یادگیری ماشینی از داروهای امیدوارکننده ترک سیگار رونمایی کرد

منتشر شده در scitechdaily به تاریخ ۲۷ فوریه ۲۰۲۳
لینک منبع: Machine Learning Unveils Promising Smoking Cessation Medications

بر اساس مطالعه‌ای که توسط محققان کالج پزشکی پن استیت و دانشگاه مینه‌سوتا انجام شد، داروهای خاصی مانند دکسترومتورفان که معمولاً برای درمان سرفه‌های ناشی از سرماخوردگی و آنفولانزا استفاده می‌شود، ممکن است برای کمک به افراد در ترک سیگار استفاده شود. محققان از یک رویکرد یادگیری ماشینی پیشرفته استفاده کردند، که در آن الگوریتم‌های کامپیوتری مجموعه داده‌ها را به دقت بررسی می‌کنند تا الگوها و روندها را کشف کنند تا داروهایی که پتانسیل را دارند شناسایی کنند. برخی از این داروها در حال حاضر تحت آزمایشات بالینی هستند.

سیگار عامل اصلی بیماری‌های قلبی عروقی، سرطان و بیماری‌های تنفسی است و سالانه عامل نزدیک به نیم میلیون مرگ در ایالات‌متحده است. اگرچه عادات سیگار کشیدن را می‌توان توسعه و تغییر داد، ژنتیک نیز در احتمال درگیر شدن در چنین رفتارهایی نقش دارد. در یک مطالعه قبلی، محققان کشف کردند که افرادی که دارای ویژگی‌های ژنتیکی خاص هستند، بیش‌تر مستعد اعتیاد به دخانیات هستند.

با استفاده از داده‌های ژنتیکی بیش از ۱.۳ میلیون نفر، داجیانگ لیو، دکترا، استاد علوم بهداشت عمومی، و بیوشیمی و زیست‌شناسی مولکولی و بیبو جیانگ، دکتری، استادیار علوم بهداشت عمومی، به‌طور مشترک رهبری کردند. مطالعه چند مؤسسه‌ای بزرگ که از یادگیری ماشینی برای مطالعه این مجموعه داده‌های بزرگ استفاده کرد -که شامل داده‌های خاصی در مورد ژنتیک یک فرد و رفتارهای سیگار کشیدن خود گزارش شده‌است.

محققان بیش از ۴۰۰ ژن مرتبط با رفتارهای سیگار کشیدن را شناسایی کردند. از آنجایی که یک فرد می‌تواند هزاران ژن داشته باشد، باید مشخص می‌کرد که چرا برخی از این ژن‌ها با رفتارهای سیگار کشیدن مرتبط هستند. ژن‌هایی که حاوی دستورالعمل‌هایی برای تولید گیرنده‌های نیکوتین هستند یا در سیگنال‌دهی برای هورمون دوپامین، که به افراد احساس آرامش و شادی می‌دهد، نقش دارند، ارتباط‌های قابل فهمی داشتند. برای ژن‌های باقی‌مانده، تیم تحقیقاتی باید نقش هر کدام را در مسیرهای بیولوژیکی تعیین می‌کرد و با استفاده از آن اطلاعات، متوجه می‌شد که چه داروهایی قبلاً برای اصلاح مسیرهای موجود تأیید شده‌اند.

بیشتر داده‌های ژنتیکی در این مطالعه از افرادی با اجداد اروپایی است، بنابراین مدل یادگیری ماشینی باید طوری طراحی شود که نه‌تنها این داده‌ها را مطالعه کند، بلکه مجموعه داده‌های کوچک‌تری شامل حدود ۱۵۰۰۰۰ نفر با اجداد آسیایی، آفریقایی یا آمریکایی را نیز بررسی کند.

لیو و جیانگ با بیش از ۷۰ دانشمند روی این پروژه کار کردند. آن‌ها حداقل هشت دارو را شناسایی کردند که به‌طور بالقوه می‌توانند برای ترک سیگار استفاده شوند، مانند دکسترومتورفان، که معمولا برای درمان سرفه‌های ناشی از سرماخوردگی و آنفولانزا استفاده می‌شود و گالانتامین، که برای درمان بیماری آلزایمر استفاده می‌شود. این مطالعه در Nature Genetics منتشر شد.

لیو، محقق انستیتوی سرطان ایالت پن و پژوهشگر علوم زیستی دانشگاه پن ایالت هاک، گفت: استفاده مجدد از داروها با استفاده از داده‌های بزرگ زیست‌پزشکی و روش‌های یادگیری ماشینی می‌تواند در هزینه، زمان و منابع صرفه‌جویی کند. برخی از داروهایی که ما شناسایی کردیم در حال حاضر در کارآزمایی‌های بالینی برای کمک به ترک سیگار مورد آزمایش قرار می‌گیرند، اما هنوز نامزدهای احتمالی دیگری وجود دارد که می‌توانند در تحقیقات آینده مورد بررسی قرار گیرند.»

در حالی که روش یادگیری ماشینی قادر به ترکیب مجموعه کوچکی از داده‌ها از اجداد مختلف بود، جیانگ گفت که هنوز برای محققان مهم است که پایگاه‌های داده ژنتیکی از افراد با اجداد مختلف بسازند.

این تنها دقتی را که مدل‌های یادگیری ماشینی می‌توانند افراد در معرض خطر سوء استفاده از مواد مخدر را شناسایی کنند و مسیرهای بیولوژیکی بالقوه‌ای را که می‌توانند برای درمان‌های مفید هدف قرار دهند، بهبود می‌بخشد.»

این متن با استفاده از ربات ‌ترجمه مقالات هوش مصنوعی 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.