أعلنت شركة جوجل عن DeepSomatic، وهي أداة ذكاء اصطناعي يمكنها تحديد الطفرات المرتبطة بالسرطان في التسلسل الجيني للورم بشكل أكثر دقة.
يبدأ السرطان عندما تتعطل الضوابط التي تحكم انقسام الخلايا. يعد العثور على الطفرات الجينية المحددة التي تدفع نمو الورم أمرًا ضروريًا لوضع خطط علاج فعالة. يقوم الأطباء الآن بانتظام بتسلسل جينومات الخلايا السرطانية من الخزعات لتوجيه العلاجات التي يمكن أن تستهدف كيفية نمو وانتشار سرطان معين.
يقدم هذا العمل، المنشور في مجلة Nature Biotechnology، أداة تستخدم الشبكات العصبية التلافيفية لتحديد المتغيرات الجينية في الخلايا السرطانية بدقة أكبر من الطرق الحالية. لقد أتاحت Google كلاً من DeepSomatic ومجموعة بيانات التدريب عالية الجودة التي تم إنشاؤها لها بشكل مفتوح.
التحدي المتمثل في المتغيرات الجسدية
علم الوراثة السرطاني معقد. في حين أن تسلسل الجينوم يكشف عن اختلافات وراثية في السرطان، فإن التمييز بين المتغيرات الحقيقية وأخطاء التسلسل أمر صعب، حيث يمكن لأداة الذكاء الاصطناعي أن تقدم مساعدة مرحب بها. معظم أنواع السرطان تكون مدفوعة بمتغيرات “جسدية” مكتسبة بعد الولادة بدلاً من متغيرات “السلالة الجرثومية” الموروثة من الوالدين.
تحدث الطفرات الجسدية عندما تؤدي العوامل البيئية مثل الأشعة فوق البنفسجية إلى إتلاف الحمض النووي، أو عندما تحدث أخطاء عشوائية أثناء تكرار الحمض النووي. عندما تغير هذه المتغيرات سلوك الخلية الطبيعي، فإنها يمكن أن تسبب تكاثرًا غير منضبط، مما يؤدي إلى تطور السرطان وتطوره.
يعد تحديد المتغيرات الجسدية أصعب من العثور على المتغيرات الموروثة، لأنها يمكن أن توجد بترددات منخفضة داخل الخلايا السرطانية، وأحيانًا بمعدلات أقل من معدل خطأ التسلسل نفسه.
كيف يعمل DeepSomatic
في البيئات السريرية، يقوم العلماء بتسلسل الخلايا السرطانية من الخزعة والخلايا الطبيعية من المريض. يكتشف DeepSomatic الاختلافات، ويحدد الاختلافات في الخلايا السرطانية غير الموروثة. تكشف هذه الاختلافات ما الذي يغذي نمو الورم.
يقوم النموذج بتحويل بيانات التسلسل الجيني الخام من كل من عينات الورم والعينات الطبيعية إلى صور تمثل نقاط بيانات مختلفة، بما في ذلك بيانات التسلسل ومواءمتها على طول الكروموسوم. تقوم شبكة عصبية تلافيفية بتحليل هذه الصور للتمييز بين الجينوم المرجعي القياسي، والمتغيرات الموروثة الطبيعية للفرد، والمتغيرات الجسدية المسببة للسرطان مع تصفية أخطاء التسلسل. الإخراج هو قائمة الطفرات المرتبطة بالسرطان.
يمكن أن يعمل DeepSomatic أيضًا في وضع “الورم فقط” عندما لا تتوفر عينات من الخلايا الطبيعية، وهو ما يحدث كثيرًا مع سرطانات الدم مثل سرطان الدم. وهذا يجعل الأداة قابلة للتطبيق عبر العديد من السيناريوهات البحثية والسريرية.
تدريب أداة أكثر دقة لأبحاث السرطان بالذكاء الاصطناعي
يتطلب تدريب نموذج دقيق للذكاء الاصطناعي بيانات عالية الجودة. بالنسبة لأداة الذكاء الاصطناعي الخاصة بها، أنشأت جوجل وشركاؤها في معهد جامعة كاليفورنيا في سانتا كروز لعلم الجينوم والمعهد الوطني للسرطان مجموعة بيانات مرجعية تسمى CASTLE. وقاموا بتسلسل الخلايا السرطانية والخلايا الطبيعية من أربع عينات من سرطان الثدي وعينتين من سرطان الرئة.
