به گزارش سایت خبری پُرسون، این مطالعه بوسیله پژوهشگران دانشگاه علوم پزشکی تهران و موسسات همکار تلاش کرده برخلاف بسیاری از مدلهای «جعبه سیاه» توضیح دهد که چرا یک دارو برای یک نوع سلول سرطانی در رتبه بالاتری قرار میگیرد.
مشکل چیست؟
سرطان یک بیماری واحد نیست. حتی سلولهای سرطانی متعلق به یک نوع سرطان نیز میتوانند از نظر ژنتیکی و مولکولی با یکدیگر تفاوت زیادی داشته باشند و در نتیجه، پاسخ یکسانی به یک دارو ندهند.
به همین دلیل، در پزشکی دقیق تلاش میشود درمانی انتخاب شود که بیشترین احتمال اثرگذاری را بر ویژگیهای زیستی تومور هر بیمار داشته باشد. اما آزمایش تعداد زیادی دارو روی تعداد زیادی از انواع سلولهای سرطانی، فرایندی زمانبر و پرهزینه است.
اینجاست که مدلهای هوش مصنوعی میتوانند وارد عمل شوند: به جای اینکه فقط پیشبینی کنند یک دارو «اثر میکند یا نمیکند»، میتوانند داروهای مختلف را از مؤثرترین تا کماثرترین مرتب کنند.
«یادگیری برای رتبهبندی» چیست؟
پژوهشگران از روشی به نام Learning to Rank یا LeToR استفاده کردند.
به زبان ساده، مدل به جای پاسخ دادن به یک سؤال دوگزینهای، مانند «آیا داروی A مؤثر است؟»، تلاش میکند به این سؤال پاسخ دهد:
« کدام داروها برای این سلول سرطانی احتمالاً بهتر عمل میکنند و ترتیب آنها چگونه است؟»
این روش میتواند برای اولویتبندی داروها در مراحل اولیه کشف و انتخاب درمان مفید باشد.
آزمایش روی دو پایگاه داده بزرگ
پژوهشگران عملکرد مدلهای مختلف را با استفاده از دو مجموعه داده بزرگ غربالگری دارو، یعنی CTRP و PRISM، بررسی کردند.
آنها شش نوع تابع خطای رتبهبندی و پنج نوع روش برای نمایش ویژگیهای مولکولی داروها را با یکدیگر مقایسه کردند. اطلاعات مربوط به بیان ژن حدود ۱۹ هزار ژن برای توصیف سلولهای سرطانی وارد مدل شد و ویژگیهای مولکولی مختلف داروها نیز مورد استفاده قرار گرفت.
کدام روش بهتر عمل کرد؟
نتایج نشان داد روشهای listwise، بهویژه LambdaLoss و LambdaRank، در بسیاری از آزمایشها عملکرد بهتری در رتبهبندی داروها داشتند؛ هم زمانی که هدف شناسایی داروهای برتر در ابتدای فهرست بود و هم در ارزیابی کلی رتبهبندی.
همچنین ترکیب اثر انگشتهای مولکولی (molecular fingerprints) با ویژگیهای فیزیکوشیمیایی داروها عملکرد مدل را بهبود داد.
به عبارتی نحوه معرفی دارو به هوش مصنوعی اهمیت زیادی دارد؛ مدل تنها به «نوع الگوریتم» وابسته نیست، بلکه کیفیت و نوع اطلاعاتی که درباره ساختار دارو در اختیار آن قرار میگیرد نیز میتواند نتیجه را تغییر دهد.
چرا هوش مصنوعی این دارو را انتخاب کرد؟
یکی از نقاط جالب این مطالعه، تلاش برای حل یکی از مشکلات اصلی هوش مصنوعی در پزشکی است: قابل توضیح بودن تصمیمها.
پژوهشگران یک سازوکار مبتنی بر attention و نسخهای اصلاحشده از RankingSHAP را به کار گرفتند تا مشخص شود کدام ژنها و کدام بخشهای ساختار شیمیایی دارو بیشترین نقش را در تصمیم مدل داشتهاند.
این موضوع مهم است، زیرا اگر هوش مصنوعی فقط بگوید «داروی X را انتخاب کن»، پزشک و پژوهشگر نمیدانند دلیل این انتخاب چیست. اما اگر مدل بتواند نشان دهد کدام ویژگیهای زیستی سلول و کدام بخشهای مولکول دارو در این تصمیم نقش داشتهاند، بررسی و اعتبارسنجی علمی نتیجه آسانتر میشود.
تشخیص تفاوت میان زیرگروههای سرطان پستان
این سیستم توضیحپذیر توانست تفاوتهای مربوط به سرطان پستان گیرنده استروژن مثبت (ER+) و گیرنده استروژن منفی (ER−) را نیز شناسایی کند.
