پیش‌بینی اینکه کدام MHC-1 با کدام پپتیدها متصل می‌شود، پتانسیل قابل توجهی برای کمک به پیشرفت ایمنی درمانی و پزشکی دقیق دارد.
با این حال، محققان نشان دادند که MHC-1 توسط چندین ژن با تعداد زیادی آلل کدگذاری می‌شوند که منجر به وجود هزاران نسخه مختلف از این مولکول‌ها در جمعیت انسانی می‌شود. هر MHC-1 به طور متفاوتی با قطعات پپتید تعامل می‌کند و توسعه یک مدل پیش‌بینی را دشوار می‌کند.
برای پرداختن به این موضوع، تیم تحقیقاتی 5821 آلل MHC-1 را تجزیه و تحلیل کردند تا الگوهایی را در نحوه پیوند این مولکول ها با پپتیدهای خارجی نشان دهند. با استفاده از امضاهای الکترواستاتیک موجود در سطح پروتئین ها، محققان با موفقیت 11 کلاس MHC-1 مجزا را شناسایی کردند.
تجزیه و تحلیل بیشتر نشان داد که افراد با طیف متنوعی از MHC-1 احتمال بیشتری برای زنده ماندن از برخی درمان‌های سرطان دارند.
این بینش ها را می توان برای پیش بینی چگونگی واکنش سیستم ایمنی فرد به سلول های خارجی مورد استفاده قرار داد.
Abhishek Singharoy، نویسنده اصلی، دکترا، استادیار دانشکده ASU گفت: «ما می‌توانیم بر اساس جزئیات مولکولی که انسان با آن متولد می‌شود، در مورد پیامدهای پاتولوژیک بیماران، مانند بقا در برابر داروهای سرطان خاص، پیش‌بینی کنیم. علوم مولکولی، در یک خبر. اکنون با استفاده از این ابزار، چیزی که چند روز طول می‌کشد تنها چند ثانیه طول می‌کشد.»
سینگهاروی ادامه داد: «این یک تحقیق تأثیرگذار با پیامدهای فراتر از محدودیت های دانشگاهی است. “تکنیک ما اکنون سریعترین است.”
تیم تحقیقاتی همچنین تاکید کرد که مدل پیش‌بینی آنها ممکن است در شخصی‌سازی برنامه‌های درمانی برای شرایطی مانند سرطان مفید باشد.
دکتر اریک ویلسون، عضو فوق دکتری در دانشکده پزشکی Icahn در کوه سینا که در این تحقیق مشارکت داشت، گفت: «ادغام مداوم یادگیری ماشین در مراقبت‌های بهداشتی به کاهش خطر و شخصی‌سازی درمان‌ها کمک می‌کند. “یادگیری ماشین و هوش مصنوعی می توانند با نفی نیاز به آزمایش های پرهزینه برای تعیین نامزدی، دسترسی به درمان های جدید را برای گروه گسترده تری از بیماران بهبود بخشند.”
استفاده از ابزارهای مبتنی بر هوش مصنوعی و ML در مطالعات پزشکی دقیق همچنان به رشد خود ادامه می دهد زیرا محققان پتانسیل این فناوری های به سرعت در حال پیشرفت را کشف می کنند.
در ماه مارس، محققان دانشکده پزشکی دانشگاه واشنگتن در سنت لوئیس، توسعه یک رویکرد یادگیری عمیق (DL) را برای پیش‌بینی اینکه کدام بیماران سرطان ریه سلول غیر کوچک (NSCLC) احتمالاً متاستاز مغزی را تجربه می‌کنند، شرح دادند.
متاستازهای مغزی در بخش قابل توجهی از این بیماران رخ می دهد، اما تیم تحقیقاتی تاکید کرد که در حال حاضر هیچ ابزار قابل اعتمادی برای شناسایی افراد در معرض خطر وجود ندارد.
برای مبارزه با این موضوع، محققان یک الگوریتم DL را برای پیش‌بینی خطر متاستاز مغز با استفاده از تصاویر هیستوپاتولوژی ریه‌های بیماران آموزش دادند. این ابزار با موفقیت ویژگی‌های تصویربرداری غیرطبیعی را شناسایی کرد که ممکن است آسیب‌شناس آنها را از دست بدهد و زمانی که وظیفه نشان دادن خطر متاستاز مغزی را بر عهده داشت، از پزشکان بهتر عمل کرد.