امیدی تازه برای درمان سرطان استخوان در کودکان با مدل هوشمند
محققان گروه بیوشیمی بالینی دانشگاه علوم پزشکی ایران با گذار از رویکردهای تکبعدی و تلفیق دادههای متابولومیکس با الگوریتمهای هوش مصنوعی، موفق به توسعه مدل هوشمندی شدند که با شناسایی امضای زیستی اختصاصی هر بیمار، توانایی پیشبینی دقیقتر متاستاز و پایش هوشمند روند بیماری را دارد.
به گزارش پایگاه خبری پزشکان و قانون (پالنا)، به نقل از معاونت تحقیقات و فناوری دانشگاه علوم پزشکی ایران، استئوسارکوما یا همان تومور بدخیم استخوان، یکی از چالشهای بزرگ در حوزه انکولوژی است که به دلیل درگیری عمدتاً کودکان و نوجوانان، از اهمیت ویژهای برخوردار است و با وجود پیشرفتهای درمانی، بازگشت بیماری و متاستاز آن به ارگانهای حیاتی نظیر ریه، کماکان معضل جدی بیماران محسوب میشود.
گروهی از محققان دانشگاه علوم پزشکی ایران با استفاده از رویکردهای چندلایه و الگوریتمهای هوش مصنوعی، موفق به ترسیم نقشه زیستی یکپارچهای برای درک مکانیسمهای بیماریزایی این تومور تهاجمی شدند؛ دستاوردی که میتواند مسیر تشخیص زودهنگام و درمانهای هدفمند آن را هموار کند.
دکتر معصومه توکلی یرکی، استاد گروه بیوشیمی بالینی دانشکده پزشکی دانشگاه علوم پزشکی ایران و مجری این طرح، اظهار کرد: پژوهش حاضر در امتداد یک خط تحقیقاتی هدفمند برای شناسایی مسیرهای مولکولی و متابولیک مؤثر در تومورهای تهاجمی استخوان شکل گرفته است.
این محقق با بیان اینکه اکثر مطالعات پیشین بر روی استئوسارکوما رویکردی تکبعدی داشتهاند، تصریح کرد: شواهد علمی نشان میدهد که این بیماری فراتر از یک توده سلولی موضعی، یک اختلال سیستمیک است که با بازبرنامهریزی گسترده متابولیسم لیپیدها و آمینواسیدها و سرکوب سیستم ایمنی همراه است. از همین رو، ضرورت گذار به رویکردهای چندلایه و بهرهگیری از ابزارهای هوش مصنوعی برای رمزگشایی از این شبکه پیچیده زیستی، به یک الزام علمی تبدیل شده است.
توکلی در تشریح دستاوردهای این مطالعه که بخشی از پایاننامه دکتری محمد امین واعظی، دانشجوی بیوشیمی بالینی دانشگاه علوم پزشکی ایران است، به چهار محور نوآورانه اشاره کرد و گفت: بر اساس رویکرد شبکهای برای نخستینبار، دادههای متابولیک، التهابی و ایمونولوژیک در یک چارچوب تحلیلی واحد ادغام شدند تا ارتباطات پنهان میان سیستمهای زیستی شناسایی شود. بهرهگیری از هوش مصنوعی در این پژوهش و بهکارگیری الگوریتمهای یادگیری ماشین به جای روشهای آماری سنتی، منجر به توسعه مدلهای تشخیصی با دقت و پایداری بالا شد؛ همچنین با گذار از بیومارکرهای منفرد به پنلهای تشخیصی که توانایی بالاتری در افتراق بیماران از افراد سالم دارند، پنلهای چندجانبه طراحی شد.
این استاد دانشگاه علوم پزشکی ایران با بیان اینکه نوآوری دیگر در این پژوهش استفاده از امضای متابولیک شخصی بود تا برای هر بیمار مکانیسمهای فرار ایمنی تومور را به تصویر بکشد، خاطر نشان کرد: یافتههای ما میتواند در تشخیص زودهنگام بیماری بهویژه در مراکز درمانی با امکانات محدود، پایش وضعیت بیماران از نظر احتمال عود و متاستاز و همچنین شناسایی اهداف درمانی نوین برای ایمونوتراپی بسیار راهگشا باشد.
توکلی ضمن قدردانی از حمایتهای معاونت تحقیقات و فناوری دانشگاه، همکاری دکتر خدامراد جمشیدی و سایر تیمهای تخصصی دانشکده پزشکی، خواستار حمایتهای سیستمی بیشتر شد و گفت: تخصیص گرنتهای پژوهشی پایدار برای مطالعات پرهزینه متابولومیکس، تجهیز مراکز مرجع آزمایشگاهی جهت انجام آنالیزهای پیشرفته مانند LC-MS/MS در داخل کشور و تسهیل همکاریهای بینرشتهای میان متخصصان بالینی و مهندسان داده، از جمله ملزومات اصلی برای تبدیل این یافتههای بنیادی به ابزارهای بالینی است. تشکیل کنسرسیوم ملی پژوهشهای سرطانهای استخوانی با هدف افزایش حجم نمونه و استانداردسازی پروتکلها، میتواند فرآیند ترجمان این یافتهها به بالین را سرعت ببخشد تا شاهد بهبود کیفیت و طول عمر کودکان و نوجوانان مبتلا به این بیماری در کشور باشیم.
پایان پیام/
نظر خود را بنویسید