به گزارش پایگاه اطلاع رسانی بنیان، در سال‌های اخیر، پیشرفت‌های چشم‌گیری در استفاده از هوش مصنوعی در علوم زیستی و پزشکی حاصل شده است. یکی از مهم‌ترین کاربردهای آن، به‌کارگیری الگوریتم‌های یادگیری ماشین برای تحلیل داده‌های سلولی و ژنتیکی جهت یافتن اهداف درمانی مؤثر است. در همین راستا، گروهی از محققان دانشکده پزشکی هاروارد مدل جدیدی به نام PDGrapher طراحی کرده‌اند که با استفاده از ساختارهای پیشرفته هوش مصنوعی، می‌تواند وضعیت بیماری در سلول‌ها را تحلیل کرده و پیشنهادهایی برای بازگرداندن آن‌ها به حالت سالم ارائه دهد. این مدل که در نشریه Nature Biomedical Engineering معرفی شده، راهی تازه در کشف دارو گشوده و نویدبخش درمان‌های دقیق‌تر و سریع‌تر برای بیماری‌های پیچیده‌ است.

تاریخچه و پیش‌زمینه پژوهش

در روش‌های سنتی کشف دارو، تمرکز اصلی بر یافتن یک هدف مولکولی مشخص، مانند یک پروتئین یا آنزیم خاص است. دانشمندان با شناسایی این هدف، دارویی طراحی می‌کنند که آن را فعال یا مهار کند. این رویکرد در درمان برخی بیماری‌ها مانند سرطان‌های خاص و عفونت‌ها موفقیت‌آمیز بوده است. برای مثال، داروهای مهارکننده کیناز یا داروهای ایمنی‌درمان مانند مهارکننده‌های ایست‌های ایمنی، با هدف قرار دادن مسیرهای خاصی در سلول، موجب بهبود بیماران شده‌اند. با این حال، در بسیاری از بیماری‌های پیچیده‌تر مانند انواع مقاوم سرطان، بیماری‌های نورودژنراتیو، یا بیماری‌های نادر ژنتیکی، این رویکرد یک‌بعدی ناکارآمد بوده است. دلیل ناکارآمدی این است که چنین بیماری‌هایی نتیجه اختلال هم‌زمان در چندین مسیر ژنتیکی و سیگنال‌دهی هستند و درمان‌هایی که فقط یک هدف را مهار می‌کنند، نمی‌توانند کل سیستم آسیب‌دیده را اصلاح کنند. در این شرایط، نیاز به ابزارهایی است که بتوانند مجموعه‌ای از عوامل و تعاملات میان آن‌ها را در نظر بگیرند. ظهور الگوریتم‌های هوش مصنوعی، به‌ویژه شبکه‌های عصبی گرافی، امید تازه‌ای برای تحلیل ساختار پیچیده سیستم‌های زیستی ایجاد کرده است.

شیوه مطالعاتی

PDGrapher یک نوع شبکه عصبی گرافی است که توانایی آن در بررسی هم‌زمان روابط میان ژن‌ها، پروتئین‌ها و مسیرهای مولکولی درون سلول باعث شده ابزار مناسبی برای شناسایی اهداف درمانی مؤثر باشد. برخلاف مدل‌های سنتی که به‌صورت خطی به دنبال ارتباط بین یک هدف و یک نتیجه هستند، PDGrapher ساختاری شبکه‌ای دارد و می‌تواند روابط علت و معلولی میان عوامل مختلف را شناسایی کند. محققان ابتدا این مدل را با داده‌هایی از سلول‌های بیمار و سالم آموزش دادند. این داده‌ها شامل اطلاعات مربوط به فعالیت‌های ژنتیکی، پاسخ‌های سلولی به داروها و مسیرهای مولکولی درگیر در بیماری بودند. در مرحله آموزش، مدل یاد گرفت که کدام تغییرات در سطح ژن یا پروتئین می‌توانند موجب بازگشت سلول به وضعیت طبیعی شوند. سپس مدل در مرحله آزمون بر روی مجموعه داده‌هایی که قبلاً با آن‌ها مواجه نشده بود، مورد آزمایش قرار گرفت. این آزمون‌ها شامل ۱۹ مجموعه داده از ۱۱ نوع سرطان بودند. نکته قابل توجه این بود که برخی از اهداف درمانی شناخته‌شده، عمداً از مرحله آموزش حذف شده بودند تا مشخص شود آیا مدل می‌تواند آن‌ها را بدون دیدن قبلی شناسایی کند یا نه. این آزمون نشان داد که PDGrapher نه تنها اهداف شناخته‌شده را مجدداً شناسایی می‌کند، بلکه قادر است اهداف درمانی جدیدی را نیز پیشنهاد دهد.

