هوش مصنوعی به جنگ تومورهای سرطانی می رود

به گزارش خبرگزاری مهر به نقل از فیز، یک تومور فراتر از سلول های سرطانی است. سلول های ایمنی، رگ های خونی و بافت اطراف روی شیوه رشد سرطان و واکنش آن به درمان تاثیر می گذارند. دو تومور حاوی یک نوع سلول، ممکن است به یک درمان با توجه به ساختار جزئیات مولکولی شان پاسخ متفاوتی بدهند. پروتئومیکس فضایی (Spatial proteomics) این سازه را با دقت مولکولی ثبت می کند اما داده های به دست آمده که حاوی متغیرهای مختلفی هستند را به سختی می توان تعبیر و در مطالعات مختلف تفسیر کرد.

شارلوت بان از دانشکده علوم ارتباطات و رایانه EPFL بافت های مجازی(Virtual Tissues)، مدل بنیادی برای زیست شناسی بافت را توسعه داده است. این مدل از داده های پروتئومیکس فضایی تحقیقات مختلف و انواع سرطان می آموزد و می توان آن را برای بررسی زیست شناختی در مقیاس های مختلف از سلول های مجزا گرفته تا بخشی از یک بافت و نتایج روی بیمار به کار برد.

بان در این باره می گوید: کدام سلول ها نقش دارند. ما همچنین باید بدانیم این سلول ها در کجا قرار دارند و چگونه تعامل می کنند. پاسخ به این سوالات درباره بسیاری از بیماران علاوه بر یک چالش محاسبه ای، مشکلی زیست شناختی نیز به شمار می رود.

آندرئاس ویکی از پژوهشگران فعال در این تحقیق می گوید: طی سال های اخیر در آنکولوژی مقدار داده ای که از تحلیل بافت تولید می شود به میزان قابل توجهی افزایش یافته است. مدل‌سازی محاسباتی، ابزاری کلیدی برای تبدیل این فناوری به چیزی قابل‌استفاده و کاربردی برای بیماران در محیط بالینی است.

از آنجا که VirTues را می توان در پروتئین هایی که در تحقیقات مختلف ، انواع سرطان ها، پنل ها به کار برد، هرگونه نمونه بافت جدید را می توان در همین چارچوب مقایسه و تحلیل کرد. هر پژوهش جدید براین اساس ساخته می شود و آموخته های مدل را گسترش می دهد.

داده های مربوط به بافت می توانند سوالات زیست شناختی و بالینی مختلفی را پاسخ دهند اما پیشرفته ترین مدل های محاسباتی برای انجام یک وظیفه در زمان واحد طراحی شده اند. از سوی دیگر، VirTues از منطق مدل‌های بنیادی (Foundation Models) که در حوزه زبان استفاده می‌شوند پیروی می‌کند. این مدل به‌جای اینکه برای یک وظیفه مشخص و از پیش تعیین‌شده آموزش ببیند، به‌صورت گسترده آموزش داده می‌شود. همچنین به‌جای یادگیری روابط میان کلمات، روابط میان پروتئین‌ها، سلول‌ها و زمینه مکانیِ آن‌ها را یاد می‌گیرد و یک بازنمایی مشترک ایجاد می‌کند که می‌توان از آن برای انجام تحلیل‌های مختلف استفاده کرد.