دانشمندان از هوش مصنوعی برای شناسایی سلول های سرطان استفاده می‌کنند

به گزارش مکاترونیک نیوز، تیمی به سرپرستی آلتونا آکالین مهندس بیوانفورماتیک MDC در مجله زیست شناسی ژنوم گزارش می دهد که یک الگوریتم جدید یادگیری ماشینی به نام  ikarus  می‌تواند شناسایی کند که چطور سلول های سرطانی با سلول‌های سالم تفاوت دارند الگوریتم هوش مصنوعی امضای یک ژن پیدا را کرده است که مشخصه تومورها است.

وقتی صحبت از تشخیص الگوها یا کوه های داده به میان می آید، انسان ها با هوش مصنوعی همخوانی ندارند .یادگیری ماشین نوعی از هوش مصنوعی است که اغلب برای تشخیص نظم در مجموعه داده ها از آن استفاده می شود چه برای تجزیه و تحلیل بازار سهام، تشخیص تصویر و گفتار، یا طبقه بندی سلول.

تیمی به سرپرستی دکتر آلتونا آکالین، رئیس پلت فرم بیوانفورماتیک و علم داده های Omics در مرکز ماکس دلبروک برای پزشکی مولکولی در انجمن هلمهولتز MDC،  یک نرم افزار یادگیری ماشینی با نامikarus  را توسعه داده است که می تواند به طور قابل اعتمادی سلولهای سرطانی را از سلولهای سالم تشخیص دهد. این الگوریتم در سلول های تومور الگویی کشف می‌کند که در چندین نوع سرطان مشترک است و از مجموعه خصی از ژن ها تشکیل شده است. این برنامه همچنین انواع ژن هایی را در الگو پیدا می‌کندکه قبلاً هرگز به وضوح با سرطان مرتبط نبوده است. همانطور که در مقاله زیست شناسی ژنوم آمده است.

یادگیری ماشین فرآیندی است که از طریق آن یک الگوریتم یاد می گیرد که چگونه به مسائل به تنهایی با استفاده از داده های آموزشی پاسخ دهد. این کار را با جستجوی الگوها در داده ها انجام می دهد که به حل مسئله کمک می‌کند. پس از مرحله آموزش، سیستم می تواند آنچه را که یاد گرفته روی داده های ناشناخته اعمال می‌کند.

یان دومن، نویسنده اول مقاله، مرکز مولکولی ماکس دلبروک دارو :

بدست آوردن داده های آموزشی مناسب در جایی که کارشناسان قبلاً به وضوح بین سلول های “سالم” و “سرطانی” تمایز قائل بودند یک چالش بزرگ بود.

نرخ موفقیت به طور شگفت انگیزی بالا

علاوه بر این، داده های متوالی تک سلولی اغلب دارای نویز هستند. به این معنی است که داده هایی که آنهادر مورد خصوصیات مولکولی هر سلول همیشه دقیق نیست – همچنین زیرا هر سلول دارای تعداد متفاوتی از ژن های شناسایی شده است، یا به این دلیل که نمونه ها شناسایی شده اند یا اینکه همیشه به یک شکل پردازش نمی شود.

علاوه بر این، داده های متوالی تک سلولی اغلب دارای نویز هستند. به این معنی است که داده هایی که آنهادر مورد خصوصیات مولکولی هر سلول همیشه دقیق نیست – همچنین زیرا هر سلول دارای تعداد متفاوتی از ژن های شناسایی شده است، یا به این دلیل که نمونه ها شناسایی شده اند یا اینکه همیشه به یک شکل پردازش نمی شود.

برای به دست آوردن مجموعه داده های مناسب، دوهمن  و همکارش دکتر ودران فرانک ، رئیس مشترک مطالعه، مقالات بی‌شماری را جست‌وجو کرد و از تعدادی از گروه‌های تحقیقاتی بازدید کرد.

دانشمندان در نهایت این سیستم را با داده های سلول های سرطانی ریه و روده بزرگ قبل از اعمال آن در مجموعه داده های سایر انواع سرطان ها آموزش دادند.

