أمل جديد لمرضى السرطان قد يحسن نتائج البقاء على قيد الحياة
يستخدم باحثون نماذج مخصصة لفك شفرة سلوك السرطان لدى المرضى الأفراد، مما يكشف عن الأنواع الفرعية المخفية، ويحسن توقعات البقاء على قيد الحياة، ويرسم مسارًا جديدًا للطب الدقيق.
حتى مع إمكانية الوصول إلى البيانات المتطورة - والتي قد تصل في بعض الأحيان إلى تفاصيل الجينوم الكامل للمريض - فإن الأطباء غالباً ما يفتقرون إلى الرؤية اللازمة لاتخاذ أفضل خيارات العلاج.
لا يزال تحديد كيفية تأثير مرض ما على مريض معين أحد أصعب تحديات الطب.
وقد طوّر الباحثون طريقة جديدة لمساعدة الأطباء على اتخاذ قرارات أفضل وأكثر ملاءمةً لحالتهم، والتنبؤ بكيفية تطور المرض أو العلاج مستقبلًا.
قام باحثون من كلية علوم الكمبيوتر بجامعة كارنيجي ميلون بتطوير نهج جديد لسد هذه الفجوة بين البيانات المتاحة والرؤى القابلة للتنفيذ، من خلال إنشاء نماذج مخصصة لمساعدة الأطباء على فهم المرضى بشكل أفضل وتحسين تشخيصهم.
نشر الباحثون عملهم في وقائع الأكاديمية الوطنية للعلوم .
قدّم الفريق النمذجة السياقية، وهي مجموعة من أساليب التعلم الآلي فائقة التخصيص، لبناء نماذج شبكات جينية مُخصصة لنحو 8000 ورم من 25 نوعًا من السرطان في آنٍ واحد.
ساعدت هذه الشبكات في تحديد بيولوجيا سرطانية جديدة، وكشفت عن أنواع فرعية خفية من السرطان، وحسّنت توقعات البقاء على قيد الحياة، وخاصةً بالنسبة للسرطانات النادرة.
يفتح هذا التطور الباب أمام علاج أكثر دقةً وشخصيةً للسرطان.
نماذج السرطان الشخصية
يُبنى نموذج مُصمم خصيصًا ليناسب حالة بيولوجية أو طبية محددة، مع مراعاة تفاصيل المريض الفريدة، مثل الطفرات الجينية وخصائص الورم ونمط الحياة.
يساعد هذا النموذج الأطباء والباحثين على اتخاذ قرارات بناءً على الظروف الأكثر أهمية لكل حالة على حدة، ويتيح لهم إنشاء نماذج جديدة لسياقات غير مرئية، تُحاكي تطورات الأمراض أو علاجاتها المستقبلية.
عمل الباحثون على وضع الأساس للنماذج السياقية لسنوات، ولكن هذا البحث هو أكبر دراسة قاموا بها.
قال الباحثون إن إحدى المشكلات الرئيسية في علم الأحياء والطب هي أن معظم أساليب النمذجة تتطلب عددًا كبيرًا من المرضى لإنتاج نموذج واحد، وهذا يعني أن الباحثين لا يستطيعون سوى مراعاة عوامل قليلة عند تنظيم المرضى في مجموعات للدراسة، وإلا فإنهم يخاطرون بإنتاج نماذج غير دقيقة إذا أصبحت المجموعات دقيقة للغاية.
وأضاف: "هذه مشكلة كبيرة لأنها تجمع العديد من المرضى معًا في مجموعات كبيرة، على الرغم من أننا نعلم أن الأمراض والعلاجات يمكن أن تعمل بشكل مختلف جدًا في الأشخاص المختلفين، وخاصة بالنسبة للأمراض المعقدة مثل السرطان ومرض الزهايمر والسكري".
يؤدي هذا إلى جدالات حادة حول العوامل الأكثر أهمية لتصنيف المرضى، والنتيجة هي نموذج لا يعمل بكفاءة على أي حال، لأنه لا يعترف بالعديد من الاختلافات بين الأفراد، وهذا أمر سيئ للباحثين والأطباء والمرضى على حد سواء.
وأوضح الباحثون أن النماذج السياقية تعمل على حل هذه المشكلة من خلال تجاوز التحليلات القائمة على المجموعة، وتعلم كيفية توليد نماذج فردية تعتمد على الملف الشخصي الفريد لكل مريض أو سياقه، وقالوا إن هذا يسمح لنا بدراسة آلاف العوامل السياقية في آنٍ واحد، حتى في سياقات معقدة مثل علم الوراثة، لأن النماذج السياقية تتعلم أيها مهم للتمييز بين المرضى وفهم الأمراض، وأيها غير مهم.
أثبت الفريق فعالية نموذجهم السياقي بتطبيقه على سرطان الغدة الدرقية، وهو سرطان معروف بارتفاع معدلات النجاة منه.
ونظرًا لأن تشخيص سرطان الغدة الدرقية عادةً ما يكون جيدًا، فقد لا يحظى بدراسة كافية، وقد تُخفي معدلات النجاة الإجمالية أنواعًا نادرة ذات نتائج أسوأ، وفقًا للباحثين.
ومن خلال تطبيق الشبكات السياقية للتنبؤ بنماذج الأورام الخاصة بكل مريض لسرطان الغدة الدرقية، تمكن الباحثون من تحديد نوع جديد من المرض ذو تشخيص أسوأ، ويأملون أن يلهم ذلك علاجات جديدة.