تحلیل مدل، ژنها و مسیرهای زیستی متفاوتی را در این دو گروه برجسته کرد؛ یافتهای که نشان میدهد مدل فقط به دنبال یک الگوی آماری ساده نیست و میتواند برخی ویژگیهای زیستی شناختهشده سرطان را نیز در رتبهبندی خود منعکس کند.
دو دارو که مدل روی آنها تمرکز کرد
پژوهشگران همچنین بررسی کردند که مدل هنگام رتبهبندی داروها چه بخشهایی از ساختار مولکولی را مهم میداند.
در مورد دوستاکسل (docetaxel)، دارویی که در درمان سرطانهای مختلف از جمله سرطان پستان استفاده میشود، مدل توانست بخشهایی از ساختار دارو را بهعنوان عناصر مهم شناسایی کند.
همچنین تریپتولاید (triptolide)، ترکیبی که در حال بررسی برای کاربردهای ضدسرطان است، در تحلیل مدل قرار گرفت. بخشهای مهم ساختاری که مدل شناسایی کرد با اطلاعات شناختهشده درباره رابطه ساختار و فعالیت دارو (SAR) همخوانی داشتند.
آیا این به معنی تجویز دارو با هوش مصنوعی است؟
خیر. این پژوهش یک سیستم محاسباتی برای اولویتبندی و پیشبینی پاسخ سلولهای سرطانی به داروها را ارزیابی کرده است، نه یک ابزار بالینی آماده برای انتخاب داروی بیماران.
نتایج مدل بر اساس دادههای آزمایشگاهی مربوط به سلولهای سرطانی و ویژگیهای مولکولی داروها به دست آمدهاند. بنابراین پیش از استفاده برای تصمیمگیری درباره درمان بیماران، چنین مدلهایی باید در مطالعات پیشبالینی و سپس در جمعیتهای انسانی بهطور گسترده اعتبارسنجی شوند.
چرا این پژوهش اهمیت دارد؟
یکی از ارزشهای اصلی این مطالعه، مقایسه سیستماتیک روشهای مختلف برای رتبهبندی داروها است. پژوهش نشان میدهد انتخاب تابع خطا و نحوه نمایش ویژگیهای دارو میتواند تأثیر قابلتوجهی بر عملکرد مدل داشته باشد.
از سوی دیگر، افزودن قابلیت توضیحپذیری میتواند به پژوهشگران کمک کند ببینند مدل دقیقاً بر چه ویژگیهایی تکیه میکند. این مسئله میتواند به کشف اهداف زیستی جدید، درک بهتر مقاومت یا حساسیت دارویی و طراحی مطالعات آزمایشگاهی بعدی کمک کند.
محدودیتها و گام بعدی
این پژوهش یک مطالعه محاسباتی و آزمایش مقایسهای روی دادههای موجود است و نشان نمیدهد که یک دارو در بدن انسان حتماً مؤثر خواهد بود.
سرطان در بدن انسان بسیار پیچیدهتر از یک رده سلولی آزمایشگاهی است و عواملی مانند سیستم ایمنی، ریزمحیط تومور، متابولیسم بدن و تفاوتهای فردی میتوانند بر پاسخ واقعی به دارو تأثیر بگذارند.
با این حال، پژوهشگران معتقدند مدلهای رتبهبندی توضیحپذیر میتوانند بهعنوان یک مرحله غربالگری برای محدود کردن گزینههای دارویی و تمرکز آزمایشهای بعدی روی امیدوارکنندهترین ترکیبات مورد استفاده قرار گیرند. دادهها و کدهای این مطالعه نیز در مخزن عمومی پژوهشگران در دسترس قرار گرفته است.
پیام اصلی پژوهش
این مطالعه نشان میدهد هوش مصنوعی میتواند از «پیشبینی اثر دارو» یک گام فراتر برود و داروهای ضدسرطان را برای هر نوع سلول سرطانی از نظر احتمال اثربخشی رتبهبندی کند.
مهمتر اینکه پژوهشگران تلاش کردهاند این رتبهبندی فقط یک پاسخ غیرقابل توضیح از سوی الگوریتم نباشد؛ بلکه مشخص شود کدام ژنها و کدام بخشهای مولکول دارو در تصمیم هوش مصنوعی نقش داشتهاند.
به نقل از روابط عمومی دانشگاه علوم پزشکی تهران، اگر این رویکرد در مطالعات آزمایشگاهی و بالینی آینده اعتبارسنجی شود، میتواند به پژوهشگران کمک کند گزینههای دارویی امیدوارکننده را سریعتر شناسایی کنند و مسیر توسعه درمانهای دقیقتر و شخصیسازیشدهتر سرطان را کوتاهتر کنند.
منبع: ایسنا
