تولید داروهای شخصی سازی شده سرطان با یادگیری ماشین

سيناپرس/ محققان بين الملل در يک پژوهش مهم و پيشرو، با استفاده از سيستم‌هاي يادگيري ماشين موفق به ابداع روشي شده‌اند که قادر است در شناسايي دقيق جهش‌هاي سرطاني و توليد داروهاي شخصي سازي شده به پزشکان کمک نمايد.
هر تومور سرطاني در هر بيمار، معمولاً دچار جهش‌هاي زيادي مي‌شود، اما همه اين جهش‌ها در پيشرفت روند بيماري سرطان داراي اهميت نيستند، بلکه برخي از آن‌ها در اين خصوص داراي نقش کليدي بوده و بايد به درستي شناسايي شوند.

در همين رابطه، گروهي از محققان به رهبري پژوهشگران اسپانيايي موفق به ابداع روشي بر مبناي «يادگيري ماشين» با عنوان BoostDM شده‌اند که قادر است سهم بالقوه جهش‌هاي احتمالي يک ژن را در يک نوع تومور مشخص کرده و براي توسعه و پيشرفت سرطان ارزيابي کند.

پيش‌ تر و در روش‌ هايي که در دسترس جامعه علمي و پزشکي بوده اند، محققان روشي را براي شناسايي آن دسته از ژن‌هاي مسئول شيوع و گسترش سرطان پيدا کرده بودند.به گزارش سيناپرس، اما سيستم BoostDM پا را فراتر گذاشته و هر جهش احتمالي درون هر ژن را براي نوع خاصي از سرطان شبيه سازي مي‌کند و نشان مي‌دهد کدام يک از آن‌ها در روند سرطان مهم هستند.

---

بازار

---

به گفته دانشمندان آزمايشگاه ژنوميکس زيست پزشکي اسپانيا، «اين اطلاعات به ما کمک مي‌کنند تا درک کنيم تومورها چگونه در سطح مولکولي ايجاد مي‌شوند و همچنين چگونه مي‌توان تصميمات صحيح را در خصوص مناسب‌ترين روش درماني شخصي سازي شده براي يک بيمار اتخاذ نمود».
طبق اظهارات اين پزشکان، «سيستم BoostDM در حال حاضر با مشخصات جهش مربوط به 28000 ژنوم تجزيه و تحليل شده از 66 نوع سرطان کار مي‌کند، ضمن آن که دامنه اين سيستم در نتيجه افزايش قابل پيش بيني ژنوم هاي سرطاني در دسترس عموم رشد خواهد کرد».

ابزاري که محققان فوق ايجاد کرده‌اند در حال حاضر 185 مدل مختلق را براي شناسايي جهش در ژن هاي خاص و سرطان هاي مشخص توليد کرده است.به گزارش سيناپرس، به عنوان مثال، يکي از مدل‌هاي اين سيستم قادر است تمام جهش‌هاي احتمالي ژن EGFR را که باعث ايجاد تومور در برخي سرطان‌هاي ريه مي‌شود، شناسايي کند. همچنين در اين ابزار، مدل ديگري براي ژن مرتبط با گليوبلاستوما که نوعي سرطان مغز است، ايجاد گرديده است.

محققان به کمک اين مدل‌ها مي‌توانند هر جهش احتمالي ژن سرطاني را در يک نوع بافت مورد تحقيق قرار داده و تعيين کنند که آيا اين جهش در پيشرفت بيماري مهم است يا خير. اين فرايند در نهايت به توليد نقشه اي از جهش‌هاي کليدي مي‌انجامد که هم در تحقيقات سرطان و هم براي توليد داروهاي شخصي سازي شده مهم هستند.
قابل ذکر است اين يافته‌هاي ارزشمند که پيوند سيستم‌هاي هوش مصنوعي و يادگيري ماشين را با علم پزشکي سرطان نشان مي‌دهند در نشريه قديمي و معتبر Nature منتشر شده‌اند.

به پيج اينستاگرامي «آخرين خبر» بپيونديد
instagram.com/akharinkhabar