منشورات جديدة
الذكاء الاصطناعي يتنبأ بالاستجابة لعلاج السرطان بناءً على بيانات كل خلية سرطانية
آخر مراجعة: 02.07.2025

تتم مراجعة جميع محتويات iLive طبياً أو التحقق من حقيقة الأمر لضمان أكبر قدر ممكن من الدقة الواقعية.
لدينا إرشادات صارمة من مصادرنا ونربط فقط بمواقع الوسائط ذات السمعة الطيبة ، ومؤسسات البحوث الأكاديمية ، وطبياً ، كلما أمكن ذلك استعراض الأقران الدراسات. لاحظ أن الأرقام الموجودة بين قوسين ([1] و [2] وما إلى ذلك) هي روابط قابلة للنقر على هذه الدراسات.
إذا كنت تشعر أن أيًا من المحتوى لدينا غير دقيق أو قديم. خلاف ذلك مشكوك فيه ، يرجى تحديده واضغط على Ctrl + Enter.

مع وجود أكثر من 200 نوع من السرطان، ولكل حالة حالة فريدة، لا تزال الجهود المبذولة لتطوير علاجات دقيقة للسرطان تُمثل تحديًا. وينصب التركيز على تطوير اختبارات جينية لتحديد الطفرات في الجينات المُسببة للسرطان، وتصميم علاجات مُخصصة لاستهداف هذه الطفرات.
مع ذلك، لا يستفيد الكثير من مرضى السرطان، إن لم يكن معظمهم، بشكل ملحوظ من هذه العلاجات المُستهدفة المبكرة. في دراسة جديدة نُشرت في مجلة Nature Cancer ، وصف المؤلف الرئيسي الدكتور سانجو سينها، الأستاذ المساعد في برنامج العلاج الجزيئي للسرطان في مستشفى سانفورد بورنهام بريبيس، إلى جانب المؤلفين الرئيسيين الدكتور إيتان روبين، والدكتور أليخاندرو شافر، من المعهد الوطني للسرطان، التابع للمعاهد الوطنية للصحة، وزملاؤه، نظامًا حاسوبيًا فريدًا للتنبؤ المنهجي بكيفية استجابة المرضى لأدوية السرطان على مستوى الخلية الواحدة.
يُطلق على هذا النهج الجديد المدعوم بالذكاء الاصطناعي اسم "تخطيط علاج الأورام الشخصي القائم على التعبير بمبدأ الخلية الواحدة (الإدراك)،" وهو يتعمق في علم النسخ - دراسة عوامل النسخ وجزيئات mRNA التي يتم التعبير عنها بواسطة الجينات وترجمة معلومات الحمض النووي إلى عمل.
الأورام كائنات حية معقدة ومتغيرة باستمرار. استخدام دقة الخلية الواحدة يُمكّننا من مواجهة كلا التحديين، كما يقول سينها. "يُمكّننا الإدراك من استخدام المعلومات الغنية من أوميكسات الخلية الواحدة لفهم البنية الاستنساخية للورم ومراقبة ظهور المقاومة." (في علم الأحياء، يُشير مصطلح أوميكسات إلى مجموع الأجزاء داخل الخلية).
يقول سينها: "إن القدرة على رصد ظهور المقاومة هي الجزء الأكثر إثارة للاهتمام بالنسبة لي. فهي قادرة على تمكيننا من التكيف مع تطور الخلايا السرطانية، بل وحتى تغيير استراتيجية علاجنا".
استخدم سينها وزملاؤه التعلم الانتقالي، وهو فرع من الذكاء الاصطناعي، لإنشاء الإدراك.
يوضح سينها: "كانت بيانات الخلية الواحدة المحدودة من العيادات هي التحدي الرئيسي الذي واجهناه. تحتاج نماذج الذكاء الاصطناعي إلى كميات هائلة من البيانات لفهم الأمراض، تمامًا كما يحتاج ChatGPT إلى كميات هائلة من البيانات النصية من الإنترنت".
يستخدم برنامج PERCEPTION بيانات التعبير الجيني المنشورة من الأورام لتدريب نماذجه مسبقًا. ثم استُخدمت بيانات الخلايا الفردية من سلالات الخلايا والمرضى، وإن كانت محدودة، لضبط النماذج.
تم التحقق بنجاح من فعالية PERCEPTION في التنبؤ باستجابة العلاج الأحادي والعلاج المركب في ثلاث تجارب سريرية مستقلة نُشرت مؤخرًا، شملت الورم النقوي المتعدد، وسرطان الثدي، وسرطان الرئة. في كل حالة، صنّف PERCEPTION المرضى بدقة إلى مستجيبين وغير مستجيبين. وفي سرطان الرئة، رصد حتى تطور مقاومة الأدوية مع تقدم المرض، وهي نتيجة مهمة ذات إمكانات كبيرة.
يقول سينها إن تقنية "بيرسبشن" ليست جاهزة للاستخدام السريري بعد، لكن هذا النهج يُظهر إمكانية استخدام المعلومات على مستوى الخلايا الفردية لتوجيه العلاج. ويأمل في تشجيع اعتماد هذه التقنية في العيادات لتوليد المزيد من البيانات التي يمكن استخدامها لتطوير وتحسين هذه التقنية للاستخدام السريري.
يقول سينها: "تتحسن جودة التنبؤ بتحسن جودة وكمية البيانات التي يعتمد عليها. هدفنا هو ابتكار أداة سريرية يمكنها التنبؤ باستجابة مرضى السرطان للعلاج بشكل منهجي ومستند إلى البيانات. نأمل أن تُحفّز هذه النتائج المزيد من البيانات والدراسات المماثلة في المستقبل القريب".