پژوهشگران ایرانی با توسعه و ارزیابی یک چارچوب هوش مصنوعی، روشی برای رتبهبندی داروهای ضدسرطان بر اساس احتمال اثربخشی آنها بر سلولهای سرطانی ارائه کردهاند؛ روشی که علاوه بر اولویتبندی داروها، تلاش میکند توضیح دهد چرا یک دارو در رتبه بالاتری قرار گرفته است.
به گزارش دیدهبان علم ایران، پژوهشگران دانشگاه علوم پزشکی تهران، دانشگاه صنعتی شریف، دانشگاه صنعتی امیرکبیر و دانشگاه خوارزمی در این پژوهش چارچوبی مبتنی بر یادگیری ماشین و روش موسوم به Learning to Rank (LeToR) را برای اولویتبندی داروهای ضدسرطان بررسی کردهاند.
این پژوهش با عنوان «Shedding light on neural learning to rank models for anticancer drug prioritization» در مجله PLOS ONE منتشر شده است. فراز سرمیلی، بنیامین قهرمانینژاد، محمد خلیلپور، کریم عباسی، رسول دیناروند و حمیدرضا ربیعی نویسندگان این مطالعه هستند.
به جای پیشبینی، داروها را رتبهبندی کنیم!
یکی از چالشهای مهم در درمان سرطان، تفاوت قابل توجه سلولهای سرطانی از نظر ویژگیهای ژنتیکی و مولکولی است. در نتیجه، دارویی که روی یک نوع سلول سرطانی مؤثر است، ممکن است روی نوع دیگری از سلولها پاسخ مشابهی ایجاد نکند.
در پزشکی دقیق، هدف آن است که مناسبترین درمان بر اساس ویژگیهای زیستی سرطان انتخاب شود. اما آزمایش تعداد زیادی دارو روی انواع مختلف سلولهای سرطانی، فرایندی پرهزینه و زمانبر است.
پژوهشگران در این مطالعه به جای آنکه از هوش مصنوعی فقط برای پاسخ به این پرسش استفاده کنند که «آیا این دارو مؤثر است یا نه؟»، مسئله را به شکل یک مسئله رتبهبندی تعریف کردند؛ یعنی مدل باید بتواند برای یک سلول سرطانی مشخص، داروها را از گزینههای محتملتر تا گزینههای کماثرتر مرتب کند.
این رویکرد میتواند در مراحل اولیه غربالگری داروها، فهرست گزینههای امیدوارکننده را کوتاهتر کند.
آزمایش مدل روی دو پایگاه داده بزرگ
برای ارزیابی مدل، پژوهشگران از دو مجموعه داده بزرگ غربالگری دارو، یعنی CTRP و PRISM استفاده کردند.
در این چارچوب، اطلاعات بیان ژن تقریباً ۱۹ هزار ژن برای توصیف ویژگیهای سلولهای سرطانی وارد مدل شد. از سوی دیگر، برای نمایش ویژگیهای داروها نیز انواع مختلفی از اثر انگشتهای مولکولی (Molecular Fingerprints) و ویژگیهای فیزیکوشیمیایی مورد استفاده قرار گرفت.
پژوهشگران سپس شش تابع خطای رتبهبندی و پنج نوع نمایش مولکولی داروها را در شرایط مختلف با یکدیگر مقایسه کردند.
LambdaRank و LambdaLoss عملکرد بهتری داشتند
نتایج نشان داد روشهای listwise که کل فهرست داروها را همزمان در فرایند یادگیری در نظر میگیرند، در بسیاری از معیارهای ارزیابی عملکرد بهتری داشتند.
در میان این روشها، LambdaRank و LambdaLoss توانستند هم در رتبهبندی داروهای برتر در ابتدای فهرست و هم در کیفیت کلی رتبهبندی نتایج مطلوبی ارائه کنند.
همچنین پژوهشگران دریافتند که ترکیب اثر انگشتهای مولکولی با توصیفگرهای فیزیکوشیمیایی میتواند عملکرد مدل را بهبود دهد.
این یافته نشان میدهد که دقت یک سامانه هوش مصنوعی تنها به انتخاب الگوریتم وابسته نیست و نحوه نمایش اطلاعات مربوط به ساختار و ویژگیهای دارو نیز نقش مهمی در نتیجه نهایی دارد.
وقتی هوش مصنوعی باید توضیح بدهد
یکی از بخشهای مهم پژوهش، تلاش برای حل مسئله توضیحپذیری هوش مصنوعی است.
مدلهای پیچیده یادگیری عمیق ممکن است بتوانند پیشبینیهای دقیقی ارائه کنند، اما در بسیاری از موارد مشخص نیست چرا یک دارو را در رتبه بالاتر قرار دادهاند.
پژوهشگران برای بررسی این موضوع از یک سازوکار مبتنی بر Attention و نسخهای اصلاحشده از RankingSHAP استفاده کردند تا مشخص شود چه ژنهایی در سلول سرطانی و چه بخشهایی از ساختار شیمیایی دارو بیشترین نقش را در تصمیم مدل دارند.
