الذكاء الاصطناعي كلمة السر.. طريقة جديدة للتنبؤ بموعد مقاومة السرطان للعلاج الكيميائي

استخدم العلماء خوارزمية التعلم الآلي لمعالجة أحد أكبر التحديات التي تواجه الباحثين في مجال السرطان، وهي: التنبؤ بموعد مقاومة السرطان للعلاج الكيميائي.

الدراسة التي أجراها علماء في كلية الطب بجامعة كاليفورنيا في سان دييجو، نشرت في مجلة Cancer Discovery.

تعتمد جميع الخلايا، بما في ذلك الخلايا السرطانية، على الآلات الجزيئية المعقدة لتكرار الحمض النووي كجزء من الانقسام الطبيعي للخلايا، وفقا لما تم نشره في موقع ميديكال إكسبريس.

تعمل معظم العلاجات الكيميائية عن طريق تعطيل آلية تضاعف الحمض النووي في الخلايا السرطانية التي تنقسم بسرعة.

في حين يدرك العلماء أن التركيب الجيني للورم يؤثر بشكل كبير على استجابته للأدوية المحددة، فإن العدد الهائل من الطفرات الموجودة داخل الأورام جعل التنبؤ بمقاومة الأدوية احتمالا صعبا.

آلية عمل الخوارزمية الجديدة

تتغلب الخوارزمية الجديدة على هذا الحاجز من خلال استكشاف كيفية تأثير الطفرات الجينية العديدة بشكل جماعي على تفاعل الورم مع الأدوية التي تعيق تكرار الحمض النووي.

وعلى وجه التحديد، اختبروا نموذجهم على أورام سرطان عنق الرحم، ونجحوا في التنبؤ بالاستجابات للسيسبلاتين، أحد أدوية العلاج الكيميائي الأكثر شيوعًا.

كان النموذج قادرًا على تحديد الأورام الأكثر عرضة لمقاومة العلاج وكان قادرًا أيضًا على تحديد الكثير من الآلات الجزيئية الأساسية التي تحرك مقاومة العلاج.

وقال  تري. إيديكر، أستاذ في قسم الطب بجامعة كاليفورنيا في سان دييجو للطب: «كان الأطباء في السابق على علم بوجود عدد قليل من الطفرات الفردية المرتبطة بمقاومة العلاج، ولكن هذه الطفرات المعزولة تميل إلى الافتقار إلى قيمة تنبؤية كبيرة، والسبب هو أن عددًا أكبر بكثير من الطفرات يمكن أن يشكل استجابة علاج الورم مما كان متوقعًا سابقًا».

وأضاف: «الذكاء الاصطناعي يسد هذه الفجوة في فهمنا، مما يمكننا من تحليل مجموعة معقدة من آلاف الطفرات في وقت واحد».

أحد التحديات التي تواجه فهم كيفية استجابة الأورام للأدوية هو التعقيد المتأصل في تكرار الحمض النووي، وهي الآلية التي تستهدفها العديد من أدوية السرطان.

وأشار إيديكر إلى أن «مئات البروتينات تعمل معًا في ترتيبات معقدة لتكرار الحمض النووي، ويمكن للطفرات في أي جزء من هذا النظام أن تغير كيفية استجابة الورم بأكمله للعلاج الكيميائي».

ركز الباحثون على المجموعة القياسية المكونة من 718 جينًا شائعة الاستخدام في الاختبارات الجينية السريرية لتصنيف السرطان، باستخدام الطفرات داخل هذه الجينات كمدخل أولي لنموذج التعلم الآلي الخاص بهم، وبعد تدريبه باستخدام بيانات الاستجابة للأدوية التي يمكن الوصول إليها بشكل عام، حدد النموذج 41 مجموعة جزيئية - مجموعات من البروتينات المتعاونة - حيث تؤثر التغيرات الجينية على فعالية الدواء.

قال إيديكر: «السرطان مرض قائم على الشبكة ويحركه العديد من المكونات المترابطة، لكن نماذج التعلم الآلي السابقة للتنبؤ بمقاومة العلاج لا تعكس ذلك دائمًا، وبدلًا من التركيز على جين أو بروتين واحد، يقوم نموذجنا بتقييم الشبكات البيوكيميائية الأوسع والحيوية لبقاء السرطان».

وبعد تدريب نموذجهم، قام الباحثون باختباره في سرطان عنق الرحم، حيث يستمر ما يقرب من 35% من الأورام بعد العلاج.

كان النموذج قادرًا على التحديد الدقيق للأورام التي كانت عرضة للعلاج، والتي ارتبطت بتحسن نتائج المرضى.

كما حدد النموذج بشكل فعال الأورام التي من المحتمل أن تقاوم العلاج.

علاوة على ذلك، وبعيدًا عن التنبؤ باستجابات العلاج، ساعد النموذج في تسليط الضوء على عملية اتخاذ القرار من خلال تحديد تجمعات البروتين التي تحرك مقاومة العلاج في سرطان عنق الرحم.

يؤكد الباحثون على أن هذا الجانب من النموذج - القدرة على تفسير منطقه - هو المفتاح لنجاح النموذج وأيضًا لبناء أنظمة ذكاء اصطناعي جديرة بالثقة.

وقال إيديكر: «إن الكشف عن عملية صنع القرار في نموذج الذكاء الاصطناعي أمر بالغ الأهمية، وفي بعض الأحيان لا يقل أهمية عن التنبؤ نفسه».

وأضاف: «إن شفافية نموذجنا هي إحدى نقاط قوته، أولا لأنها تبني الثقة في النموذج، وثانيا لأن كل من هذه التجمعات الجزيئية التي حددناها تصبح هدفا جديدا محتملا للعلاج الكيميائي، نحن متفائلون بأن نموذجنا سيكون له تطبيقات واسعة النطاق ليس فقط في تعزيز علاج السرطان الحالي، ولكن أيضًا في ريادة علاجات جديدة».