بزرگنمايي:

راه ترقی - سیناپرس / محققان بین الملل در یک پژوهش مهم و پیشرو، با استفاده از سیستم‌های یادگیری ماشین موفق به ابداع روشی شده‌اند که قادر است در شناسایی دقیق جهش‌های سرطانی و تولید داروهای شخصی سازی شده به پزشکان کمک نماید.
هر تومور سرطانی در هر بیمار، معمولاً دچار جهش‌های زیادی می‌شود، اما همه این جهش‌ها در پیشرفت روند بیماری سرطان دارای اهمیت نیستند، بلکه برخی از آن‌ها در این خصوص دارای نقش کلیدی بوده و باید به درستی شناسایی شوند.
در همین رابطه، گروهی از محققان به رهبری پژوهشگران اسپانیایی موفق به ابداع روشی بر مبنای «یادگیری ماشین» با عنوان BoostDM شده‌اند که قادر است سهم بالقوه جهش‌های احتمالی یک ژن را در یک نوع تومور مشخص کرده و برای توسعه و پیشرفت سرطان ارزیابی کند.
پیش‌ تر و در روش‌ هایی که در دسترس جامعه علمی و پزشکی بوده اند، محققان روشی را برای شناسایی آن دسته از ژن‌های مسئول شیوع و گسترش سرطان پیدا کرده بودند.به گزارش سیناپرس، اما سیستم BoostDM پا را فراتر گذاشته و هر جهش احتمالی درون هر ژن را برای نوع خاصی از سرطان شبیه سازی می‌کند و نشان می‌دهد کدام یک از آن‌ها در روند سرطان مهم هستند.
به گفته دانشمندان آزمایشگاه ژنومیکس زیست پزشکی اسپانیا، «این اطلاعات به ما کمک می‌کنند تا درک کنیم تومورها چگونه در سطح مولکولی ایجاد می‌شوند و همچنین چگونه می‌توان تصمیمات صحیح را در خصوص مناسب‌ترین روش درمانی شخصی سازی شده برای یک بیمار اتخاذ نمود».
طبق اظهارات این پزشکان، «سیستم BoostDM در حال حاضر با مشخصات جهش مربوط به 28000 ژنوم تجزیه و تحلیل شده از 66 نوع سرطان کار می‌کند، ضمن آن که دامنه این سیستم در نتیجه افزایش قابل پیش بینی ژنوم های سرطانی در دسترس عموم رشد خواهد کرد».
ابزاری که محققان فوق ایجاد کرده‌اند در حال حاضر 185 مدل مختلق را برای شناسایی جهش در ژن های خاص و سرطان های مشخص تولید کرده است.به گزارش سیناپرس، به عنوان مثال، یکی از مدل‌های این سیستم قادر است تمام جهش‌های احتمالی ژن EGFR را که باعث ایجاد تومور در برخی سرطان‌های ریه می‌شود، شناسایی کند. همچنین در این ابزار، مدل دیگری برای ژن مرتبط با گلیوبلاستوما که نوعی سرطان مغز است، ایجاد گردیده است.
محققان به کمک این مدل‌ها می‌توانند هر جهش احتمالی ژن سرطانی را در یک نوع بافت مورد تحقیق قرار داده و تعیین کنند که آیا این جهش در پیشرفت بیماری مهم است یا خیر. این فرایند در نهایت به تولید نقشه ای از جهش‌های کلیدی می‌انجامد که هم در تحقیقات سرطان و هم برای تولید داروهای شخصی سازی شده مهم هستند.
قابل ذکر است این یافته‌های ارزشمند که پیوند سیستم‌های هوش مصنوعی و یادگیری ماشین را با علم پزشکی سرطان نشان می‌دهند در نشریه قدیمی و معتبر Nature منتشر شده‌اند.