مدل‌های یادگیری ماشینی توانسته‌اند راهکارهای درمان سرطان را کشف کنند.

یک مقاله تحقیقاتی جدید با عنوان «پیش‌بینی پاسخ ایمنی درمانی سرطان از میکروبیوم‌های روده با استفاده از مدل‌های یادگیری ماشین» در ۱۹ ژوئیه ۲۰۲۲ منتشر شد. 

در دهه گذشته، استفاده از ایمونوتراپی سرطان با هدف قرار دادن مهارکننده‌های ایست بازرسی ایمنی (ICIs) برای افزایش پاکسازی سلول‌های سرطانی با واسطه سلول T، بقای بیماران سرطانی را به‌طور قابل‌توجهی بهبود بخشیده است.

ایمونوتراپی سرطان به طور قابل توجه بقای بیمار را بهبود بخشیده است. با این حال، نیمی از بیماران به ایمونوتراپی پاسخ نمی‌دهند. میکروبیوم‌های روده با پاسخ‌دهی بالینی بیماران ملانوما تحت درمان‌های ایمنی مرتبط است. با این حال،گونه‌های مختلف با وضعیت پاسخ با گونه‌های دخیل ناسازگار بین مطالعات همراه شده است.
دانشگاه پیتسبورگ به همراه برخی محققان و موسسات علمی، از یک رویکرد تومور آگنوستیک برای یافتن ویژگی‌های رایج پاسخ میکروبیوم روده در بین بیماران ایمونوتراپی با سرطان‌های مختلف در مراحل پیشرفته استفاده کردند.
ما با استفاده از مجموعه داده ترکیبی، مدل‌هایی را با الگوریتم‌های یادگیری ماشینی برای پیش‌بینی پاسخ‌های بالینی بیماران آموزش دادیم و اعتبارسنجی کردیم و سپس با استفاده داده‌های توالی یابی، اعتبارسنجی پلت فرم متقابل توالی‌سازی انجام شد.

یک متاآنالیز ترکیبی از داده‌های توالی‌یابی ژن ۱۶S rRNA از یک گروه تومور مختلط و سه مجموعه داده میکروبیوم روده ایمونوتراپی منتشر شده از گروه‌های مختلف بیماران ملانوما نشان داد که گونه‌های باکتریایی معینی بدون توجه به نوع تومور با وضعیت پاسخ ایمونوتراپی مرتبط هستند.

با استفاده از تجزیه و تحلیل چند متغیره، محققان دو گروه جداگانه از جنس‌های باکتریایی مرتبط با پاسخ دهندگان در مقابل غیر پاسخ دهندگان را شناسایی کردند.
مدل‌های آماری ویژگی‌های جامعه میکروبیوم روده، دقت پیش‌بینی قوی پاسخ ایمونوتراپی را در مجموعه داده‌های توالی آمپلیکون و در اعتبارسنجی پلتفرم توالی متقابل با مجموعه داده‌های متاژنومی نشان داد.

نتایج نشان می‌دهد که ویژگی‌های اولیه میکروبیوم روده ممکن است پیامد‌های بالینی در بیماران سرطان‌شناسی تحت درمان‌های ایمنی را پیش‌بینی کند و برخی از این ویژگی‌ها ممکن است در انواع مختلف تومور، گروه‌های بیمار و پلتفرم‌های توالی‌یابی قابل تعمیم باشند.

یافته‌ها نشان می‌دهند که چگونه مدل‌های یادگیری ماشینی می‌توانند تعاملات میکروبیوم-ایمونوتراپی را نشان دهند که ممکن است در نهایت نتایج بیماران سرطانی را بهبود بخشد.

در نتیجه، تجزیه و تحلیل گروه ما و مجموعه داده‌های میکروبیوم ترکیبی، یک ارزیابی قوی از میکروبیوم‌های روده بیماران ایمونوتراپی ارائه کرده است.

توسعه مدل‌های قابل اعتماد فرصت بیشتری برای تشخیص و پیش بینی پاسخ دهندگان ایمونوتراپی از غیر پاسخ دهندگان فراهم می‌کند.

در نهایت، این تحقیق به شناسایی نشانگر‌های زیستی میکروبی یا اهداف درمانی جدید برای بهبود نتایج ایمونوتراپی و بقای بیماران سرطانی کمک خواهد کرد.

منبع: سایت مدیکال نیوز

اخبار پیشنهادی
تبادل نظر
آدرس ایمیل خود را با فرمت مناسب وارد نمایید.