پژوهشگران چینی با توسعه یک مدل هوش مصنوعی به نام «ProteinTalks» گام تازهای برای شبیهسازی رفتار سلولهای سرطانی و پیشبینی واکنش آنها به داروهای مختلف برداشتهاند؛ مدلی که میتواند به شناسایی گزینههای درمانی متناسب با ویژگیهای تومور هر بیمار کمک کند.
به گزارش پایگاه خبری حکمرانی هوشمند، تفاوت ویژگیهای سلولهای سرطانی باعث میشود یک دارو برای همه بیماران نتیجه یکسانی نداشته باشد. از همین رو، شناسایی داروی مؤثر برای هر نوع سلول سرطانی یکی از چالشهای مهم در مسیر توسعه درمانهای دقیق و شخصیسازیشده به شمار میرود.
بر اساس گزارش مدیکال اکسپرس، مدل هوش مصنوعی ProteinTalks با تمرکز بر تغییرات پروتئینها در سلولهای سرطانی طراحی شده است و میتواند اثربخشی داروها را پیشبینی کند، ترکیبات دارویی جدید را مورد بررسی قرار دهد و پروتئینهای مرتبط با مقاومت سلولهای سرطانی در برابر درمان را شناسایی کند.
پژوهشگران دانشگاه وستلیک در چین برای ارزیابی این مدل، واکنش سلولهای سرطان پستان به داروهای ضدسرطان تأییدشده را بررسی کردند. دادههای حاصل از این بررسیها به ProteinTalks امکان داد ارتباط میان تغییر سطح پروتئینها و میزان اثربخشی دارو را در سلولهای سرطانی بررسی کند.
نتایج این پژوهش نشان داد ProteinTalks در پیشبینی واکنش سلولهای سرطانی به داروها عملکرد بهتری نسبت به برخی مدلهای هوش مصنوعی مبتنی بر فعالیت ژن و روشهای سنتی یادگیری ماشینی داشته است. این مدل همچنین توانست واکنش سلولها به ترکیبات ضدسرطانی را که در فرآیند آموزش خود مشاهده نکرده بود، پیشبینی کند.
یکی از قابلیتهای قابل توجه این مدل، شناسایی ترکیبهایی از داروها بود که در کنار یکدیگر میتوانند اثر ضدسرطانی بیشتری نسبت به مصرف جداگانه هر دارو داشته باشند. این قابلیت میتواند در آینده به پژوهشگران برای محدود کردن دامنه گزینههای درمانی و تمرکز بر ترکیبات امیدوارکننده کمک کند.
در روند توسعه درمانهای جدید، پیش از آنکه یک دارو یا روش درمانی وارد آزمایشهای گسترده آزمایشگاهی شود، بررسی واکنش سلولها اهمیت زیادی دارد. شبیهسازی رایانهای سلولها میتواند بخشی از این مسیر را تسهیل کند، اما تحقق چنین هدفی نیازمند بازسازی تغییرات پیچیدهای است که درون سلولها و در طول زمان اتفاق میافتند.
مدلهای بنیادین هوش مصنوعی که با استفاده از حجم زیادی از دادههای زیستی آموزش میبینند، امکان بررسی مولکولهایی مانند DNA، RNA، پروتئینها و متابولیتها را فراهم کردهاند. با این حال، بسیاری از مدلهای موجود همچنان رفتار سلول را بیشتر به صورت یک وضعیت ثابت بررسی میکنند و تغییرات آن در گذر زمان را به طور کامل در نظر نمیگیرند.
ProteinTalks برای برطرف کردن بخشی از این محدودیت، از دادههای مربوط به مسیر تغییرات پروتئینها و اطلاعات دارویی استفاده میکند. پژوهشگران میگویند این مدل میتواند رفتار پویای سلولهای سرطانی را در برابر ترکیبات ضدسرطان در طول زمان شبیهسازی کند و به عنوان یک سلول مجازی هوش مصنوعی مورد استفاده قرار گیرد.
اگرچه آموزش ProteinTalks بر پایه سلولهای سرطان پستان انجام شده است، این مدل در آزمایشها توانست واکنش سلولهای سرطان ریه، روده بزرگ، پانکراس و ملانوما را نیز پیشبینی کند. همچنین ردیابی تغییرات پروتئینی در طول زمان به پژوهشگران امکان داد برخی عوامل کلیدی مرتبط با ایجاد مقاومت دارویی را شناسایی کنند.
در بخش دیگری از پژوهش، ProteinTalks برای بررسی داروهایی که امکان تغییر کاربرد آنها برای درمان سرطان وجود دارد، مورد استفاده قرار گرفت. پژوهشگران این گزینهها را مستقیماً روی ارگانوئیدهای بهدستآمده از بیماران آزمایش کردند؛ ارگانوئیدهایی که ساختارهای کوچک آزمایشگاهی شبیه تومورهای واقعی بیماران هستند.
نتایج این بررسی به شناسایی گزینههایی منجر شد که در شرایط آزمایشگاهی میتوانستند سلولهای توموری را با دوزهایی بسیار پایینتر از شیمیدرمانی استاندارد از بین ببرند. علاوه بر این، پژوهشگران مجموعهای از ترکیبات دارویی امیدوارکننده را شناسایی کردند که میتوانند در ترکیب با یکدیگر اثر ضدسرطانی داشته باشند.
تفاوت واکنش بیماران به داروهای ضدسرطان همچنان یکی از چالشهای اصلی درمان سرطان است؛ چرا که اثربخشی یک دارو برای یک بیمار الزاماً به معنای اثربخشی مشابه آن برای بیمار دیگر نیست. در چنین شرایطی، مدلهایی که بتوانند ویژگیهای سلولی و پروتئینی تومورها را در طول زمان بررسی کنند، ظرفیت قابل توجهی برای کمک به توسعه درمانهای دقیقتر دارند.
پژوهشگران بر این باورند که چنین فناوریهایی در آینده میتوانند پیش از انجام آزمایشهای آزمایشگاهی پرهزینه، داروها و ترکیبات امیدوارکننده را شناسایی کنند و مسیر انتخاب درمان را بر اساس ویژگیهای پروتئینی تومور هر بیمار هدفمندتر سازند.
انتهای پیام
