پیش بینی گمان زنده ماندن بیماران سرطان با هوش مصنوعی
پژوهشگران دریافتهاند که میتوانند با بازدید الگوهای گفتن ژن عوامل اپیژنتیکی ــ عواملی غیرژنتیکی که روی خاموش و روشن بودن ژنها تأثیرگذارند ــ در تومورها آنها را به گروههای گوناگون تقسیم کنند. سپس این امکان وجود دارد که با این تقسیمبندی گمان زنده ماندن بیماران سرطان را پیشبینی کرد.
این روش کارایی بهتری نسبت به راه حلهای سنتی بر پایه درجه (گرید) و مرحله سرطان دارد. این چنین یافتههای این مطالعه میتوانند اساسی برای گسترش راه حلهای موثر درمان با تمرکز روی عوامل اپیژنتیکی باشند.
پیشتر، سرطان را عمدتاً نتیجه جهشهای ژنتیکی ژنهای سرکوبگر سرطان میدانستند. اما با ظهور تکنولوژیهای پیشرفته توالییابی ژنتیکی، اشکار شد که عوامل اپیژنتیکی نقش مهمی در گسترش سرطان دارند. سطوح این عوامل و جوانب آن در کروماتین است که خروجی سرطان، یا همان گمان زنده ماندن بیماران، را اشکار میکنند.
با این که تأثیر عوامل اپیژنتیکی در ریسک ابتلا به سرطان موضوعی مطالعه شده است، چیزهای بسیاری درمورد نقش این عوامل در خروجی سرطان نمیدانیم. پوشش این شکاف در دانش ما میتواند توضیح دهد که چرا بیماران عکس العملهایی متفاوت به درمانهای سرطان نشان خواهند داد.
نقش عوامل اپیژنتیکی در گمان زندهماندن بیماران سرطانی
پژوهشگران برای این که ببینند رابطهای بین الگوهای اپیژنتیکی و خروجیهای بالینی وجود دارد یا نه، از الگوهای گفتن ژن ۷۲۰ عامل اپیژنتیکی برای خوشهبندی تومورها به ۲۴ نوع سرطان منفعت گیری کردند.
از بین این ۲۴ نوع سرطان، ۱۰ نوع از آنها با تفاوتهای معنیدار در خروجی سرطان سازگار بودند. بهعبارت دیگر، خروجی در برخی از انواع بافتهای سرطانی وابستگی بیشتری به عوامل اپیژنتیکی دارند. پنج نوع از این سرطانها عبارت هستند از کارسینوم قشر فوقکلیه، سرطان سلول کلیوی، گلیومای درجه پایین مغزی، کارسینوم سلولهای کبدی و آدنوکارسینوم ریه.
دانشمندان سپس از سطوح گفتن ژن عوامل اپیژنتیکی برای آموزش و آزمایش یک مدل هوش مصنوعی برای پیشبینی خروجی بیماری منفعت گیری کردند. مدل آنها پیشبینی میکند که در پنج نوع سرطانی که گمان زنده ماندن بیماران در آنها زیاد متفاوت است، چه اتفاقی برای بیمار میافتد.
این مدل میتواند با پیروزی بیماران مبتلا به این پنج سرطان را به دو گروه تقسیم کند: گروهی با گمان قابلدقت خروجیهای بهتر و گروهی با گمان قابلدقت خروجیهای بدتر.
این مدل دانشمندان میتواند الگویی باشد برای مدلهای شبیه هوش مصنوعی که میتوان آنها را با دادههای عمومی عوامل اپیژنتیکی مؤثر در خروجی بیماری تشکیل کرد. این پژوهش مشخص می کند که چطور میتوان برخی عوامل مؤثر را در انواع گوناگون سرطان شناسایی کرد و پتانسیلهای جذابی برای پیشبینی اهداف خاص درمان سرطان دارد.