مکاترونیک نیوز | هوش مصنوعی و تکنولوژی یادگیری ماشینی نسل بعدی ( Next-Generation Machine Learning ) امضای جهشی را شناسایی می‌کند که سرطان مثانه را به سیگار کشیدن مرتبط می‌کند!!

به گزارش مکاتر.نیک نیوز، برای اولین بار، امضای جهش های DNA که سرطان مثانه را به سیگار کشیدن مرتبط می‌کند توسط دانشمندان دانشگاه کالیفرنیا سن‌دیگو ( UCSD ) کشف شد. این کشف به کمک هوش مصنوعی و تکنولوژی ابزار یادگیری ماشین نسل بعدی ( Next-Generation Machine Learning ) ، که این تیم برای شناسایی الگوهای جهشِ تولید شده توسط مواد سرطان‌زا و سایر فرآیندهای تغییر DNA طراحی کرده بودند، ممکن شد.

این کشف جدید که با کمک هوش مصنوعی و تکنولوژی و ابزار یادگیری ماشین نسل بعدی ( Next-Generation Machine Learning ) ، حاصل شده است در ژورنال Cell Genomics ، شماره 23 سپتامبر 2022 ارائه شده است، می‌تواند به دانشمندان کمک کند تا طبقه‌بندی کنند که چه جنبه های محیطی، مانند قرار گرفتن در معرض اشعه ماوراء بنفش و دود تنباکو، باعث ایجاد سرطان در برخی از بیماران می‌شود.

قرار گرفتن در معرض هریک از این عوامل محیطی، به طور منحصر به فرد DNA را تغییر می‌دهد و الگوی خاصی از جهش‌ها را ایجاد می‌کند که به عنوان امضای جهش شناخته می‌شود. اگر امضایی در DNA سلول‌های سرطانی یک بیمار شناسایی شود، سرطان را می‌توان به عاملی که امضا را تشکیل می‌دهد، نگاشت کرد. دانستن اینکه کدامیک از امضاهای جهشی وجود دارد، نیز می‌تواند منجر به درمان مناسب تری برای سرطان خاصی شود که بیمار را مبتلا کرده است. هم اکنون به کمک هوش مصنوعی و تکنولوژی ابزار یادگیری ماشین نسل بعدی ( Next-Generation Machine Learning ) این مهم به راحتی حاصل شده است.

در این تحقیق، تیم تحقیقاتی به کمک هوش مصنوعی و  ابزار یادگیری ماشین نسل بعدی ( Next-Generation Machine Learning ) ، امضای جهشی در DNA سرطان مثانه را کشف کردند که با کشیدن تنباکو مرتبط است. این موضوع، کشف قابل توجهی است، زیرا در گذشته یک امضای جهشی از سیگار کشیدن در سرطان ریه شناسایی شده بود اما تا کنون در سرطان مثانه شناسایی نشده است.

لودمیل الکساندروف، نویسنده و استاد ارشد مطالعه، مهندسی زیستی و پزشکی سلولی و مولکولی، دانشگاه کالیفرنیا سن دیگو اظهار داشت:

شواهد اپیدمیولوژیک قوی وجود دارد که سرطان مثانه را به سیگار کشیدن مرتبط می‌کند.ما حتی در سایر بافت‌ها – مانند دهان، مری و ریه‌ها – که مستقیماً در معرض مواد سرطان‌زای تنباکو هستند، علامت جهشی خاصی را مشاهده می‌کنیم. این واقعیت که ما این امضا را در مثانه پیدا نکردیم عجیب بود.

هوش مصنوعی و تکنولوژی یادگیری ماشینی نسل بعدی (Next-Generation Machine Learning)

دانشمندان امضای جهش مربوط به تنباکو را با استفاده از هوش مصنوعی و تکنولوژی ابزار یادگیری ماشینی نسل بعدی (Next-Generation Machine Learning)، طراحی شده توسط آزمایشگاه الکساندروف دانشگاه سن دیگو کالیفرنیا کشف کردند.

آثار آسیب DNA و فرآیندهای ترمیم که در طول تومورزایی عمل کرده‌اند، بینش‌هایی را در مورد علل محیطی و درو‌ن‌زا سرطان هر بیمار ارائه می‌دهند. رمزگشایی امضاهای جهشی در سرطان، بینشی در مورد مکانیسم‌های بیولوژیکی درگیر در سرطان‌زایی و جهش‌زایی جسمی طبیعی فراهم می‌کند.

الکساندروف و همکاران با کمک هوش مصنوعی و تکنولوژی یادگیری ماشینی نسل بعدی (Next-Generation Machine Learning) ، در حال حاضر نشان می‌دهند که یک امضای جهشی از سیگار کشیدن در سرطان مثانه وجود دارد و با امضای تشخیص داده شده در سرطان ریه متفاوت است. علاوه بر این، آنها نشان می‌دهند که این امضا در بافت‌های منظم مثانه افراد سیگاری بدون نشانه‌ای از سرطان مثانه نیز شناسایی می‌شود.

این امضای جهشی در بافت مثانه افرادی که سیگار نمی‌کشند شناسایی نشد.

 

مارکوس دیازگی، نویسنده اول مطالعه و پژوهشگر فوق دکتری، آزمایشگاه الکساندروف، دانشگاه کالیفرنیا سن دیگو می‌گوید:

مطلبی که این امضای جهشی به ما می گوید این است که، جهش‌های خاصی در DNA افراد به دلیل قرار گرفتن در معرض دود تنباکو وجود دارد. این موضوع لزوماً به این معنی نیست که شما سرطان دارید. اما هر چه بیشتر سیگار بکشید، جهش‌های بیشتری در سلول‌های شما جمع می‌شوند و خطر ابتلا به سرطان را بیشتر می‌کنید.

