دانشمندان سرطان الگوریتم هوش‌مصنوعی قدرتمندی را برای کمک به مقابله با گلیوبلاستومای کشنده توسعه دادند.

منتشر شده در scitechdaily به تاریخ ۲ فوریه ۲۰۲۳
لینک منبع: Cancer Scientists Develop Powerful AI Algorithm To Help Tackle Deadly Glioblastoma

یافته‌ها می‌تواند فرصت‌های جدید و دقیق مبتنی بر هوش مصنوعی را در محیط بالینی معرفی کند که به‌طور بالقوه منجر به درمان‌های شخصی برای بیماران مبتلا به انواع سرطان‌های کشنده می‌شود.

دانشمندان در مرکز جامع سرطان سیلوستر در دانشکده پزشکی دانشگاه میامی میلر، با همکاری محققان بین‌المللی، یک الگوریتم هوش مصنوعی پیچیده ایجاد کرده‌اند که تجزیه‌وتحلیل محاسباتی پیشرفته‌ای را برای شناسایی اهداف درمانی بالقوه برای گلیوبلاستوما مولتی‌فرم (GBM) و سایر سرطان‌ها انجام می‌دهد.

تحقیقات آن‌ها در ۲ فوریه مجلهNature Cancer شرح داده شده است و می‌تواند پیامدهای عمیقی برای درمان آینده GBM، نوع تهاجمی و معمولاً کشنده سرطان مغز، و برخی سرطان‌های سینه، ریه و کودکان داشته باشد.

آنتونیو یاوارون، MD، معاون مرکز جامع سرطان سیلوستر و نویسنده ارشد این مطالعه، توضیح داد: «کار ما نشان‌دهنده علم ترجمه است که فرصت‌های فوری را برای تغییر روشی که بیماران گلیوبلاستوما به‌طور معمول در کلینیک مدیریت می‌شوند، ارائه می‌دهد. الگوریتم ما کاربردهایی را برای پزشکی دقیق سرطان ارائه می‌دهد و ابزار جدیدی را برای مبارزه با این بیماری کشنده و سایر سرطان‌ها به متخصصان سرطان می‌دهد.

الگوریتم هوش مصنوعی، معروف بهSPHINKS استنباط مبتنی‌بر فسفوسیت بستر برای شبکه کینازها، یادگیری ماشینی عمیق را به کار گرفت تا به محققان کمک کند تا دو پروتئین کیناز (PKCd و DNAPKcs) را به‌عنوان مجرمان مرتبط با پیشرفت تومور در دو زیرگروه GBM شناسایی و به‌عنوان اهداف درمانی بالقوه برای سایر سرطان‌‌ها تأیید کنند.

پروتئین کینازها اهداف کلیدی هستند که در حال حاضر در پزشکی دقیق سرطان برای انطباق درمان با ویژگی‌های سرطان خاص بیمار استفاده می‌شوند. فعال‌ترین کینازها، که محققان در مقاله خود آن‌ها را "مستر کیناز" نامیده‌اند، آن‌هایی هستند که پزشکان داروهای هدفمند را به‌عنوان نشانه‌ای از درمان کنونی سرطان هدایت می‌کنند.

دکتر ایوارون و همکارانش علاوه‌بر شناسایی کینازهای اصلی، از ارگانوئیدهای توموری رشد یافته در آزمایشگاه از نمونه‌های بیمار استفاده کردند- آنچه آن‌ها «آواتارهای تومور مشتق شده از بیمار» نامیدند تا نشان دهند که داروهای هدفمندی که با فعالیت کینازهای اصلی تداخل می‌کنند، می‌توانند رشد تومور را خنثی کنند.

پیش از این، دکتر Iavarone و همکاران، یک طبقه‌بندی جدید گلیوبلاستوما را با ثبت ویژگی‌های کلیدی سلول تومور و گروه‌بندی بیماران GBM بر اساس احتمال بقا و آسیب‌پذیری تومور در برابر داروها گزارش کرده بودند. در مطالعه جدید، این طبقه‌بندی‌ها به‌طور مستقل از طریق چندین پلتفرمomics تأیید شدند: ژنومیکس (ژن ‌ها)، پروتئومیکس (پروتئین‌ها)، لیپیدومیکس (مولکول‌های چربی)، استیلومیک (اپی‌ژنتیک)، متابولومیک (متابولیت‌ها) و غیره. SPHINKS از یادگیری ماشینی برای اصلاح مجموعه داده‌هایomics و ایجاد یک اینتراکتوم -مجموعه کاملی از برهمکنش‌های بیولوژیکی- برای مشخص کردن کینازهایی که رشد نابجا و مقاومت درمانی در هر زیرگروه گلیوبلاستوما ایجاد می‌کنند، استفاده می‌کند. این یافته‌ها نشان می‌دهند که داده‌های چند omics می‌توانند الگوریتم‌های جدیدی ایجاد کنند که پیش‌بینی می‌کنند کدام درمان‌های هدفمند می‌توانند بهترین گزینه‌های درمانی را بر اساس زیرگروه گلیوبلاستومای هر بیمار ارائه دهند.

