به گزارش سیناپرس اردبیل، در موارد نادر، حتی با انجام آزمایشات گسترده نمی توان منشا سرطان را تعیین کرد. اگرچه این سرطان های اولیه ناشناخته تهاجمی هستند، متخصصان سرطان باید آنها را با درمان های غیر هدفمند درمان کنند، که اغلب سمیت های شدیدی دارند و منجر به نرخ پایین بقا می شوند. یک رویکرد یادگیری عمیق جدید که توسط محققان موسسه Koch برای تحقیقات سرطان یکپارچه در MIT و بیمارستان عمومی ماساچوست (MGH) ایجاد شده است، ممکن است با نگاهی دقیق‌تر به برنامه‌های بیان ژن مربوط به رشد و تمایز سلولی اولیه، به طبقه‌بندی سرطان‌های اولیه ناشناخته کمک کند.
سالیل گارگ، محقق بالینی چارلز دبلیو (1955) و جنیفر سی جانسون، محقق بالینی در انستیتوی کخ و پاتولوژیست در موسسه کخ، می‌گوید: «گاهی اوقات می‌توانید تمام ابزارهایی را که پاتولوژیست‌ها ارائه می‌دهند، به کار ببرید، و همچنان بدون پاسخ می‌مانید». ابزارهای یادگیری ماشینی می‌توانند انکولوژیست‌ها را برای انتخاب درمان‌های مؤثرتر و راهنمایی‌های بیشتر به بیمارانشان توانمند کنند. ابزار هوش مصنوعی قادر است انواع سرطان را با حساسیت و دقت بالایی شناسایی کند.
سلول‌های سرطانی در نحوه بیان ژن‌هایشان کاملاً متفاوت از سلول‌های طبیعی به نظر می‌رسند و رفتار می‌کنند. با این حال، ساختن یک مدل یادگیری ماشینی که از تفاوت‌های بین سلول‌های سالم و طبیعی و در میان انواع مختلف سرطان، به عنوان ابزار تشخیصی استفاده می‌کند، یک اقدام متعادل کننده است. اگر یک مدل خیلی پیچیده باشد و ویژگی های بیش از حد بیان ژن سرطان را به همراه داشته باشد، ممکن است به نظر برسد که مدل داده های آموزشی را به خوبی یاد می گیرد، اما زمانی که با داده های جدید مواجه می شود دچار تزلزل می شود. با این حال، با ساده‌سازی مدل با محدود کردن تعداد ویژگی‌ها، مدل ممکن است انواع اطلاعاتی را که منجر به طبقه‌بندی دقیق انواع سرطان می‌شود، از دست بدهد.
به منظور ایجاد تعادل بین کاهش تعداد ویژگی ها و در عین حال استخراج مرتبط ترین اطلاعات، تیم این مدل را بر روی علائم مسیرهای رشد تغییر یافته در سلول های سرطانی متمرکز کرد. همانطور که یک جنین رشد می کند و سلول های تمایز نیافته در اندام های مختلف تخصص می یابند، مسیرهای زیادی نحوه تقسیم، رشد، تغییر شکل و مهاجرت سلول ها را هدایت می کنند. با رشد تومور، سلول های سرطانی بسیاری از ویژگی های تخصصی یک سلول بالغ را از دست می دهند.
در همان زمان، آنها شروع به شبیه شدن به سلول های جنینی می کنند، زیرا توانایی تکثیر، تبدیل و متاستاز به بافت های جدید را به دست می آورند. بسیاری از برنامه‌های بیان ژنی که جنین‌زایی را هدایت می‌کنند، شناخته شده‌اند که در سلول‌های سرطانی مجدداً فعال می‌شوند یا تنظیم نمی‌شوند. محققان دو اطلس سلولی بزرگ را با هم مقایسه کردند و ارتباط بین تومور و سلول های جنینی را شناسایی کردند: اطلس ژنوم سرطان (TCGA) که حاوی داده های بیان ژن برای 33 نوع تومور است و اطلس سلولی ارگانوژنز موش (MOCA) که 56 مسیر مجزا از تومور را نشان می دهد.
