نوشته شانیا کندی
– محققان دانشگاه ویرجینیا (UVA) ابزار یادگیری ماشینی را برای شناسایی عوامل مرتبط با فیبروز قلبی و پیش بینی اینکه کدام داروها می توانند به پیشگیری از این بیماری کمک کنند، توسعه داده اند.
فیبروز قلبی با اسکار غیرطبیعی ماهیچه های قلب به دنبال یک رویداد یا آسیب قلبی، مانند حمله قلبی، مشخص می شود. این اسکار بیش از حد می تواند باعث اختلال در عملکرد قلب شود و به پیامدهای نامطلوب بیمار کمک کند.
داروهای ضد فیبروتیک پتانسیل جلوگیری از برخی از این اسکارها را دارند، اما شناسایی عوامل بیماری و درک اینکه چگونه داروها بر آنها تأثیر می‌گذارند چالشی برای محققان باقی مانده است.
دکتر اندرس آر. نلسون، دانشمند سابق تحقیقات فوق دکتری در دانشکده پزشکی UVA که در این مطالعه مشارکت داشت، در این خبر گفت: «بسیاری از بیماری‌های رایج مانند بیماری‌های قلبی، بیماری‌های متابولیک و سرطان، پیچیده و درمان آنها سخت است. “یادگیری ماشینی به ما کمک می کند تا این پیچیدگی را کاهش دهیم، مهم ترین عواملی را شناسایی کنیم که به بیماری کمک می کنند و بهتر درک کنیم که چگونه داروها می توانند سلول های بیمار را اصلاح کنند.”
تحقیقات قبلی با هدف شناسایی اهداف دارویی برای فیبروز قلبی تنها بر رفتارهای خاص فیبروبلاست ها متمرکز شده است، سلول هایی که کلاژن مورد نیاز برای ترمیم آسیب قلبی را تولید می کنند. این فرآیند در برخی از بیماران باعث ایجاد اسکار مضر می شود، اما در برخی دیگر نه.
برای درک بهتر این سلول‌ها و چگونگی تأثیر داروهای ضد فیبروتیک بر روی آنها، تیم تحقیقاتی از یادگیری ماشینی برای کشف ویژگی‌های فنوتیپی فیبروبلاست‌ها در پاسخ به درمان استفاده کردند.
این رویکرد 137 مورد از این ویژگی ها را در رابطه با 13 داروی ضد فیبروتیک شناسایی کرد. با استفاده از این داده ها، محققان الگوریتم های یادگیری ماشینی را برای پیش بینی تأثیر هر دارو بر سلول ها و رفتار آنها آموزش دادند.
تجزیه و تحلیل مهار Src را از طریق مسیر فسفوئینوزیتید 3-کیناز (PI3K) به عنوان یک درمان بالقوه برای درمان فیبروز قلبی نشان داد.
پل زدن یادگیری ماشینی با یادگیری انسان به ما کمک کرد نه تنها داروهای ضد فیبروز را پیش بینی کنیم، بلکه نحوه عملکرد آنها را نیز توضیح دهیم. این دانش برای طراحی آزمایش‌های بالینی و شناسایی عوارض جانبی بالقوه مورد نیاز است.
تیم تحقیقاتی هشدار داد که کار بیشتری برای اطمینان از اینکه این داروها طبق برنامه کار می کنند مورد نیاز است، اما خاطرنشان کردند که ابزارهای یادگیری ماشین مکانیکی ممکن است به ویژه برای تجزیه و تحلیل علت و معلولی در سایر کاربردهای بیولوژیکی مفید باشند.
محققان همچنین نشان دادند که مدل آنها پتانسیل کمک به پیش بینی تأثیر داروها بر سایر بیماری ها را دارد.
ساسرمن گفت: “ما امیدواریم که این مثالی ارائه دهد که چگونه یادگیری ماشینی و یادگیری انسان می توانند با هم کار کنند تا نه تنها کشف کنند، بلکه بفهمند چگونه داروهای جدید کار می کنند.”
یادگیری ماشینی در سایر کاربردهای بالینی برای بیماری های قلبی عروقی نیز به کار گرفته می شود.
محققان مؤسسه قلب تگزاس اخیراً توسعه یک ابزار یادگیری ماشینی طراحی شده برای توصیف و پیش‌بینی پاسخ دیورتیک در بیماران مبتلا به نارسایی حاد قلبی جبران‌نشده (ADHF) را شرح دادند.
این وضعیت نتیجه تجمع بیش از حد مایعات در بدن است و یکی از دلایل مهم پیامدهای نامطلوب است. درمان متکی بر استفاده از داروهای ادرارآور برای کاهش احتقان قلب است، اما درمان بیمارانی که به این داروها مقاوم هستند یک مانع بزرگ برای پزشکان است.
برای این بیماران، توصیه می‌شود که تیم‌های مراقبتی قبل از شروع درمان ترکیبی، دوز دیورتیک‌ها را بهینه کنند. برای بهبود این فرآیند، محققان یک ابزار یادگیری ماشینی ساختند که بیماران را بر اساس کارایی دیورتیک در زیر گروه‌هایی طبقه‌بندی می‌کند که می‌تواند به ارائه پشتیبانی تصمیم‌گیری بالینی و بهبود نتایج کمک کند.