دانشمندان امضای جهش مربوط به تنباکو را با استفاده از ابزار یادگیری ماشین نسل بعدی، طراحی شده توسط آزمایشگاه الکساندروف دانشگاه سن دیگو کالیفرنیا کشف کردند.

محققان اظهار داشتند که این یک ابزار بیوانفورماتیک بسیار پیشرفته و خودکار، برای استخراج فوراً امضاهای جهش از مقادیر زیادی داده های ژنتیکی است.

الکساندروف گفت: “این یک رویکرد یادگیری ماشینی قدرتمند برای شناسایی الگوهای جهش و جداسازی آنها از داده های ژنومی است.” “این ابزار الگوها را می گیرد و آنها را رمزگشایی می کند تا ما بتوانیم علائم جهش را ببینیم و آنها را با معنای آنها مطابقت دهیم.”

او روش یادگیری ماشینی را با انتخاب بحث های فردی خاص در یک مهمانی کوکتل مثال زد و گفت: “شما گروه های متعددی از مردمی دارید که در اطراف شما صحبت می کنند، و شما فقط علاقه مند به شنیدن صحبت های افراد خاص هستید.”

الکساندروف گفت: “این یک رویکرد یادگیری ماشینی قدرتمند برای شناسایی الگوهای جهش و جداسازی آنها از داده های ژنومی است.” “این الگوها را می گیرد و آنها را رمزگشایی می کند تا ما بتوانیم علائم جهش را ببینیم و آنها را با معنای آنها مطابقت دهیم.

ابزار ما اساساً به شما کمک می کند این کار رابا داده های ژنتیکی سرطان انجام دهید، شما چندین نفر را در سراسر جهان دارید که در معرض شرایط محیطی جهش زا مختلف قرار دارند، و برخی از این رویارویی و مواجهه ها و در معرض قرار گرفتن ها، ردپایی بر روی ژنوم آنها باقی می گذارد. این ابزار تمام آن داده‌ها را بررسی می‌کند تا بفهمد چه فرآیندهایی باعث جهش می‌شوند.

لودمیل الکساندروف، نویسنده و استاد ارشد مطالعه، مهندسی زیستی و پزشکی سلولی و مولکولی، دانشگاه کالیفرنیا سن دیگو این ابزار را برای بررسی 23827 توالی سرطان انسانی مورد استفاده قرار داد.

این چهار علامت جهش‌یافته – از جمله علامت سرطان مثانه مرتبط با سیگار کشیدن – را شناسایی کرد که توسط هیچ ابزار دیگری شناسایی نشده بود. سه علامت دیگر که در سرطان‌های روده بزرگ، معده و کبد یافت می‌شوند، هنوز به مطالعه بیشتری نیاز دارند تا مشخص شود چه فرآیندهایی باعث تحریک آنها شده است.

دانشمندان برای نشان دادن قدرت ابزار خود، آن را با 13 ابزار بیوانفورماتیک رایج آزمایش کردند. ابزارها از نظر توانایی آنها در استخراج امضاهای جهشی از بیش از 80000 نمونه سرطان مصنوعی مورد ارزیابی قرار گرفتند.

ابزاری که تیم الکساندروف ساخته بود از همه ابزارهای دیگر پیشی گرفته بود.و 20 تا 50 درصد امضاهای جهشی مثبت واقعی بیشتری نسبت به سایرین مشاهده کرد و پنج برابر کمتر امضاهای مثبت کاذب تشخیص داد. حتی هنگام بررسی داده های پر سر و صدا به خوبی عمل کرد، در حالی که سایر ابزارها ناموفق بودند.

دیاز گی گفت: «در بیوانفورماتیک، این اولین بار است که چنین معیار جامعی در این مقیاس برای استخراج امضای جهشی انجام شده است.

“این یک کار بزرگ است که ابزارهای زیادی را در مجموعه داده‌های مختلف مقایسه می‌کند.” الکساندروف مشاهده کرد که چنین دستاوردی نیز پرهزینه است. به لطف کمک مالی از تحقیقات سرطان انگلستان، ما توانستیم این ارزیابی فنی و گسترده را انجام دهیم که معمولاً انجام نمی شود.

ایجاد یک ابزار کاربرپسندتر و شخصی سازی شده هدف نهایی محققان توسعه ابزاری مبتنی بر وب است که دانشمندان بیشتری بتوانند از آن استفاده کنند و در نتیجه بیماران بیشتری را معرفی کنند. در حال حاضر، این ابزار برای اجرای آن به تخصص بیوانفورماتیک نیاز دارد.

آنچه ما می خواهیم این است که یک نسخه کاربرپسند در وب ایجاد کنیم، که در آن محققان فقط می توانند جهش های یک بیمار را بررسی کنند، و بلافاصله مجموعه ای از امضاهای جهش و اینکه چه فرآیندهایی باعث آنها شده اند را در اختیار شما قرار می دهد.

لودمیل الکساندروف، نویسنده و استاد ارشد مطالعه، مهندسی زیستی و پزشکی سلولی و مولکولی، دانشگاه کالیفرنیا سن دیگو دیاز گی گفت: “ایده ما برای آینده این است که از این ابزار برای تجزیه و تحلیل بیماران در سطح فردی استفاده کنیم.” این مطالعه از سوی تحقیقات سرطان انگلستان و مؤسسه ملی بهداشت حمایت شد.

نام خبرنگار : محمد آموت سر

منبع خبر: www.azorobotics.com