به گزارش ایسنا و به نقل از فیز، پژوهشگران "دانشگاه پرینستون" (Princeton University) آمریکا سعی دارند با تحلیل الگوهای مولکولی صدها بیماری به کمک یادگیری ماشینی، به بینش‌های جدیدی در مورد دلایل بروز و ویژگی‌های بیماری‌ها دست یابند. آنها قصد دارند در بررسی خود، از سیستم جدیدی استفاده کنند که در حال حاضر در سرتاسر جهان در دسترس است.
در حالی که تمرکز روش‌های قدیمی، بر ژن‌های مرتبط با بیماری‌های خاصی بود، این روش جدید از یادگیری ماشینی برای یافتن الگوهای منحصربه‌فرد فعالیت ژن استفاده می‌کند. پژوهشگران در این روش، بیش از ۳۰۰ نوع بیماری متفاوت از جمله انواع سرطان، بیماری قلبی، اختلالات متابولیک و بیماری‌های دیگر را به صورت همزمان تحت بررسی قرار دادند.
پژوهشگران باور دارند که این سیستم با پیشرفت بیشتر می‌تواند به پزشکان در تشخیص بهتر بیماری، تنظیم و دنبال کردن اثر درمان‌ها و یافتن روش‌های درمانی جدید کمک کند.
پژوهشگران قصد دارند این سیستم موسوم به "URSA"، را برای دریافت اطلاعاتی درباره فعالیت ژن‌های موجود در بافت‌های سالم و بیمار به کار بگیرند. آنها برای این کار، هشت هزار نمونه گوناگون به ست آمده طی فرآیند بافت‌برداری را مور بررسی قرار خواهند داد. ممکن است پژوهشگران با استفاده از این سیستم، بتوانند نمونه‌های جدیدی را به ثبت برسانند و تحلیلی مرتبط به بیماری‌ها و بافت‌های متفاوت دریافت کنند. آنها برای تأیید یافته‌های به دست آمده، آزمایش‌هایی روی سلول‌های انسان انجام دادند و فعالیت ژن‌ها و اثر آنها را بر فرآیندهای مربوط به سرطان بررسی کردند.
"چاندرا تیسفلد" (Chandra Theesfeld)، سرپرست این پروژه گفت: نوآوری واقعی، مقایسه نمونه‌ها با یکدیگر است. بررسی همه نمونه‌ها در کنار هم، می‌تواند راهی برای تشخیص جنبه‌های منحصربه‌فرد ارائه دهد. با این روش می‌توان به نکات جدیدی در مورد بیماری دست یافت و راه‌های جدیدی برای درمان آن کشف کرد.
وی افزود: روش ما، مبتنی بر اطلاعاتی است که از نمونه‌های بافت بیمار به دست آمده‌اند؛ در نتیجه براساس ژن‌هایی که همیشه مورد بررسی بوده‌اند صورت نمی‌گیرد. ما با کمک این ابزار می‌توانیم الگوی تغییر داده‌ها را به سادگی ردیابی کنیم.
به گفته تیسفلد، ۹۰ درصد ژن‌های مورد بررسی، تنها ۱۰ درصد ژن‌های انسان را مطالعه کرده‌اند اما این ابزار جدید می‌تواند بقیه ژنوم‌های انسان را بررسی کند و یک مدل گسترده از بیماری را بر مبنای ژنوم شکل دهد.
از این روش می‌توان برای بررسی بیماری‌های نادر نیز استفاده کرد و پژوهشگران در نظر دارند مدلی از نمونه‌های مورد نیاز ابداع کنند.
تیسفلد ادامه داد: شاید یادگیری ماشینی بتواند امکان رمزگشایی بیماری‌های نادر و پیچیده‌ای مانند سرطان را برای پزشکان فراهم کند.
این پژوهش، در مجله " Cell Systems" به چاپ رسید.
منبع: ایسنا