شناسایی الگوهای مولکولی سرطان به کمک یادگیری عمیق

براساس تحقیقات جدید منتشر شده در مجله Life Science Alliance، یک الگوریتم جدید یادگیری عمیق می‌تواند به سرعت و با دقت، چندین نوع داده ژنومی از تومورهای کولورکتال را برای طبقه‌بندی دقیق‌تر تجزیه و تحلیل کرده و به بهبود تشخیص و گزینه‌های درمانی مرتبط کمک کند.

تومورهای کولورکتال در نحوه رشد، نیازمندی به داروهای مختلف و میزان بقا بسیار متفاوت هستند و اغلب بر اساس آنالیز سطح بیان ژن به چندین زیرگروه طبقه‌بندی می‌شوند. اما این بیماری بسیار پیچیده‌تر از یک ژن است لذا برای درک پیچیدگی آن باید از نوعی یادگیری ماشین استفاده کنیم تا بتوانیم تمامی داده‌ها را به کار ببریم.

رهبران این گروه تحقیقاتی، Akalin و Ronen، برای بررسی ویژگی‌های بی‌شمار موجود در مواد ژنتیکی از جمله بیان ژن، جهش‌های تک نقطه‌ای و کپی DNA، پلت‌فرم یکپارچه‌سازی Multi-omics Autoencoder یا به طور خلاصه “maui” را طراحی کردند. maui قادر به آنالیز چندین مجموعه داده “omics” و شناسایی مناسب‌ترین الگوها یا ویژگی‌هاست و در این مورد، ژن‌ها یا مسیرهای مربوط به سرطان کولورکتال را تنظیم می‌کند.

یادگیری ماشین نظارت‌شده (Supervised machine learning) معمولاً به متخصصان انسانی نیاز دارد تا داده‌ها را برچسب‌گذاری کرده و سپس الگوریتمی را برای پیش‌بینی برچسب‌ها طراحی کند. در مقابل، یادگیری ماشین بدون نظارت (unsupervised machine learning) شامل آموزش نیست بلکه یک الگوریتم یادگیری عمیق است که با داده‌های بدون برچسب تغذیه می‌شود و آن‌ها را برای یافتن الگوهای مشترک یا اصطلاحاً فاکتورهای نهفته، غربال می‌کند. به عنوان مثال‌، این نوع الگوریتم می‌تواند تصاویر چهره‌هایی را که هرگز برچسب زده نشده‌اند، پردازش کند، سپس ویژگی‌های اصلی مانند رنگ چشم، شکل ابرو، شکل بینی، لبخند و غیره را شناسایی کند.

پلت فرم maui الگوهای مرتبط با چهار زیرگروه شناخته‌شده سرطان کولورکتال را با مشخص کردن تومورها به زیرگروه‌هایی با دقت بالا، تعیین کرد. هم‌چنین الگویی را پیدا کرد که نشان می‌دهد یک زیرگروه (CMS2) ممکن است نیاز داشته باشد که به دو گروه مجزا تقسیم شود. قدرت این پلت‌فرم نشان می‌دهد که می‌تواند همه داده‌ها و نه فقط ژن‌های شناخته شده مرتبط با یک بیماری را آنالیز و بینش‌های عمیق‌تری ایجاد ‌کند.

این پلت‌فرم نه تنها دقیق‌تر است، بلکه بسیار سریع‌تر از سایر الگوریتم‌های یادگیری ماشین نیز کار می‌کند. هم‌چنین نیاز به استفاده از کارت‌های گرافیکی که معمولاً برای سرعت بخشیدن به محاسبات عمل می‌کند، ندارد. این امر بهینه و کارآمد بودن الگوریتم را نشان می‌دهد.

اکنون که بستر یادگیری عمیق برای سرطان کولورکتال ایجاد شده است، می‌توان از آن برای تجزیه و تحلیل داده‌های بیماران جدید استفاده کرد. پزشک می‌تواند داده‌های ژنتیکی بیمار جدید را وارد maui کند تا نزدیک‌ترین تطابق را برای طبقه‌بندی سریع و دقیق تومور پیدا کند. هم‌چنین به پیش‌بینی پاسخ داروها و چشم انداز بقا هم کمک می‌کند.

در حال حاضر، این پلت‌فرم تنها در شرایطی می‌تواند انجام شود که پزشکان پروتکل‌های تعیین شده را امتحان کنند. به گفته Akalin، این یک مسیر طولانی برای تأیید یک آزمایش یا یک سیستم برای استفاده در کلینیک است. محققان در مراحل تطابق maui برای انواع دیگر سرطان‌ها هستند.