افزایش دقت پیشبینی مقاومت دارویی سرطان با هوش مصنوعی
پژوهشگران در یک مقاله مروری جامع که بهتازگی در نشریه «فارماکولوژی مولکولی نوین» (Current Molecular Pharmacology) (سال ۲۰۲۶، جلد ۱۹، صفحات ۸۵ تا ۹۶) منتشر شده است، تازهترین پیشرفتها در حوزه ابزارهای محاسباتی برای پیشبینی مقاومت تومورها در برابر داروهای ضدسرطان را بررسی کردهاند.
به گزارش مدرن مد به نقل از news-medical، این مطالعه که به سرپرستی «جیا وانگ» و «هونگروی ژو» و با مسئولیت علمی «ژیچون گو» و «هووِن لین» از دانشکده پزشکی دانشگاه شانگهای جیاتونگ انجام شده، نشان میدهد که هوش مصنوعی، بهویژه روشهای یادگیری ماشین و یادگیری عمیق، نقش فزایندهای در تحلیل دادههای چندلایه زیستی (Multi-omics) ایفا میکند.
به گفته پژوهشگران، این فناوری با بهرهگیری از پایگاههای داده گستردهای مانند TCGA و GDSC، امکان شناسایی سازوکارهای مقاومت دارویی در انواع روشهای درمانی از جمله شیمیدرمانی، درمانهای هدفمند و ایمنیدرمانی را فراهم کرده است. همچنین، این رویکرد میتواند ابعاد جدیدی مانند ارتباط لختهشدن خون ناشی از سرطان با مقاومت دارویی را نیز پیشبینی کند.
نویسندگان تأکید کردهاند که استفاده از پایگاههای داده استاندارد و فرایندهای پیشرفته پیشپردازش، برای تبدیل دادههای ناهمگون ژنومی، رونویسی و بالینی به ورودیهای قابل اعتماد مدلهای هوش مصنوعی ضروری است. با این حال، چالشهایی مانند کمبود داده، اختلاف میان مجموعههای داده (Batch Effect) و ماهیت «جعبه سیاه» بسیاری از مدلهای یادگیری عمیق، همچنان مانعی جدی برای بهکارگیری بالینی این فناوری محسوب میشود.
دکتر ژیچون گو در این باره میگوید: «توازن دشوار میان دقت مدل و قابلیت تفسیر نتایج، اعتماد پزشکان را کاهش داده و استفاده عملی از این فناوری را محدود میکند.»
این مقاله پیشنهاد میکند که توسعه سامانههای هوش مصنوعی قابلتوضیح (Explainable AI)، ترکیب دادههای چندوجهی و استفاده از پایش پویا از طریق نمونهبرداری مایع (Liquid Biopsy)، میتواند روند تکامل مقاومت دارویی را بهصورت لحظهای رصد کرده و دقت پیشبینیها را افزایش دهد.
پژوهشگران همچنین خواستار تغییر رویکرد به سمت طراحی ابزارهای تخصصی برای بیماران پرخطر، بهویژه مبتلایان به سرطان همراه با ترومبوز (لختهشدن خون)، شدهاند. به اعتقاد آنان، ادغام نشانگرهای مرتبط با انعقاد خون و دادههای طولی مربوط به ترومبوز در مدلهای نسل آینده، میتواند پیشبینیهای کاربردیتری برای هدایت همزمان درمانهای ضدسرطان و ضدانعقاد ارائه دهد.
در پایان، نویسندگان بر ضرورت تدوین استانداردهای یکپارچه داده، انجام مطالعات بالینی آیندهنگر و گسترش همکاریهای میانرشتهای تأکید کردهاند تا فاصله میان نوآوریهای محاسباتی و کاربرد بالینی کاهش یابد. به گفته پروفسور هووِن لین، «هدف ما عبور از پیشبینیهای کلی و ارائه راهکارهای شخصیسازیشده برای بیمارانی است که بیش از همه به آن نیاز دارند.»
این مقاله نتیجه میگیرد که با ادامه پیشرفت در زمینه یکپارچهسازی دادهها، افزایش شفافیت مدلهای هوش مصنوعی و اعتبارسنجی بالینی، پیشبینی مقاومت دارویی مبتنی بر هوش مصنوعی میتواند تحول بزرگی در پزشکی دقیق و درمان سرطان ایجاد کند.