نتایج و یافته‌ها

مدل PDGrapher در مقایسه با ابزارهای مشابه، دقت و سرعت بسیار بالاتری از خود نشان داد. در آزمون‌های انجام‌شده، این مدل توانست اهداف دارویی صحیح را تا ۳۵ درصد بهتر از دیگر مدل‌ها رتبه‌بندی کند و در مواردی تا ۲۵ برابر سریع‌تر به پاسخ برسد. یکی از یافته‌های مهم مدل، شناسایی ژن KDR (شناخته‌شده با نام VEGFR2) به عنوان یک هدف دارویی مؤثر برای درمان سرطان ریه غیرسلولی بود که با شواهد بالینی نیز تطابق داشت. همچنین ژن TOP2A نیز به‌عنوان هدف بالقوه برای درمان تومورها معرفی شد، که نقش آن در شیمی‌درمانی‌های رایج نیز پیش‌تر شناخته شده بود. یافته‌های مدل همچنین از این فرضیه پشتیبانی کرد که مهار TOP2A می‌تواند از گسترش متاستاز در برخی انواع سرطان جلوگیری کند. از دیگر ویژگی‌های مدل، قابلیت آن در پیش‌بینی درمان‌هایی بود که در آینده ممکن است مؤثر واقع شوند، حتی اگر تاکنون آزمایش نشده باشند. این ویژگی به دلیل ساختار گرافی مدل است که به آن اجازه می‌دهد روابط بین اجزای سیستم سلولی را بدون نیاز به مشاهده مستقیم، استنباط کند.

دستاوردها و نوآوری‌ها

توسعه مدل PDGrapher از چند جهت اهمیت دارد. نخست آن‌که این ابزار موجب دگرگونی در روش کشف دارو می‌شود. به‌جای آن‌که هزاران ترکیب دارویی به‌طور تصادفی آزمایش شوند، PDGrapher تنها ترکیب‌هایی را پیشنهاد می‌دهد که بالاترین احتمال موفقیت را دارند. این امر باعث صرفه‌جویی چشمگیر در زمان و منابع تحقیقاتی خواهد شد. دوم آن‌که این مدل، امکان درمان‌های فردمحور را فراهم می‌سازد. با تحلیل پروفایل سلولی خاص هر بیمار، می‌توان درمانی اختصاصی برای او طراحی کرد که بیشترین اثربخشی را داشته باشد. سوم، PDGrapher می‌تواند بینش‌های جدیدی درباره مکانیزم بیماری‌ها ارائه دهد. این مدل نه‌تنها نشان می‌دهد کدام هدف درمانی مؤثر است، بلکه دلیل مؤثر بودن آن را نیز توضیح می‌دهد.

گام‌های بعدی و کاربردهای آینده

پژوهشگران اکنون از مدل PDGrapher برای تحلیل بیماری‌های پیچیده‌تری مانند پارکینسون و آلزایمر استفاده می‌کنند. هدف آن‌ها بررسی الگوهای فعالیت سلولی در این بیماری‌ها و شناسایی ژن‌هایی است که با اصلاح آن‌ها بتوان عملکرد طبیعی سلول را بازگرداند. همچنین همکاری‌هایی با مرکز تحقیقات بیماری XDP در بیمارستان عمومی ماساچوست آغاز شده است. در این پروژه، محققان از مدل برای یافتن اهداف دارویی جدید در بیماری دیستونی-پارکینسونی مرتبط با کروموزوم X استفاده می‌کنند که یک اختلال نادر و تحلیل‌برنده عصبی است. در چشم‌انداز بلندمدت، انتظار می‌رود که ابزارهایی مانند PDGrapher جایگاه ثابتی در روند کشف دارو و درمان‌های شخصی داشته باشند. همچنین با استفاده از آن‌ها می‌توان مسیرهای جدیدی برای درک بهتر از عملکرد بیولوژیکی سلول‌ها و تعاملات مولکولی کشف کرد که ممکن است به کشفیات بنیادین جدید منجر شود. جمع‌بندی این دستاورد گامی مهم در جهت پیوند علوم داده با زیست‌شناسی کاربردی است. ابزار PDGrapher نشان داده است که با تحلیل پیچیدگی‌های بیولوژیکی سلول‌ها از طریق هوش مصنوعی، می‌توان راه‌هایی نو برای درمان بیماری‌های مقاوم گشود. در آینده، چنین مدل‌هایی می‌توانند نقش کلیدی در طراحی درمان‌هایی بازی کنند که به‌جای سرکوب موقت علائم، بیماری را در سطح سلولی و مولکولی ریشه‌کن سازند. پژوهشگران امیدوارند این فناوری‌ها بتوانند به بیماران کمک کنند تا با سرعت بیشتر، دقت بالاتر و امید بیشتر به درمان دست یابند.

پایان مطلب/.