دکتر یاوارون گفت: «ما اکنون می‌توانیم بیماران گلیوبلاستوما را بر اساس ویژگی‌های بیولوژیکی که بین اومیکس‌های مختلف مشترک هستند، طبقه‌بندی کنیم. خواندن ژنوم به تنهایی کافی نبوده است. ما برای شناسایی آسیب‌پذیری‌های تومور به داده‌های جامع‌تری نیاز داریم.»

علی‌رغم پیشرفت در بسیاری از سرطان‌های دیگر، بیماران گلیوبلاستوما با پیش‌آگهی‌های بدی روبرو هستند -میزان بقای پنج ساله زیر ۱۰٪ است. اگرچه داروهای متعددی به‌عنوان درمان بالقوه در حال توسعه هستند، پزشکان به راهی برای شناسایی مکانیسم‌های مولکولی که بیماری هر بیمار را هدایت می‌کنند و در پزشکی دقیق سرطان قابل استفاده هستند، نیاز دارند.

به گفته محققان، الگوریتم SPHINKS و روش‌های مربوطه را می‌توان به راحتی در آزمایشگاه‌های آسیب‌شناسی مولکولی گنجاند. مقاله آن‌ها شامل یک طبقه‌بندی بالینی است که می‌تواند به تعیین زیرگروه گلیوبلاستوما مناسب برای هر بیمار کمک کند. این تیم هم‌چنین یک پورتال آنلاین برای دسترسی به الگوریتم ایجاد کرده است. نویسندگان بر این باورند که این رویکرد می‌تواند اطلاعات روشنگری را تولید کند که می‌تواند تا ۷۵ درصد از بیماران گلیوبلاستوما مفید باشد.

آنا لاسورلا، استاد بیوشیمی و زیست‌شناسی مولکولی در سیلوستر CCC و یکی از نویسندگان ارشد این مطالعه گفت: «این طبقه‌بندی‌کننده اساساً در هر آزمایشگاهی قابل استفاده است. پاتولوژیست‌ها با وارد کردن اطلاعاتomics به پورتال وب، می‌توانند اطلاعات طبقه‌بندی یک تومور، ده تومور و هر تعداد که وارد می‌کنند، دریافت کنند. این طبقه‌بندی‌ها را می‌توان بلافاصله برای مراقبت از بیمار اعمال کرد.

در حالی که SPHINKS برای اولین بار بر روی گلیوبلاستوما آزمایش شد، این الگوریتم به همان اندازه برای چندین سرطان دیگر قابل استفاده است. این تیم همان کینازهای محرک سرطان را در تومورهای مغزی سینه، ریه و کودکان پیدا کردند. دکتر Iavarone و Lasorella و همکارانش معتقدند که این یافته می‌تواند انگیزه‌ای برای نوع جدیدی از کارآزمایی بالینی باشد.

دکتر یاوارون توضیح داد: «ما در حال بررسی مفهوم آزمایشات سبد خرید هستیم که شامل بیمارانی با زیرگروه بیولوژیکی یکسان است اما لزوماً انواع سرطان یکسان نیست. وی ادامه داد: اگر بیماران مبتلا به گلیوبلاستوما یا سرطان سینه یا ریه ویژگی‌های مولکولی مشابهی داشته باشند، می‌توانند در همان کارآزمایی شرکت کنند. ما می‌توانیم به‌جای انجام آزمایش‌های متعدد برای یک عامل، یک کارآزمایی ترکیبی انجام دهیم و به‌طور بالقوه داروهای مؤثرتری را سریع‌تر به بیماران بیشتری ارائه کنیم.»

این متن با استفاده از ربات ‌ترجمه مقالات تکنولوژی ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.