آنها همچنین از اطلاعات زیستی مربوط به برهمکنشهای پروتئین–پروتئین و برهمکنش دارو–هدف استفاده کردند تا تفسیر زیستی نتایج مدل تقویت شود.
شناسایی تفاوت میان دو زیرگروه سرطان پستان
یکی از نتایج قابل توجه این تحلیل، توانایی چارچوب توضیحپذیر در تشخیص تفاوتهای زیستی میان سلولهای سرطان پستان گیرنده استروژن مثبت (ER+) و گیرنده استروژن منفی (ER−) بود.
تحلیلهای انجامشده نشان دادند که مدل میتواند ژنها و ویژگیهای زیستی متفاوتی را در این دو گروه برجسته کند؛ موضوعی که نشان میدهد رتبهبندی مدل صرفاً یک خروجی آماری بدون امکان تفسیر زیستی نیست.
از دوستاکسل تا تریپتولاید
پژوهشگران برای بررسی قابلیت توضیحپذیری مدل، ساختار مولکولی برخی داروها و ترکیبات ضدسرطان را نیز بررسی کردند.
در مورد دوستاکسل (Docetaxel)، داروی مورد تأیید برای درمان برخی سرطانها، مدل توانست بخشهایی از ساختار مولکولی را که در رتبهبندی آن اهمیت دارند شناسایی کند.
همچنین تریپتولاید (Triptolide) که در حال ارزیابی بالینی برای سرطان پستان است، در این تحلیل بررسی شد. بخشهایی از ساختار این ترکیب که مدل بهعنوان عناصر مهم شناسایی کرد، با اطلاعات موجود درباره رابطه ساختار و فعالیت (SAR) آن همخوانی داشت.
یک ابزار پژوهشی، نه نسخهای برای بیماران
با وجود نتایج امیدوارکننده، این مطالعه به معنای آن نیست که هوش مصنوعی اکنون میتواند برای بیماران مبتلا به سرطان دارو تجویز کند.
مدل مورد بررسی بر اساس دادههای مربوط به ردههای سلولی سرطانی و پاسخ آنها به داروها آموزش و ارزیابی شده است. محیط آزمایشگاهی با بدن انسان تفاوتهای اساسی دارد و عواملی مانند سیستم ایمنی، ریزمحیط تومور، متابولیسم دارو و تفاوتهای فردی بیمار میتوانند بر پاسخ واقعی به درمان تأثیر بگذارند.
بنابراین، این چارچوب در شرایط فعلی بیشتر یک ابزار محاسباتی برای اولویتبندی و هدایت پژوهشهای بعدی است و پیش از هرگونه استفاده بالینی، به اعتبارسنجیهای پیشبالینی و مطالعات انسانی گسترده نیاز دارد.
اهمیت پژوهش برای پزشکی دقیق
اهمیت اصلی این مطالعه در آن است که یک چارچوب نسبتاً جامع برای مقایسه روشهای مختلف رتبهبندی داروهای ضدسرطان ارائه میدهد و همزمان به مسئله مهم توضیحپذیری توجه میکند.
اگر یک مدل هوش مصنوعی بتواند علاوه بر پیشنهاد داروهای امیدوارکننده، مشخص کند کدام ویژگیهای سلول سرطانی و کدام بخشهای مولکول دارو در این رتبهبندی نقش داشتهاند، نتایج آن میتواند برای طراحی آزمایشهای بعدی و بررسی مکانیسمهای احتمالی حساسیت یا مقاومت دارویی ارزشمندتر باشد.
از این منظر، چنین سامانههایی میتوانند به جای آنکه جایگزین پژوهشگر یا پزشک شوند، بهعنوان یک مرحله غربالگری هوشمند برای محدود کردن دامنه گزینههای دارویی و تمرکز منابع آزمایشگاهی بر ترکیبات امیدوارکنندهتر مورد استفاده قرار گیرند.
گامی در مسیر درمانهای شخصیسازیشده
پژوهش حاضر نشان میدهد هوش مصنوعی در حوزه سرطان میتواند از پیشبینی ساده پاسخ به یک دارو فراتر رود و مسئله را به شکل اولویتبندی مجموعهای از گزینههای درمانی تعریف کند.
از سوی دیگر، افزودن قابلیت توضیحپذیری این امکان را فراهم میکند که پژوهشگران بررسی کنند مدل بر چه نشانههای ژنتیکی و مولکولی تکیه کرده است.
البته فاصله میان یک مدل محاسباتی و یک ابزار بالینی قابل استفاده هنوز قابل توجه است؛ اما در صورت اعتبارسنجی در مطالعات آزمایشگاهی و انسانی، چنین رویکردهایی میتوانند به کاهش زمان غربالگری داروها، شناسایی گزینههای امیدوارکننده و توسعه رویکردهای دقیقتر در درمان سرطان کمک کنند.
انتهای پیام