انتخاب مؤثرترین درمان برای سرطان پستان با هوش مصنوعی
پژوهشگران یک «مدل سلولی مجازی» مبتنی بر هوش مصنوعی ابداع کردهاند که با پیشبینی نحوه واکنش سلولهای تومورِ هر فرد به داروهای گوناگون، میتواند به انتخاب بهترین درمان برای این نوع تهاجمی از سرطان پستان کمک کند.
انتخاب مؤثرترین روش درمانی برای مبتلایان به سرطان پستان سهگانه منفی (TNBC) اغلب دشوار است، زیرا تومورهای این نوع سرطان میتوانند در سطح مولکولی رفتارهای بسیار متفاوتی از خود نشان دهند.
به گزارش فرارو به نقل از نیچر، اکنون پژوهشگران یک «مدل سلولی مجازی» مبتنی بر هوش مصنوعی ابداع کردهاند که با پیشبینی نحوه واکنش سلولهای تومورِ هر فرد به داروهای گوناگون، میتواند به انتخاب بهترین درمان برای این نوع تهاجمی از سرطان پستان کمک کند.
سلولهای TNBC فاقد گیرندههای هورمونهای استروژن و پروژسترون و همچنین پروتئینی هستند که رشد سلول را کنترل میکند. این ویژگی، درمان بیماری را دشوارتر میسازد، زیرا روشهای هورموندرمانی و درمانهای هدفمند قادر به هدف قرار دادن سلولهای این تومور نیستند.
در آزمایشهایی که با استفاده از نمونهبرداریهای (بیوپسی) گرفتهشده از افراد مبتلا به TNBC انجام شد، این مدل سلولی مجازی نتایج امیدوارکنندهای در شناسایی داروهایی نشان داد که در صورت تجویز به بیماران، اثربخشی آنها به اثبات رسیده بود. به گفته پژوهشگران، این دستاورد امکان ارائه مراقبتهای شخصیسازیشدهتری را برای TNBC - که ۱۵ تا ۲۰ درصد از موارد سرطان پستان را تشکیل میدهد - فراهم میآورد.
تیاننان گو (Tiannan Guo)، متخصص پروتئومیکس در دانشگاه وستلیک (Westlake University) در هانگژوی چین و از نویسندگان این پژوهش، میگوید: «این نخستین باری است که یک مدل سلولی مجازی از محیط آزمایشگاه فراتر رفته و در یک سناریوی بالینی مورد آزمایش قرار میگیرد.» او میافزاید که این مدل هوش مصنوعی، بهجای ارائه شبیهسازی جامعی از رفتار سلولی، هدفی «بسیار متمرکز» را در زمینه کشف دارو برای TNBC دنبال میکند.
این پژوهش در تاریخ ۹ سپتامبر در نشریه «نیچر» (Nature) منتشر شد.
مدل هوش مصنوعی پیشبینی میکند کدام داروهای سرطان پستان بهترین عملکرد را دارند. مدلی که با استفاده از میلیونها سنجش پروتئینی آموزش دیده است، میتواند اثربخشی دارو را در نمونههای بافتیِ گرفتهشده از افراد مبتلا به سرطان پستان «سهگانه منفی» (TNBC) ارزیابی کند.
انتخاب مؤثرترین روش درمانی برای افراد مبتلا به سرطان پستان سهگانه منفی (TNBC) اغلب دشوار است، زیرا تومورهای این نوع سرطان میتوانند در سطح مولکولی رفتارهای بسیار متفاوتی از خود نشان دهند. اکنون پژوهشگران یک «مدل سلول مجازی» مبتنی بر هوش مصنوعی ابداع کردهاند که میتواند با پیشبینی نحوه واکنش سلولهای تومورِ هر فرد به داروهای مختلف، در انتخاب بهترین درمان برای این نوع تهاجمی از سرطان پستان کمک کند.
سلولهای TNBC فاقد گیرندههای هورمونهای استروژن و پروژسترون و همچنین پروتئینی هستند که رشد سلول را کنترل میکند. این ویژگی درمان بیماری را دشوارتر میسازد، زیرا روشهای هورموندرمانی و درمانهای هدفمند نمیتوانند سلولهای تومور را هدف قرار دهند.
مدلی متمرکز
پژوهشگران مدتی است که مشغول توسعه شبیهسازیهای رایانهای از حیات سلولی هستند. با این حال، بیشتر رویکردها شامل آموزش شبکههای عصبی عمیق بر اساس دادههای توالییابی تکسلولی بوده و عمدتاً وضعیتهای ایستا (ساکن) سلول را ثبت میکردهاند.
گو و همکارانش در پژوهش خود قصد داشتند با استفاده از دادههای پروتئومیکس، یک مدل سلول مجازی از سلولهای سرطان پستان ایجاد کنند. آنها یک مدل هوش مصنوعی را با استفاده از بیش از ۳۸ میلیون دادهی سنجش پروتئین، که از ۱۸ ردهی سلولی سرطان پستان (شامل ۱۶ ردهی سلولی TNBC) گردآوری شده بود، آموزش دادند. پژوهشگران این سلولها را با ۶۳ داروی ضدتومورِ تأییدشده توسط سازمان غذا و داروی ایالات متحده و همچنین ۵۹ ترکیب دارویی مختلف، تحت درمان قرار دادند.
برای ایجاد مجموعه دادههای آموزشی جهت این مدل، تیم پژوهشی سطوح ۵۵۸۵ گروه پروتئینی را در سلولهای تومور، هم پیش از درمان و هم در فواصل زمانی ۶.۲۴ و ۴۸ ساعت پس از آغاز درمان دارویی، اندازهگیری کرد.
هانی گودرزی، زیستشناس سامانهای در مؤسسه «آرک» (Arc Institute) در پالو آلتوی کالیفرنیا، میگوید که مقیاس دادههای پروتئومیکسِ بهکاررفته برای آموزش این مدل، منحصربهفرد است. او میافزاید که این رویکرد جدید، «شیوهها و قابلیتهایی را که پیش از این در اختیار نداشتیم» برای مدلهای مجازی سلولی در اختیار پژوهشگران قرار میدهد.
به گفته گودرزی، گردآوری دادهها در مقاطع زمانی متعدد برای ثبت تغییرات پویای (دینامیک) درون سلولها حیاتی است. او توضیح میدهد: اگر دادههای مربوط به روند زمانی (time course) را در اختیار نداشته باشید، تنها مجموعهای از تصاویر ایستا خواهید داشت.
این مدل هوش مصنوعی با استفاده از دادههای حاصل از اندازهگیری پروتئینها، یاد گرفت که اثرات داروها بر سلولهای سرطان پستان سهگانه منفی (TNBC) را پیشبینی کند و پروتئینهای دخیل در مقاومت دارویی را شناسایی نماید. این ابزار در پیشبینی پاسخ سلولی به ۸۱ دارویی که در مجموعه دادههای آموزشی گنجانده نشده بودند، دقت ۸۸ درصدی از خود نشان داد.
پژوهشگران در جریان تحلیل ۳۶۵۱ پروتئین موجود در نمونهبرداریهای توموریِ گرفتهشده از ۵۰۱ بیمار مبتلا به TNBC (پیش از آغاز شیمیدرمانی)، دریافتند که مدل آنها قادر است پیامدهای بالینی درمانهای دریافتشده توسط این بیماران را با دقت پیشبینی کند.
