پیش‌بینی موفقیت درمان سرطان با استفاده از هوش مصنوعی

به گزارش گروه علم و آموزش ایرنا، از پایگاه اطلاع‌رسانی نیوزمدیکال بهره‌گیری از روش ایمنی‌درمانی در درمان سرطان با روش مهارکننده وارسی ایمنی برای تقویت سلول‌های تی (T cell) به عنوان واسطه پاکسازی سلول‌های سرطانی، طی یک دهه اخیر، توانسته به بسیاری بیماران سرطان در بهبود بیماری کمک کند.

با وجود این، نیمی از بیمارانی که این روش درمانی را می‌آزمایند، بهبود نمی‌یابند و درمان در آنها موفق نیست. مطالعات گذشته نشان داده میکروبیوم‌های روده با پاسخ‌ بالینی بیماران سرطان پوست نسبت به ایمنی‌درمانی‌ مرتبط است؛ اما مطالعات گوناگون به گونه‌های میکروبی متفاوتی برای واکنش بیماران نسبت به درمان اشاره کرده‌اند که گاه با هم متناقض است.

این گروه از محققان آمریکایی از مراکز مختلف علمی؛ مانند کتابخانه ملی سلامت، موسسه ملی سرطان، موسسه تحقیقات ژنوم انسانی، دانشگاه ویرجینیای غربی و دانشگاه پیتزبرگ رویکرد درمانی تومورنشناس (درمان سرطان بر اساس ژنتیک و مولکول‌های آن و نه بر اساس نوع سرطان/ tumor-agnostic) را برای یافتن واکنش میکروبیوم‌های روده بین بیماران سرطانی درمان‌شده با روش ایمنی‌درمانی در مراحل مختلف بیماری سرطان به کاربستند. 

این محققان ابتدا با استفاده از راستی‌آزمایی سکوی توالی‌یابی با استفاده از مجموعه داده‌های ترکیب شده، الگوهای مختلفی را با الگوریتم‌های هوش مصنوعی توسعه داده و راستی‌آزمایی کردند تا واکنش‌های بالینی بیماران را پیش‌بینی کنند.

مطالعه فراتحلیلی ترکیبی از توالی‌یابی ژن RNA ریبوزومی ۱۶ سوودبرگ (۱۶S rRNA) از یک گروه ترکیب‌شده تومور و سه مجموعه داده از سه گروه بیماران سرطان پوست، توانست برخی باکتری‌های مشخص روده بدون توجه به نوع تومور را مشخص کند که در پاسخ درمانی بیماران موثر بود.

این محققان با تحلیل‌های چندمتغیره دو گروه از ژن باکتری مرتبط با بیمارانی را یافتند که پاسخ مثبت به درمان داده‌اند در برابر آنها که درمان در آنها موفق نبود. الگوهای آماری میکروبیوم‌های روده صحت و دقت پیش‌بینی واکنش ایمنی درمانی در توالی‌یابی مجموعه داده‌ها در راستی آزمایی را نشان داد. 

همچنین نتایج نشان داد اجزای اصلی میکروبیوم‌های روده می‌تواند در پیش‌بینی نتایج بالینی در بیماران سرطانی درمان‌شده با ایمنی‌درمانی موثر باشد و برخی از این اجزای میکروبیوم‌ها در انواع متفاوت تومورها، گروه‌های مختلف بیماران سرطانی و روش‌های توالی‌یابی مشترک است.

همچنین محققان پی بردند چطور الگوهای یادگیری ماشینی واکنش‌های ایمنی‌درمانی میکروبیوم ها را برملا می‌کند که ممکن است در نهایت نتیجه درمان بیماری سرطان را در بیمار بهبود بخشد.  

در نهایت تحلیل مجموعه داده‌های ترکیب شده و هم‌گروه، برآوردی دقیق از میکروبیوم‌های بیماران سرطانی تحت درمان ایمنی درمانی به دست داد. توسعه الگوهای قابل اطمینان در آینده، به معنای رسیدن به فرصت بیشتر برای تمایز و پیش‌بینی درمان موفق ایمنی‌درمانی در بیماران سرطانی خواهد بود.