کشف سریع سرطان با مدلی جدید از هوش مصنوعی

به گزارش گروه علم و آموزش ایرنا از سای تک دیلی، این مدل هوش مصنوعی عملکرد بهتری از روش‌های نیمه‌دستی موجود در زمینه سرعت و دقت شناسایی وضعیت‌های غیرعادی دارد. طیف‌سنجی گسترده می‌تواند برای اندازه‌گیری «گلیکان» (ساختارهای مولکول قند در سلول‌های ما) به کار رود. این ساختارها می‌توانند وجود انواع مختلفی از سرطان داخل سلول‌ها را افشا کنند.

با این حال لازم است داده‌های به دست آمده از اندازه‌گیری طیف‌سنجی گسترده توسط انسان‌ها با دقت بررسی و تحلیل و این ساختار از تجزیه گلیکان متمایز شود. این فرایند می‌تواند برای هر نمونه بین چند ساعت تا چند روز زمان ببرد و تنها شمار معدودی از کارشناسان در جهان قادر به انجام این کار هستند؛ زیرا یک کار کارآگاهی و مستلزم سال‌ها کسب تجربه و مهارت است.

از این رو وجود این فرایند یک تنگنا در مسیر استفاده از آنالیز گلیکان از جمله برای تشخیص سرطان محسوب می‌شود؛ به‌خصوص زمانی که نمونه‌های زیادی برای بررسی وجود دارد.

در این حال محققان در دانشگاه گوتنبرگ یک مدل هوش مصنوعی برای خودکارسازی این بررسی ابداع کرده‌اند. این مدل هوش مصنوعی با نام «کَندی‌کرانچ» (Candycrunch) این وظیفه را در مدت چند ثانیه برای هر آزمایش انجام می‌دهد. نتایج این تحقیق در یک مقاله علمی در نشریه متدهای طبیعت انتشار یافته است.

(دانیل بویار از دانشگاه گوتنبرگ)

این مدل هوش مصنوعی با استفاده از بیش از ۵۰۰ هزار نمونه از تجزیه (fragmentations) مختلف و ساختارهای مرتبط از مولکول‌های قند آموزش داده شد. دانیل بویار استادیار ارشد بیوانفورماتیک دانشگاه گوتنبرگ گفت: این آموزش به مدل کندی‌کرانچ امکان داده در ۹۰ درصد موارد، ساختار دقیق قند در هر نمونه را دقیق محاسبه کند.

معنای این حرف آن است که این مدل هوش مصنوعی می‌تواند به زودی به سطح دقتی همانند سایر زنجیره‌های زیستی (بیولوژیک) مانند «دی ان ای» و «آر ان ای» یا پروتئین‌ها برسد. از آنجا که این مدل در پاسخ‌های خود سریع و دقیق عمل می‌کند، می‌تواند کشف نشانگرهای زیستی (بیومارکر) بر پایه گلیکان را برای هر دو منظور پیش‌بینی کرده و تشخیص سرطان را سرعت ببخشد.

بویار خاطرنشان کرد: اکنون بزرگترین تنگنا در این فرایند را خودکارسازی (اتومات) کرده‌ایم، اعتقاد داریم آنالیز گلیکان به یک بخش بزرگتر از تحقیقات بیولوژیک و بالینی تبدیل خواهد شد.

مدل هوش مصنوعی کندی‌کرانچ همچنین قادر به شناسایی ساختارهایی است که اغلب به علت تجمیع پایینی که دارند در آنالیزهای انسانی نادیده گرفته می شوند. این مدل از این رو می‌تواند به محققان برای یافتن نشانگرهای زیستی جدید بر پایه گلیکان یاری برساند.