نقشه حاصل از همبستگی بین الگوهای بیان ژن رشدی در سلول‌های تومور و جنینی سپس به یک مدل یادگیری ماشین تبدیل شد. محققان بیان ژن نمونه‌های تومور از TCGA را به اجزای جداگانه‌ای که مربوط به یک نقطه زمانی خاص در مسیر رشد است، تجزیه کردند و به هر یک از این اجزا یک مقدار ریاضی اختصاص دادند. محققان سپس یک مدل یادگیری ماشینی به نام پرسپترون چند لایه توسعه ای (D-MLP) ساختند که یک تومور را برای اجزای رشدی آن نمره می دهد و سپس منشا آن را پیش بینی می کند.
طبقه‌بندی تومورها
پس از آموزش، D-MLP بر روی 52 نمونه جدید از سرطان های به خصوص چالش برانگیز اولیه ناشناخته که با استفاده از ابزارهای موجود قابل تشخیص نبود، اعمال شد. این موارد چالش برانگیزترین مواردی بودند که در MGH طی یک دوره چهار ساله در سال 2017 مشاهده شد. به طرز هیجان انگیزی، این مدل تومورها را در چهار دسته طبقه بندی کرد و پیش بینی ها و اطلاعات دیگری را ارائه داد که می تواند تشخیص و درمان این بیماران را راهنمایی کند.
به عنوان مثال، یک نمونه از یک بیمار با سابقه سرطان سینه بود که علائم سرطان تهاجمی را در فضاهای مایع اطراف شکم نشان داد. انکولوژیست ها در ابتدا نتوانستند توده توموری را پیدا کنند و نمی توانستند سلول های سرطانی را با استفاده از ابزارهایی که در آن زمان داشتند طبقه بندی کنند. با این حال، D-MLP به شدت سرطان تخمدان را پیش بینی کرد. شش ماه پس از اولین مراجعه بیمار، سرانجام توده ای در تخمدان پیدا شد که ثابت شد منشاء تومور است.
علاوه بر این، مقایسه سیستماتیک این مطالعه بین تومور و سلول‌های جنینی، بینش‌های امیدوارکننده و گاهی شگفت‌انگیز را در مورد پروفایل‌های بیان ژن انواع خاص تومور نشان داد. به عنوان مثال، در مراحل اولیه رشد جنینی، یک لوله روده ابتدایی تشکیل می‌شود که ریه‌ها و سایر اندام‌های مجاور از قسمت جلویی روده بیرون می‌آیند، و بخش زیادی از دستگاه گوارش از روده میانی و عقبی تشکیل می‌شود.
این مطالعه نشان داد که سلول‌های تومور مشتق شده از ریه، نه تنها به روده جلویی که انتظار می‌رود، شباهت‌های قوی نشان می‌دهند، بلکه به مسیرهای رشدی که از روده میانی و عقبی مشتق شده‌اند. یافته‌هایی از این دست نشان می‌دهد که روزی می‌توان از تفاوت‌ها در برنامه‌های رشدی به همان شیوه‌ای که جهش‌های ژنتیکی معمولاً برای طراحی درمان‌های شخصی یا هدفمند سرطان استفاده می‌شود، استفاده کرد.
در حالی که این مطالعه یک رویکرد قدرتمند برای طبقه بندی تومورها ارائه می دهد، دارای محدودیت هایی است. در کار آینده، محققان قصد دارند قدرت پیش بینی مدل خود را با ترکیب انواع دیگر داده ها، به ویژه اطلاعات به دست آمده از رادیولوژی، میکروسکوپ و انواع دیگر تصویربرداری تومور، افزایش دهند.
گارگ می‌گوید: «بیان ژن رشدی تنها یک برش کوچک از همه عواملی را نشان می‌دهد که می‌توان برای تشخیص و درمان سرطان‌ها استفاده کرد».
ادغام اطلاعات رادیولوژی، آسیب شناسی و بیان ژن با هم گام بعدی واقعی در پزشکی شخصی برای بیماران سرطانی است.
منبع:medical xpress
مترجم:پریناز نصرتی