نرم افزار ikarus باید فهرستی از ژن‌های متمایزکننده را در طول مرحله تمرین پیدا می‌کرد سپس برای دسته بندی سلول ها استفاده کند.

دومن افزود: «ما رویکردهای مختلف را امتحان و اصلاح کردیم.»

به گفته هر سه دانشمند، این یک کار وقت گیر بود.

کلید این بود که ایکاروس در نهایت از دو لیست استفاده کند: یکی برای ژن های سرطان و یکی برای ژن های سلول های دیگر.

دکتر ودران فرانکه، سرپرست مطالعه، مرکز مولکولی ماکس دلب نیزروک دارو

این سیستم توانست به درستی بین سلول های سالم و بدخیم انواع دیگراز سرطان نیز پس از دوره یادگیری، مانند نمونه‌های بافتی از افراد با سرطان کبد یا نوروبلاستوما تمایز قائل شود. میزان موفقیت آن به طور غیرعادی بالا بود که حتی تیم تحقیقاتی را شوکه کرد.

ما انتظار نداشتیم که امضای مشترکی وجود داشته باشد که بتواند آنقدر دقیق سلول های تومور انواع مختلف سرطان را تشخیص دهد.

دکتر آلتونا آکالین، رئیس پلتفرم علوم داده بیوانفورماتیک و Omics، مرکز پزشکی مولکولی ماکس دلبروک

Dohmen در ادامه اظهار داشت: ” اما هنوز نمی‌توانیم بگوییم که آیا این روش برای همه نوع سرطان کار می‌کند یا خیر.”

هوش مصنوعی به عنوان یک ابزار تشخیصی کاملاً خودکار

هدف این پروژه فراتر از طبقه بندی سلول ها به عنوان “سالم” یا “سرطانی” است. ایکاروس قبلاً ثابت کرده است که این رویکرد می تواند انواع دیگر سلول های تومور در آزمایش های اولیه (و زیرگروه های خاص) را شناسایی کند.

آکالین اضافه کرد: ما می خواهیم این رویکرد را جامع تر کنیم و آن را بیشتر توسعه دهیم تا بتواند بین تمام انواع سلول های ممکن در بیوپسی تمایز قائل شود.

آسیب شناسان در بیمارستان ها معمولا نمونه های بافت تومور را زیر میکروسکوپ تجزیه و تحلیل می کنندو شناسایی انواع مختلف سلول بااین روش یک کار طاقت فرسا و زمان بر است. با ایکاروس، این مرحله می تواند در آینده کاملاً خودکار شود.

آکالین همچنین اشاره می کند که داده ها را می توان برای نتیجه گیری در مورد بدست آوردن نزدیکترین محیط تومور استفاده کرد.

دانشمندان از هوش مصنوعی برای شناسایی سلول های سرطانی استفاده می کنند. در نتیجه، پزشکان ممکن است بتوانند گزینه درمانی بهینه را شناسایی کنند. ترکیب سلول های بدخیم و ریزمحیط به طور معمول تعیین می کند که یک درمان یا دارو مفید نخواهد بود. علاوه بر این، هوش مصنوعی ممکن است در زمینه توسعه داروهای جدید موثر باشد. آکالین افزود: ikarus به ما امکان می دهد ژن هایی را که محرک های بالقوه سرطان هستند شناسایی کنیم.

این ساختارهای مولکولی به طور بالقوه می‌توانند با درمانهای جدید دارویی مورد هدف قرار گیرند.

همکاری خانه و دفتر

ویژگی منحصر به فرد این نشریه این است که به طور کامل در طول شیوع COVID نوشته شده است. در مؤسسه زیست شناسی سیستم های پزشکی برلین ( BIMSB )، که بخشی از MDC است، هیچ کدام  از شرکت کنندگان پشت میزهای معمولی خود نبودند. در عوض، آنها از دفاتر خانگی و فقط به صورت دیجیتالی با یکدیگر صحبت می کردند.

فرانکه اظهار داشت: «این پروژه نشان می دهد که می توان یک ساختار دیجیتالی برای تسهیل کار علمی در این شرایط ایجاد کرد.»

نام خبرنگار : منا بنهری

منبع خبر: www.azorobotics.com