وقد تم تحليل هذه العينات باستخدام ثلاث منصات تسلسلية رائدة لإنشاء مجموعة بيانات مرجعية واحدة ودقيقة من خلال الجمع بين المخرجات وإزالة الأخطاء الخاصة بالمنصة. وتظهر البيانات كيف يمكن أن يكون لنفس نوع السرطان بصمات طفرية مختلفة إلى حد كبير، وهي معلومات يمكن أن تساعد في التنبؤ باستجابة المريض لعلاجات محددة.
كان أداء نماذج DeepSomatic أفضل من الأساليب الأخرى المعمول بها عبر جميع منصات التسلسل الرئيسية الثلاثة. برعت الأداة في تحديد الطفرات المعقدة التي تسمى عمليات الإدراج والحذف، أو “Indels”. بالنسبة لهذه المتغيرات، حققت DeepSomatic درجة F1 بنسبة 90% في بيانات تسلسل Illumina، مقارنة بـ 80% للطريقة التالية الأفضل. وكان التحسن أكثر دراماتيكية في بيانات Pacific Biosciences، حيث سجلت DeepSomatic أكثر من 80% بينما سجلت الأداة التالية الأفضل أقل من 50%.
كان أداء الذكاء الاصطناعي جيدًا عند تحليل العينات الصعبة. شمل الاختبار عينة من سرطان الثدي محفوظة باستخدام مادة الفورمالين الثابتة البارافين (FFPE)، وهي طريقة شائعة يمكن أن تؤدي إلى تلف الحمض النووي وتعقيد التحليل. تم اختباره أيضًا على بيانات من تسلسل الإكسوم الكامل (WES)، وهي طريقة أقل تكلفة تقوم بتسلسل 1٪ فقط من ترميز الجينوم للبروتينات. في كلا السيناريوهين، تفوقت DeepSomatic على الأدوات الأخرى، مما يشير إلى فائدتها في تحليل العينات ذات الجودة المنخفضة أو التاريخية.
أداة الذكاء الاصطناعي لجميع أنواع السرطان
أظهرت أداة الذكاء الاصطناعي أنها تستطيع تطبيق ما تعلمته على أنواع جديدة من السرطان لم يتم تدريبها عليها. عند استخدامه لتحليل عينة من الورم الأرومي الدبقي، وهو سرطان دماغي عدواني، نجح في تحديد المتغيرات القليلة المعروفة بأنها تسبب المرض. وفي شراكة مع منظمة Children’s Mercy في مدينة كانساس سيتي، قامت بتحليل ثماني عينات من سرطان الدم لدى الأطفال، ووجدت المتغيرات المعروفة سابقًا، بينما حددت 10 متغيرات جديدة، على الرغم من العمل مع عينات الأورام فقط.
وتأمل جوجل أن تتبنى مختبرات الأبحاث والأطباء هذه الأداة لفهم الأورام الفردية بشكل أفضل. ومن خلال الكشف عن متغيرات السرطان المعروفة، يمكن أن يساعد في توجيه خيارات العلاجات الحالية. ومن خلال تحديد أنواع جديدة، يمكن أن يؤدي إلى علاجات جديدة. الهدف هو تطوير الطب الدقيق وتقديم علاجات أكثر فعالية للمرضى.
أنظر أيضا: تعمل MHRA على تسريع الموجة التالية من أدوات الذكاء الاصطناعي لرعاية المرضى
هل تريد معرفة المزيد عن الذكاء الاصطناعي والبيانات الضخمة من قادة الصناعة؟ اطلع على معرض الذكاء الاصطناعي والبيانات الضخمة الذي يقام في أمستردام وكاليفورنيا ولندن. يعد هذا الحدث الشامل جزءًا من TechEx ويقام في مكان مشترك مع أحداث تكنولوجية رائدة أخرى بما في ذلك معرض الأمن السيبراني، انقر هنا لمزيد من المعلومات.
يتم تشغيل AI News بواسطة TechForge Media. استكشف الأحداث والندوات عبر الإنترنت الأخرى المتعلقة بتكنولوجيا المؤسسات هنا.